Subspace Detection de La Microsismicidad en El Mar de M Armara

FACULTAD DE CIENCIAS
DEPARTAMENTO DE GEOCIENCIAS
Subspace Detection de la Microsismicidad en el Mar de Mármara
Eduardo Camilo De La Hoz Lozano
Director:
Dr. Jean-Baptiste Tary
Profesor asistente Universidad de los Andes
Bogotá, Colombia
Dedicado a
Alexander Lozano,
mi infancia, mi juventud y este trabajo fueron posibles gracias a él.
i
Agradecimientos
Este trabajo fue posible gracias a la guı́a, consejo y apoyo de Jean-Baptiste Tary, por este motivo quiero
agradecerle a él por la realización de este trabajo. Adicionalmente, quiero agradecer a Diego A. Torres por
su colaboración durante la localización de los eventos sı́smicos.
ii
Resumen
La implementación del método de Subspace Detection como ampliación de las técnicas de Match Filter,
permiten ejecutar la detección de eventos sı́smicos con caracterı́sticas especı́ficas sobre un grupo de datos
continuos (dos horas de datos continuos). En este modelo, se aplica dicho método para explotar la correlación
de un vector singular caracterı́stico (Singular Value Decomposition o SVD) con la microsismicidad del Mar
de Mármara (Turkia). La identificación de los eventos sı́smicos se hace a partir de la unión (Multiplexing) de
las tres componentes de los sismómetros de fondo oceánico utilizados. Seguido esto, se propone un método
de detección para todas las estaciones de la red estudiada, el cual consiste en la recolección de fases para
cada evento usando el vector singular de la estación sı́smica con mejor Signal to Noise Ratio. A partir de
los resultados obtenidos de la autodetección, se localizan los eventos por medio de un método determinista
no lineal usando el software NonLinLoc, y por medio de la táctica no lineal de double-difference usando el
software HypoDD (relocalización). Adicionalmente, se analizan los resultados obtenidos, y se compara con
la implementación de la misma técnica usando solo la componente vertical del sismómetro. Este estudio
esta encaminado en el análisis e implementación del método de Subspace Detection, además de como este
podrı́a ser utilizado para proponer una relación y una posible explicación para la microsismicidad del Mar
de Mármara, la liberación de fluidos y el contexto tectónico regional.
iii
Abstract
The Subspace Detection implementation as a development of the Match Filter technique, allows us to
make an automatic detection of seismic events with specific characteristics on a continuous data signal. In
this model, the Subspace Detection is applied in order to exploit the cross correlation similarity between a
singular vector (Singular value Decomposition) and the micro seismicity in the Sea of Marmara (Turkey).
The identification of the seismic events is made using the Multiplexing of the three components of each
Ocean Bottom Seismometer (OBS). Once, this process is made, a method for phase piking is proposed.
It consists on manual picking of P and S waves arrival times for each first singular vector and made the
correlation using the station with the best signal to noise ratio. The events detected are localized by means
of the nonlinear deterministic method using the software NonLinLoc and relocated through the linear double
difference technique using the HypoDD software. This study is focused on the analysis and comparison of
the results of the Subspace Detection in the Sea of Marmara, the abilities of this method to propose a
correlation and an explanation between the micro seismicity, the water seeps (liberation of fluids) and the
regional tectonic context.
iv
Índice
1. Introducción 1
1.a. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.a.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.a.2. Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Marco Teórico 6
2.a. Métodos Clásicos de Detección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.a.1. Amplitud: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.a.2. STA/LTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.b. Match Filter Technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.c. Subspace Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.c.1. Procedimiento Subspace Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.c.2. Procedimiento Subspace Detection para Múltiples Estaciones . . . . . . . . . . . . . . 14
2.d. Localización de Eventos Sı́smicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.e. Localización Probabilı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.f. NonLinLoc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.g. HypoDD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.h. Estrategias de Sampleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. Metodologı́a 21
3.a. Subspace Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.b. Localizaciones Absolutas, Software NonLinLoc . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.c. Localizaciones Relativas, Software HypoDD . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4. Resultados 25
4.a. Descripción del Set de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.b. Procesamiento de los Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.c. Resultados de la SVD, y Empirical Subspace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.d. Resultados de las Localizaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5. Discusión 35
6. Conclusión 41
v
1. Introducción
El Mar de Mármara es un mar interior que se conecta con el Mar Negro a través del Estrecho de Es-
tambul o estrecho del Bósforo SOI, por la parte noreste. Similarmente, se conecta con el Mar Egeo en su
parte oeste a través del estrecho Çanakkale o estrecho de Dardanelos SOC (ver figura 1) (Chiggiato et al.,
2012). Este mar tiene un ancho de 280 km y un largo 80 km aproximadamente, y una profundidad máxima,
volumen de agua y una superficie de 1370 m, 3380 km3 y 11,470 km2 respectivamente (Cağatay et al.,
2016). La ubicación del Mar de Mármara se encuentra sobre la trayectoria de la Falla Norte Anatolica NAF
(North Anatolian Fault), la cual se puede apreciar en la figura 2. La NAF es una falla transversal dextral,
que separa los lı́mites de las placas de Anatolı́a y la Euroasiática (dicha separación tiene una longitud de
mm
1200 km (Dupré et al., 2015)), y tiene un movimiento E-W de aproximadamente 23,3 yr (Ambraseys &
Jackson., 2000). Varios estudios realizados con sı́smica de reflexión muestran una gran cantidad de fallas de
componente normal a lo largo del Mar de Mármara (Ambraseys & Jackson., 2000), esta configuración esta
asociada a la extensión de la corteza producto de los procesos de roll-back del slab de la micro-placa egea
(Sinn & Schlemmer, 2014), y la mayorı́a del movimiento entre la placa de Anatolı́a y la placa Euroasiática
(en la figura 2 se pueden ver los vectores de movimiento de las placas involucradas) (Zitter et al., 2008). La
dinámica y sismicidad de estas fallas son resultado de las propiedades reológicas de las placas involucradas;
es decir la rotación en sentido antihorario (counterclockwise) de la placa de Anatolı́a con respecto a la placa
Euroasiática (McClusky et al., 2000).
