Publicado por Joaquín Garín R.

La información es de Mario Aguilera L.

Millaray Curilem Saldías es Ingeniera en Máquinas Computadoras, formada en el Instituto Superior Politécnico José Antonio Echeverría, en Cuba, y Doctora en Ingeniería Eléctrica con especialización en Sistemas de Información por la Universidad Federal de Santa Catarina, en Brasil. Actualmente, se desempeña como Profesora Titular de Jornada Completa en el Departamento de Ingeniería Eléctrica de la Universidad de La Frontera (UFRO), ubicado en Temuco, Chile. Sus áreas de investigación destacan por su carácter multidisciplinario, a aparte de Vulcanología y Minería, Ingeniería Biomédica y Bioinformática, además de Informática Educativa, donde ha desarrollado importantes contribuciones.

¿Cómo nace el proyecto “Sistema de para la clasificación multi-estación de los eventos sísmicos del Complejo Volcánico Nevados de Chillán?

Llevamos muchos años trabajando en sismicidad volcánica, tratando de generar sistemas que, de manera autónoma, puedan analizar los patrones sísmicos para determinar de qué tipo de sismo se trata y, por ende, cuál es la actividad interna del volcán que lo generó. En este proceso, hemos ido cambiando de volcán en volcán, ya que los volcanes tienen actividades que aumentan en algunos momentos y disminuyen en otros.

Primero partimos con el volcán Villarrica (2004), que se quedó dormido, por lo que luego pasó al volcán Llaima (2008), que también se quedó dormido, y posteriormente pasamos al complejo volcánico Nevados del Chillán (2017), que hoy se está quedando dormido. Nuestros modelos necesitan bases de datos muy confiables para que los modelos neuronales puedan aprender correctamente a reconocer los patrones. Si hay muchos errores en las bases de datos, los patrones que reconocen son incorrectos; por lo tanto, es necesario contar con bases de datos libres de errores.

Los volcanes tienen muchas estaciones que recogen esos datos, y este proyecto surgió de la necesidad de implementar bases de datos de señales sísmicas del complejo volcánico Nevados del Chillán, lo que permitió que sobre ellas se realizaran investigaciones que generaron propuestas de nuevos clasificadores.

¿De qué factores depende la calidad del registro?

La calidad de los registros depende de muchísimos factores, porque hay que comprender que una señal sísmica se puede producir en cualquier parte del volcán y viaja a través de diferentes medios para llegar a cada una de las estaciones que registran ese sismo. Algunas estaciones están más cerca del origen del sismo y otras más lejos. Es más, la señal puede viajar a través de caminos que la distorsionan muchísimo; por ejemplo, que la señal tenga que atravesar el volcán y pasar a través del magma, que es viscoso y va a absorber mucha de la energía del sismo, para llegar a la estación muy distorsionada.

La calidad de la señal también depende de la calidad de la estación, de la calidad del sitio donde está puesta la estación (si está puesta en un terreno muy blando, evidentemente va a producir mucha más distorsión que si está en un terreno firme).En fin, la distancia que recorre la señal, los caminos por donde pasa… todo eso va generando suciedad o distorsiones que dificultan los procesos de reconocimiento y clasificación.

¿De qué manera este proyecto mejora el monitoreo?

Mejorar el monitoreo no es el objetivo inmediato de este tipo de proyectos. El objetivo es principalmente buscar técnicas de inteligencia artificial y metodologías de procesamiento y representación de las señales que permitan mejorar el rendimiento de sistemas automáticos, de modo que, si en algún momento logramos incorporar esto en los procesos de monitoreo, estos puedan ser apoyados por dichos modelos.

El trabajo de los analistas es 24/7 y, por lo tanto, cualquier sistema que pueda apoyar ese trabajo, realizado en paralelo con el análisis que lleva a cabo. El analista, puede mejorar la eficiencia y eficacia de su labor. Pero esto es algo que ocurrirá en el futuro, cuando estos sistemas formen parte del trabajo en línea en los observatorios.

¿Qué herramientas se ocupan en este sistema propuesto? ¿A qué se refiere con modelo neuronal?

La Inteligencia Artificial, desde su surgimiento, ha sido muy utilizada para detectar patrones difíciles de identificar incluso para los seres humanos. Esta capacidad de reconocer patrones permite realizar, por ejemplo, la clasificación, que significa asignar un patrón a una clase específica. En este caso, existen muchas clasificaciones de la sismicidad en los volcanes. Por ejemplo: sismos volcánicos y no volcánicos. Dentro de los sismos volcánicos están los sismos de Largo Periodo, que se refieren al paso brusco de fluidos en los ductos internos del volcán. Los Tremor, que se producen por un paso continuo de fluidos. Los volcano-tectónicos, que se producen cuando hay quiebre de roca debido a la presión del magma o de otros fluidos volcánicos sobre las paredes del volcán. En fin, existen muchas clases de sismos.

Las redes neuronales artificiales han sido las herramientas por excelencia para reconocer patrones en señales, particularmente en lo que se llama el aprendizaje profundo, que son redes neuronales con muchas neuronas. Estas redes son capaces de reconocer las características de las señales que permiten discriminarlas en las diferentes clases. Las redes neuronales artificiales están inspiradas en la naturaleza del cerebro biológico, donde pequeñas unidades llamadas neuronas se interconectan entre sí para, recibiendo a la entrada una señal sísmica, entregar a la salida una clasificación de dicha señal.

¿Cómo se entrenan estos modelos?

Estos modelos neuronales se entrenan con una gran cantidad de ejemplos, los cuales deben cumplir con ciertos estándares de calidad y cantidad para evitar que la red genere errores significativos. Aunque es inevitable que la red cometa errores, el objetivo es minimizarlos al máximo. En el caso de la simulación volcánica, por ejemplo, se considera aceptable un margen de error inferior al 20%; sin embargo, en otras aplicaciones se requieren niveles de precisión mucho más altos, con márgenes de error inferiores al 5%.