Figura 1: Contexto geográfico del Mar de Mármara, el cual se encuentra entre la zona Turca europea y
la zona turca asiática. Los dos marcadores son: el estrecho del Bósforo (SOI) y el estrecho de Dardanelos
(SOC). (Imagen tomada de Google Earth).
1
Figura 2: Interpretación tectónica del noreste del mediterráneo, las flechas indican el de movimiento entre
la placa de Anatolı́a y la placa Euroasiática, el lı́mite que separa estas placas esta conformado por la NAF
(North Anatolian Fault) (McHugh et al., 2006).
El Mar de Mármara ha sido estudiado por medio de técnicas de batimetrı́a hidrográfica de haces múltiples,
sı́smica de reflexión (sub bottom chirp profiler ), núcleos de sedimentos, entre otros; con el fin de describir
la geologı́a marina, los procesos de sedimentación, y su relación con la historia sı́smica y tectónica de la
región (McHugh et al., 2006). La sección de la NAF que es cubierta por el Mar de Mármara es llamada
La Falla Principal de Mármara MMF (Main Marmara Fault), y es una de las zonas mas estudiadas de
todo el suelo marino de la región. La estructura que compone al Mar de Mármara se divide en diferentes
estructuras geológicas; entre las que destacan tres cuencas sedimentarias principales: (de este a oeste) Ci-
narcik: la cuenca sedimentaria más grande (810 km2 ) y más profunda del mar (1,276 m) (Sarı & Çagatay,
2000). Adicionalmente, estudios concluyen que los escarpes observados a lo largo de la superficie marina
son resultado de la actividad de fallas dextro-laterales (Le Pichon et al., 2001). Cuenca Central: cuenca
sedimentaria en la cual se identifican un conjunto de fallas sinestrales-laterales con un rumbo N W (de origen
compresional) que se conectan a un set de fallas oblicuas de rumbo N S (Le Pichon et al., 2001). Final-
mente, la cuenca sedimentaria Tekirdag: esta cuenca, junto con la cuenca Central muestran estructuras de
deformación (plegamiento) en el fondo marino asociado a la actividad de fallas de rumbo dextro-laterales en
un régimen extencional (Sorlien et al., 2012). Estas cuencas sedimentarias tienen profundidades de hasta
1200 m y generalmente se les diferencia por bordes que están a 700 y 900 m de profundidad. Las cuencas
están compuestas por sedimentos de 1 a 4 km de potencia del Plioceno y del Cuaternario; estos sedimentos
se componen generalmente por material de origen terrı́genos y lacustres (entre los que se observan capas de
material de tamaño arcilla, limo, arena y conglomerados) separados por capas de ∼ 5 cm de arcilla rica en
2
foraminı́feros. Las cuentas sedimentarias secundarias tienen una longitud de 10 - 20 km y un largo de 5 - 9
km de ancho, estos están separados por sills (intrusiones ı́gneas horizontales) someros (McHugh et al., 2006).
El Mar de Mármara se caracteriza por contener a lo largo de sus cuencas sedimentos homogenites (lito-
logı́a rica en arena, acústicamente trasparentes); estos sedimentos están asociados a terremotos (derrumbes
marinos, depresiones y flujos de escombros), en donde cada homogenite o evento (terremoto) esta separado
por capas de ∼ 1 cm de deposición pelágica (McHugh et al., 2006); estos sedimentos han sido utilizados
para identificar eventos registrados históricamente desde 2000 A.C, entre los cuales se encuentran terremotos
con una magnitud de onda superficial superior a 7 (Ms ≥ 7) (Sarı & Çagatay, 2000). A pesar de contar con
el efecto de mareas, pendientes, el aporte de los rı́os, tormentas, tsunamis causados por calderas volcánicas,
entre otros. El único mecanismo capaz de activar las corrientes turbidı́ticas de estas caracterı́sticas es un
terremoto (Sarı & Çagatay, 2000). En adición, la geologı́a del suelo marino del Mar de Mármara esta aso-
ciada a la expulsión de fluidos o cold seeps (ver figura 3), y el sistema de fallas activas de la MMF (Géli et
al., 2008). La relación entre el sistema de fallas y la emisión de gases es compleja; puesto que la expulsión
de estos gases a través de sedimentos depende de las grietas y aberturas creadas por las fallas. Por lo tanto,
la distribución de fracturas y fallas y los cold seeps es importante; esta disposición de fracturas es fácil de
detectar (orientación de la fracturas y fallas) en estudios de sonar (anomalı́as acústicas) (Géli et al., 2008).
(a) Figura modificada de (Dupré et al., 2015). (b) Figura modificada de (Géli et al., 2008).
Figura 3: Ambas fotografı́as fueron obtenidas por el Nautile submersible durante la expedición Marnaut en
2007. La figura (3a), muestra un Cold seep ubicado en el Western High, este es asociado a la saturación de
sedimentos con gases, en donde las partes más oscuras son superficies cubiertas por bacterias (Dupré et al.,
2015). La figura (3b), muestra un escape de gas ubicado en la cuenca de Tekirdag, este se encuentra ubicado
sobre una grieta de tracción (tensile crack ) con una orientación norte-oeste (Géli et al., 2008).
3
Una brecha sı́smica (seismic gap) hace referencia a la zona de una falla que a lo largo de su existencia ha
producido múltiples terremotos, pero en los últimos 30 años no ha presentado actividad relevante. Debido a
que estas zonas están cerca o sobre lı́mites de placas, es posible que puedan generar nuevos eventos sı́smicos.
Esta teorı́a es apoyada por estudios de la dinámica de las placas y las medidas de esfuerzo a lo largo de las
brechas sı́smicas (Plafker et al, 1989). La zona sı́smica de la Falla Norte Anatolica NAF cubierta por el Mar
de Mármara MMF, es una zona sı́smica con una longitud de 150 km, y presenta a lo largo de su territorio
importantes caracterı́sticas entre transición de cuencas, comportamiento de fallas y sismicidad (Schmittbuhl
et al., 2016). La sismicidad a lo largo de la NAF esta asociada a emisiones de gas cerca a las manifestaciones
de las fallas activas en la superficie. Estas caracterı́sticas de alta sismicidad de la NAF son notablemente
disminuidas en la brecha sı́smica en el segmento que cruza el Central High (el cual se puede ver en la figura
4). Esta zona no ha tenido rupturas ni eventos sı́smicos relevantes desde 1766, por este motivo es considerado
una brecha sı́smica (Géli et al., 2008).
Figura 4: Imagen de la tectónica activa entre las placas Euroasiática y Anatolica. La trayectoria de la NAF
puede seguirse a través del Mar de Mármara. Abreviaciones: TB (Tekirdag Basin), CB (Central Basin), WH
(Western high) ,KB (Kumburgaz Basin), CH (central high), ÇB (Cinarcik Basin) y IB (Imrali basin), NAFZ
(North Anatolian Fault Zone). Los triángulos negros son sismómetros de fondo oceánico (OBS) (Tary et al.,
2011)
Desde el terremoto de Izmit y Düzce en 1999 (Evento sı́smico de 7.4 M w al noroeste de Turquı́a (Barka.,
1999)); el segmento bajo el agua de la NAF ha sido estudiado y analizado con el objeto de describir los
procesos de la ruptura de la parte este de la MMF. Entre los procesos más estudiados se encuentran: i) la
actividad microsı́smica mostrada después de los eventos de 1999 y su estrecha relación con la emisiones de
4
gases (esta expulsión de gases esta relacionada a la ocurrencia de fallas activas y la deformación causada por
los sedimentos) (Dupré et al., 2015); ii) las relaciones entre las emisiones de gas (water seeps), esfuerzos
debidos al grosor de la capa de sedimentos y el contexto tectónico (Dupré et al., 2015), y los eventos sı́smicos
asociados a la transferencia de esfuerzo estático y dinámico (Tary et al., 2018); iii) La energı́a acumulada que
es laxada a lo largo de la NAF (segmentos bloqueados de la falla) durante los terremotos de gran magnitud
(Schmittbuhl et al., 2016).