¿Qué ventajas y complejidades presenta el enfoque de machine learning, deep learning, modelo neuronal, redes neuronales artificiales?

Una de las ventajas más significativas de estos enfoques es que han demostrado ser altamente efectivos en el reconocimiento de patrones, transformando los paradigmas del procesamiento de señales e imágenes. Sin embargo, su principal desafío reside en la necesidad de contar con bases de datos extremadamente limpias y procedimientos rigurosos para evitar problemas durante el proceso de aprendizaje.

Los modelos neuronales, en particular, son muy susceptibles al sobreajuste. Esto ocurre cuando un modelo memoriza los datos de entrenamiento en lugar de aprender las características generales de los datos. Como resultado, el modelo puede tener un excelente desempeño en los datos de entrenamiento pero fallar al enfrentarse a nuevos datos. La capacidad de generalizar a nuevos ejemplos es la prueba definitiva de aprendizaje.

Por ejemplo, podemos entrenar un modelo neuronal con imágenes de perros y gatos. Si el modelo logra identificar correctamente todos los perros y gatos en el conjunto de entrenamiento, pero falla al reconocer nuevos ejemplares, significa que no ha aprendido a generalizar. Esta incapacidad de generalizar puede comprometer seriamente el rendimiento del modelo.

Por lo tanto, es fundamental implementar procedimientos sistemáticos para prevenir el sobreajuste y garantizar que el modelo sea capaz de generalizar correctamente. Esto implica un cuidadoso diseño del proceso de entrenamiento y la selección adecuada de técnicas de regularización.

¿Cómo automatizar el proceso si cada volcán tiene distintas características?

Efectivamente, este es un problema crucial, ya que aún no existe un método universal para clasificar señales sísmicas volcánicas. Cada modelo debe adaptarse a las características únicas de cada volcán.

Lo ideal es que una metodología desarrollada para un volcán pueda aplicarse a otros, permitiendo escalar los modelos a múltiples volcanes. Sin embargo, debido a la complejidad y variabilidad de los sistemas volcánicos, es poco probable que existan clasificadores universales. Incluso para un mismo volcán, cambios en su estado o estructura interna, como los provocados por una erupción, pueden requerir ajustes en el modelo.

Esta limitación es inherente a los modelos neuronales, que aún no son capaces de interpolar, es decir, de responder adecuadamente a situaciones no contempladas durante su entrenamiento. Esto difiere de la generalización, que implica evaluar el modelo con nuevos datos (por ejemplo, una raza de perro no incluida en el conjunto de entrenamiento). La extrapolación, por otro lado, sería equivalente a presentar una girafa al modelo, que no podría reconocerla como un animal, ya que solo está capacitado para las categorías que aprendió.

Este es el riesgo de los sesgos en la Inteligencia Artificial: solo puede inferir sobre lo que ha sido entrenada. Por tanto, es fundamental tener en cuenta estas limitaciones al desarrollar y aplicar modelos para la clasificación de señales sísmicas volcánicas.

Las erupciones suelen estar precedidas por cambios en la sismicidad ¿Se pueden predecir las erupciones de alguna manera?

Con las grandes bases de datos disponibles en la actualidad, se está investigando activamente la posibilidad de detectar tempranamente señales precursoras que indiquen cambios en el estado de actividad de un volcán. Aunque predecir una erupción con exactitud aún parece estar fuera de nuestro alcance, el objetivo es poder identificar patrones que nos permitan estimar la probabilidad de que ocurra un evento eruptivo de gran magnitud.

Sin duda, el desarrollo de herramientas basadas en datos y análisis avanzados nos acercará cada vez más a este objetivo. Muchos investigadores están trabajando intensamente en esta área, y es probable que en un futuro no muy lejano podamos contar con sistemas de alerta temprana más precisos y confiables.

¿Por qué cree que se han estudiado tan poco los volcanes en nuestro país y región?

Estudiar los volcanes es una tarea compleja que demanda una inversión significativa en recursos. La instalación de sensores en zonas volcánicas, para medir variables como la sismicidad, temperatura, deformación y composición química de los gases, requiere de equipos especializados y de alto costo. Además, estos instrumentos deben ubicarse en lugares de difícil acceso, lo que encarece aún más las operaciones. Por otra parte, la recolección y procesamiento de grandes volúmenes de datos exige una robusta infraestructura tecnológica.

Sin embargo, gracias a la importante inversión realizada por el Observatorio Vulcanológico de los Andes del Sur, unidad técnica de la Red Nacional de Vigilancia Volcánica de Sernageomin, es posible acceder a una valiosa cantidad de datos que estamos analizando en conjunto con la Universidad de la Frontera.

Cada vez son más las instituciones que se dedican a la investigación volcánica, lo que augura un futuro prometedor en términos de nuevos conocimientos sobre estos imponentes y peligrosos fenómenos naturales, que han moldeado nuestro planeta de manera significativa.

¿Cómo iniciativas como CIVUR ayudan a mejorar esta situación?

La iniciativa del CIVUR asume una enorme responsabilidad al contribuir, no solo al desarrollo de la investigación en vulcanología, sino también a la educación de las poblaciones cercanas a los volcanes y de la población en general del país. Considerando que Chile alberga más de 90 volcanes activos, este tipo de iniciativas adquieren una importancia vital, especialmente ante posibles situaciones de riesgo. Además de fomentar investigaciones que generen conocimiento para mejorar el monitoreo volcánico, CIVUR puede desempeñar un papel crucial en la gestión de futuras alertas a la población.