La interpretación de la microsismicidad depende altamente en la precisión de localizar un terremoto, y

las capacidades de detección. El método de Subspace Detection es un enfoque de correlación para detectar
eventos con una baja relación señal a ruido SN R (Signal-to-Noise Ratio). El solapamiento de plantillas de
detección (template matching) administra la localización de pequeños terremotos, terremotos de baja fre-
cuencia, temblores y sismicidad inducida; esto depende del tipo de detector usado. Este detector es diseñado
usando el método de SVD (Singular Value Decomposition) (Barrett & Beroza., 2014). La importancia de
este procedimiento radica en la capacidad de detectar y localizar hasta 10 veces más eventos que los métodos
estándar en algunos casos.
La sismicidad, la manifestación de fluidos, y el sistema de fallas activo forman un sistema interconectado.

Dar una explicación a la sismicidad en la MMF depende de un catálogo de eventos con localizaciones de alta
resolución (precisas). Para el caso de estudio el método de Subspace Detection se implementara en un cluster
sı́smico ocurrido después de un terremoto de magnitud 5 en julio de 2011, en la zona cercana al Western
High (ver figura 4). La sismicidad detectada por este método se puede utilizar para delinear las estructuras
activas y estudiar sus mecanismos fuente subyacentes.
5
1.a. Objetivos
1.a.1. Objetivo General
Aplicar el método de Subspace Detection para incrementar el número de eventos identificados y localiza-
dos en un cluster sı́smico seleccionado en el Western High; proponiendo una explicación las posibles causas
de la microsı́smicidad subyacente en el Mar de Mármara.
1.a.2. Objetivos Especı́ficos
Implementar el algoritmo de Subspace Detection para identificar y extraer los eventos sı́smicos de baja
magnitud.
Aplicar un proceso de selección de fases basado en la búsqueda automática (autopicking) y en la

recolección de fases de arribo de eventos sı́smicos.
Resolver el problema de localización de terremotos usando el método de búsqueda determinista para

encontrar una ubicación completa del evento.
Adoptar la técnica de doble diferencia (double-difference technique) para relocalizar eventos sı́smicos
con alta precisión.
2. Marco Teórico
La identificación y localización de eventos sı́smicos es uno de los problemas clásicos en sismologı́a (Shearer,
2009). La identificación de un evento sı́smico es el paso fundamental para su localización. A continuación
se presenta introducción a los métodos clásicos de detección, y los propuestos en la investigación para su
entendimiento.
2.a. Métodos Clásicos de Detección
2.a.1. Amplitud:
La amplitud es el parámetro que con más frecuencia se determina y es el más utilizado en la caracteriza-
ción de un terremoto (Bormann & Saul., 2009). El cálculo de la amplitud de un terremoto es una medida
que se introdujo para medir la amplitud de las ondas resultantes de un terremoto en un sismógrafo (ver
figura 5); este calculo parte del concepto de que la amplitud de las ondas reflejan el tamaño o la energı́a del
evento sı́smico (Bai & Kennett., 2000), información de su espectro fuente (source spectrum) y la liberación
de esfuerzo (stress) (Stein & Wysession, 2009).
6
Mediante el uso de relaciones empı́ricas, la amplitud de un terremoto puede usarse para calcular el
momento sı́smico (seismic moment), la energı́a sı́smica (seismic energy). En adición, la estimación de una
medida de la fuerza del terremoto (valor que puede asociarse al movimiento de la tierra, o al tamaño de un
tsunami). Por otro lado; permite la clasificación de eventos sı́smicos en catálogos de terremotos que permiten
estudiar la actividad sı́smica de una región (Bormann & Saul., 2009).
Figura 5: Registro de un sismógrafo Wood-Anderson de periodo corto (short period ). En la imagen se puede
ver el arribo de la onda P y S, su diferencia de tiempo (S - P) y la amplitud del terremoto (23 mm). El
terremoto tiene una magnitud local Ml de 4.8 (Bormann & Saul., 2009).
2.a.2. STA/LTA
Es una técnica de detección de sismicidad débil (microsismicidad), esta técnica es una de las clases de
detección y selección de inicio de fases mas ampliamente utilizadas (Trnkoczy, 1999), y esta se basa en la
comparación entre: ”Short-Term Average”(ST A) de una función caracterı́stica de una señal o CF (por sus
siglas en ingles Characteristic Function) y el ”Long Term Average”(LT A) de esta misma función CF . El
método es comúnmente llamado ST A/LT A (Lomax et al., 2012). Este calcula continuamente el promedio
de los valores absolutos de la señal sı́smica en dos ventanas cambiantes de tiempo (Trnkoczy, 1999). Para su
implementación, la función CF , que es usualmente la energı́a de la traza sı́smica (Rodriguez, 2011), puede
ser determinada entre tres opciones: la primera puede ser el valor absoluto de la señal, segundo, el cuadrado
de la señal, por ultimo, la derivada en el tiempo. Adicionalmente, la relación ST A/LT A no debe exceder
el umbral predefinido o definido dinámicamente (Lomax et al., 2012). Este valor umbral (α) debe cumplir
α ≥ ST A/LT A (Sharma et al., 2010).
El término ST A representa el promedio del perı́odo más corto en el cual un evento de interés puede
ocurrir (Sharma et al., 2010), y es el valor sensitivo para los eventos sı́smicos (Trnkoczy, 1999). Mientras
que el LT A representa el perı́odo más largo para evaluar el ruido de fondo; el valor umbral ”α”se utilizara
7
como discriminador de eventos sı́smicos (Sharma et al., 2010).
Dada una traza sı́smica s = [s1 ,s2 ,s3 ...sn ], el filtro ST A/LT A en la muestra i se determina aproximando
el filtro Neyman-Pearson, simultáneamente se promedia la señal en el ST A para alcanzar un S/N ratio
(Joswig., 1990).
i
1 X
ST A(i) = CFi (1)
ns j=i−ns
i
1 X
LT A(i) = CFi (2)
nl
j=i−nl
ST A(i)
ST A/LT A(i) = (3)
LT A(i)
Para los sismogramas libres de ruido, el ratio ST A/LT A tiene un valor máximo en su derivada, el cual es
cercano al primer ”first-break time”del primer arribo (ver figura 6) (Wong et al., 2009). El cálculo del ST A
y el LT A se realiza usando ventanas de tiempo ns y nl respectivamente (con nl > ns) (Rodriguez, 2011).
La función CF , como se menciono anteriormente puede ser determinada de diferentes maneras, aunque
cuando esta es determinada usando la señal y su derivada en el tiempo, el algoritmo se vuelve mas sensible
a los cambios en altas frecuencias, lo cual es óptimo en la determinación de inicios de tiempo (times onset
detection) de las ondas de cuerpo para eventos locales y regionales (Lomax et al., 2012).
Figura 6: Time picks de los primeros arribos usando el ST A/LT A. Los arribos calculados a partir de este
método se observan como una lı́nea vertical negra. La traza nombrada M ER es la implementación de la
técnica modified energy ratio (Wong et al., 2009).
8
Después de la detección de inicio de fase (phase onset detection), se determina el time pick y la incerti-
dumbre que van a ser utilizados (Lomax et al., 2012). El método ST A/LT A es preferido en la identificación
de eventos sı́smicos de baja energı́a; esto se debe a la capacidad del sistema de analizar el ruido de fondo y
la amplitud máxima de la señal permitiendo la identificación de eventos teniendo en cuenta la sensibilidad
del sensor, un valor de umbral definido, y demás factores o valores definidos de acuerdo a las condiciones en
las que se dan los terremotos o microterremotos de la zona.
Figura 7: Imagen de un evento local tı́pico y las variables estudiadas que pueden ser calculadas. En la figura
se observa el ST A, el LT A, los tiempos de información adicional al evento sı́smico principal P EM (Pre-Event
Time) y P ET (Post-Event Time) (Trnkoczy, 1999).
2.b. Match Filter Technique
Las técnicas de match filter hacen parte de una herramienta básica para extraer wavelets (función que
satisface ciertos parámetros matemáticos, y se utilizan en la representación de datos o funciones Castro
et al. (1995)) de una señal con ruido. Su funcionamiento es óptimo bajo un canal lineal y ruido blanco
(Erdogmus et al., 2005). Esto se logra a partir de una correlación cruzada de la señal con el wavelet desig-
nado (Bancroft., 2002). Este método consiste en el uso de un filtro que maximiza el Signal to Noise Ratio
(STN ) de la señal, esto se hace a partir de un wavelet conocido dentro de la señal con ruido (Bancroft., 2002).
9
En la figura 8, se observa el procedimiento básico de la técnica; la teorı́a explica que un máximo STN es
alcanzado cuando el filtro tiene un impulso causado por el inverso del tiempo en el wavelet input (Bancroft.,
2002). En sı́smica, este proceso involucra a los sismogramas ai (t) ubicados en las estaciones (sx , sy ). Los
sismogramas son ejecutados bajo un proceso de filtrado P [ai (t)] (esta es una función arbitraria). Seguido a
esto se utilizan los eventos conocidos ej = (ex , ey , ez , et )j , y se calculan los rangos fuente-receptor para ası́
calcular el stack global S (Shearer, 1994).
S(∆, T, ez ) = BP [ai (t)], ej (4)
Donde T es el tiempo de origen del evento, B es el método de staking o el promedio de de los sismogramas
filtrados para todas las estaciones (P [ai (t)]), con un rango fuente-receptor dentro de un intervalo Γ (Shearer,
1994).
Figura 8: Filtro básico, en la figura se observa la señal utilizada s(t), el ruido presente en la señal n(t), el
filtro h(t), y un producto final con un STN maximizado (Bancroft., 2002).
Estos métodos de detección prueban ser de gran utilidad y eficiencia en la correlación entre señales
sı́smicas observadas, y señales generadas a partir de eventos conocidos (Shearer, 1994).
2.c. Subspace Detection
El método Subspace Detection, es una extensión de la técnica de Match Filter. En este caso, tiene como
objetivo la detección e identificación de eventos proximales (terremotos que ocurren muy cerca a una fuente
principal) que generan señales similares esta presente en todos los problemas y aplicaciones de la sı́smica
(Harris., 2006). La caracterización de estos eventos sı́smicos puede ser ampliada explotando la similitud entre
eventos proximales (Barrett & Beroza., 2014). Esto se logra mediante el uso de métodos de cross-correlation
(también conocidos como métodos de match filter ) de Waveforms (Barrett & Beroza., 2014). El método
10
de Subspace Detection tiene ciertas ventajas sobre otros procedimientos de identificación de señales sı́smicas
en condiciones adversas, entre estas ventajas se encuentra la capacidad de localizar e identificar eventos con
poco espaciamiento en el tiempo, superposición de waveforms, bajo Signal-to-Noise Ratio (STN ), mediciones
de tiempos de arribo y amplitudes relativas, localización precisa y mediciones de tamaño (Barrett & Beroza.,
2014).
El Subspace Detector (al igual que todos los detectores) implementa una teorı́a binaria que se desplaza
con una ventana a lo largo de un flujo de datos. En la teorı́a nula (H0 ), los datos que se encuentran en esa
ventana son representados por un vector y, vector que esta compuesto por solo ruido. Mientras que en la
teorı́a alterna (H1 ), los datos consisten en una señal mas ruido (Maceira et al., 2010). En este detector, la
medida del modelo de probabilidad es identificada como la señal, la cual resulta del producto entre una matriz
de plantillas orto-normales U , y un vector de pesos desconocidos a (Maceira et al., 2010). Los parámetros
desconocidos de la señal y el ruido son identificados de los datos, para ası́ para poder implementar un detector
como una prueba de razón de verosimilitud generalizada GLRT (Generalized Likelihood Ratio Test). Ası́ el
detector, es capaz de implementar una operación de proyección intuitiva, la cual consiste en proyectar en
una matriz de vectores singulares, el vector de información que se encuentra en la ventana (sólo cuando la
proyección es lo suficientemente grande para ser detectada). Esta operación se normaliza para tomar como
valor clave un coeficiente de correlación γ (ecuación 5 y figura 9) (Maceira et al., 2010).
yT U U T y
γ= (5)
yT y
La correspondencia de waveforms (matching), requiere de una identificación de una plantilla de eventos
con caracterı́sticas similares a los eventos de interés (Barrett & Beroza., 2014). Para esto, el Subspace De-
tector usa una SVD (Singular Value Decomposition) de la plantilla de eventos previamente seleccionados
(figura 9). Esto se hace para encontrar una representación orto-normal que contenga las caracterı́sticas más
importantes de las waveforms (left singular vectors) (Barrett & Beroza., 2014). Los vectores, organizados por
su tamaño y valor de correspondencia singular son: el primer vector singular, este contiene la información de
la plantilla de eventos y es el vector que mejor describe los waveforms, el segundo vector singular contiene la
información remanente una vez la contribución del primer vector ha sido retirada, y el tercer vector, cuarto
vector y ası́ sucesivamente contendrán menos información de todo el conjunto de waveforms (Barrett &
Beroza., 2014).
El primer vector singular (stack ) aproxima el waveform promedio, mientras que el segundo vector singu-
lar (en un grupo denso de terremotos), representa la derivada en el tiempo del stack. Esto se cree que es el
desfase en la localización de terremotos en el grupo seleccionado de eventos. El resto de vectores singulares
11
no tienen un representación fı́sica clara (Barrett & Beroza., 2014).
El cálculo de la base para la SVD, parte de la organización de la plantilla de eventos en una matriz A
T
(figura 9), que será calculada de la siguiente manera: A = Umxm Smxn Vnxn . La matriz del lado izquierdo
de la ecuación (LHS o left hand side) se divide en una matriz Ud que contendrá los vectores singulares
más grandes, y una matriz Ue para el resto de la información (Maceira et al., 2010). El lado derecho de la
ecuación esta conformado por: V que es el vector singular derecho de A, este esta conformado por valores
ortogonales (sus columnas son ortonormales) y no tienen asumpciones en A. El vector U contiene a los
vectores singulares izquierdos de A y tiene las mismas caracterı́sticas de V , finalmente, el termino S es una
matriz diagonal con entradas positivas, su diagonal contiene a los valores singulares de A (Hopcroft., 2008).
Figura 9: Esquema del proceso de Subspace Detection. La matriz A es construida a partir del catálogo de
waveforms (cada fila será un evento). Su SVD produce una matriz Ud que contiene a los left-singular vectors,
los cuales se organizan por su contribución a representar los waveforms. La proyección del vector y genera un
valor normalizado γ que representa que tan buena es la representación del detector en las series de tiempo
(Barrett & Beroza., 2014).
2.c.1. Procedimiento Subspace Detection
Para lograr la identificación de terremotos, deben seguirse una serie de pasos mostrados en la figura 10.
Primero, es necesario combinar tiempos de llegadas de eventos sı́smicos (arrival-time picks). Esto se hace
con el objetivo de encontrar posibles primeros arribos y asociarlos a diferentes algoritmos para determinar
si estos eventos tienen en común una fuente dentro de la tierra (Barrett & Beroza., 2014). Es importante
trabajar con eventos sı́smicos que hagan parte de un grupo denso de eventos registrados por una red sı́smica
(usualmente mı́nimo 4 estaciones). Esto se debe a que este tipo de detector, no funciona muy bien en eventos
12
con mucha separación o fuera de una red sı́smica (Barrett & Beroza., 2014). Este paso de recolección de
eventos padres puede hacerse manualmente para garantizar que estos eventos no sean falsas detecciones y
presenten caracterı́sticas similares .
Figura 10: Pasos realizados para implementar el Subspace Detection en una base de datos continuos. Los
procedimientos de la imagen (1, 2, 3, 4, 5) están desarrollados en el texto (Harris., 2006).
El punto 2, mostrado en la imagen 10 ilustra el cálculo de las correlaciones de los pares de todos los
eventos en el grupo seleccionado (Harris., 2006). Para el punto 3, se muestra la selección del grupo que
representara los waveforms. En este paso se extrae la ventana que se utilizara en el Subspace Detection; en
esta parte del procedimiento un alineamiento apropiado de los datos es fundamental (un mal alineamiento
aumentara innecesariamente las dimensiones de la detección, y cambiara los vectores singulares, generando
problemas en encontrar eventos en las series de tiempo), este paso puede realizarse sobre los datos de manera
individual o de manera multiplexed (Harris., 2006). El numeral 4 realiza el procedimiento del calculo de
la base orto-normal que representara la matriz de datos A, el umbral del detector sera determinado por su
dimensión (Harris., 2006). Finalmente, el punto 5 muestra el reprocesamiento de los datos usando el detector
definido anteriormente a o largo de un set de datos continuo (Harris., 2006).
13
2.c.2. Procedimiento Subspace Detection para Múltiples Estaciones
El STN (Signal to Noise Ratio) es de vital importancia puesto que la exactitud en el picking de los arribos
de ondas S y P (identificación de eventos), los ı́ndices de correlación que son usados durante el procesamiento
de los datos dependen de este valor. Similarmente, esto se observa en los pasos ilustrados en la figura 10.
Por este motivo, la estación principal será la que tenga un STN superior a la de las demás estaciones, y
se utilizará en el procedimiento de detección de eventos sı́smicos (multiplexed ). Una vez se determine que
estación posee los datos más ”limpios”se procede a realizar la SVD (Singular Value Decomposition) para
todas las estaciones, este procedimiento debe ser sobre los datos de manera multiplexed, lo que significa que
se tendrán en cuenta las tres componentes de los geófonos para cada estación.
Una vez realizada la SVD para cada estación, para cada detección se debe guardar de manera individual
un fragmento de la señal de cada una de las estaciones (se guardaran cada uno de los vectores singulares
producto de su SVD). En este fragmento de señal, se usara el vector singular obtenido de la estación principal
para realizar un picking de ondas S y P por cada estación. Una vez terminado este procedimiento es posible
ejecutar la localización de eventos.
2.d. Localización de Eventos Sı́smicos
El estudio de la sismotectónica esta directamente relacionado con la correcta interpretación de la distri-

bución de los terremotos en el espacio, tiempo, tamaño y su estilo. La precisión con la que se determinen
estos parámetros, proveerá una asociación más acertada entre los eventos sı́smicos, y las estructuras (por
ejemplo fallas) que causaron este resultado (Turino et al., 2009).
La correcta localización de eventos sı́smicos, y la estimación de su error esta determinada por el método
utilizado. Se examinan dos tipos de estrategias usadas para la localización de eventos; Métodos no lineales, los
cuales surgen de la dependencia no linear entre los tiempos de viaje de las ondas sı́smicas, y los parámetros del
modelo de velocidad y el hipocentro. Por otro lado, los métodos lineales, los cuales surgen de la dependencia
de los datos al tener que ser medidos dentro de una red sismológica en la superficie, y por lo tanto tener un
trade-off entre profundidad y parámetros de tiempo (Sambridge, 1986). Adicionalmente, se distingue que
el método no linear evidencia una ventaja sobre el método linear. Entre los aspectos en los que se destaca la
superioridad de los métodos no lineales se observa que en sus locaciones la estimación de error es menor en
comparación al otro método; esta diferencia de error es solo en la estimación de la locación del evento sı́smico
y no en la diferencia o error de las coordenadas hipocentrales (Presti et al., 2008). El bajo rendimiento de
los métodos lineales en comparación con los no lineales se debe a cambios en la parametrización del modelo,
el cálculos de los tiempos de viaje, y la manera en la que es optimizado cada método (Lomax & Michelini.,
14
2000). Un resumen de lo anteriormente dicho se compone de los siguientes items.
1. En la representación 3D, los métodos no lineales usan celdas cubicas con velocidad constante, mientras
que los métodos no lineales usan un suavizado de los datos (Lomax & Michelini., 2000).
2. En el cálculo de los tiempos de viaje, los métodos no lineares usan una estrategia de cuadricula basado
en el principio de Huygens (algoritmo de diferencias finitas), mientras que el método linear usa un
método de dos puntos (ray bending) (Lomax & Michelini., 2000).
3. El método no linear usa una búsqueda global directa por métodos estocásticos para obtener el hi-
pocentro óptimo (maximum-likelihood ), mientras que el método linear usa estrategias iterativas, y
minimización de problema linear por mı́nimos cuadrados (Lomax & Michelini., 2000).
2.e. Localización Probabilı́stica
El problema que se quiere solucionar es la localización del evento sı́smico, por lo tanto se propone
una explicación matemática básica del problema para entender que procedimiento realizan los programas
utilizados para este cometido (localización de eventos sı́smicos). Para esto se considera un vector de datos
observados dobs , el cual toma valores en un espacio de datos D,con una función pdf p(d) la cual describe
la incertidumbre de los datos dobs . Similarmente se define un vector de los parámetros de la fuente m, el
cual toma valores del parámetro de espacio M, y esta relacionado a un vector de datos predecidos dcalc , y
finalmente se define la función pdf anterior (prior ), la cual representa los datos disponibles antes del evento
sı́smico (Lomax et al., 2018). El problema a resolver, o forward problem puede tener incertidumbres debido
a valores desconocidos en su totalidad, como lo es el modelo de velocidad; por eso se establece una función
pdf F (d, m) para mostrar la relación entre estas dos variables (restricción entre dobs y m). Comúnmente,
F es asumido para cada m, y su vector de datos calculados correspondiente dcalc es dado por la función
f (m). Entonces su pdf condicional F (d|m) esta dado por F (d|m) = δ[d − f (m)]. Adicionalmente, para
establecer el mı́nimo de restricciones sobre m se establece una función pdf llamada distribución homogénea
µ(m) (Lomax et al., 2018). El forward problem se puede expresar a continuación teniendo lo anteriormente
dicho en cuenta.
F (d, m) = δ[d − f (m)]µ(m) (6)
La solución de la localización del terremoto se encontrara construyendo una función pdf Q, la cual combina
los datos observados p(d), p(m) (prior pdf ) y la habilidad otorgada por la función F (d, m) (la habilidad de
15
predicción de los datos del forward problem) (Lomax et al., 2018):
p(d)F (d, m)p(m)

Q(d, m) = K (7)
µ(d, m)
La ecuación 7 contiene toda la información anterior al evento, las contantes fı́sicas y los datos. En esta
ecuación K normaliza a Q para que sea integrable sobre D × M, la distribución homogénea de los datos d,
y los parámetros m será µ(d, m). Adicionalmente, en la ecuación 7 no solo se tienen en cuenta todos los
datos que pueden tener relación en localizar m, también define una función pdf entre los parámetros m y los
datos d. La solución probabilı́stica general del problema inverso de la localización del terremoto se presenta a
continuación, esta se calcula por medio de la integración de d para obtener la función pdf marginal posterior
(Lomax et al., 2018).
Z
p(d)F (d, m)
Q(m) = Kp(m) dd (8)
µ(d, m)
D
2.f. NonLinLoc
El paquete de software NonLinLoc (Non Linear Localization) provee un conjunto de algoritmos para
realizar búsquedas globales no lineales, de los cuales se obtiene la locación probabilı́stica de un terremoto
(Lomax et al., 2001). El software denomina los parámetros desconocidos para un terremoto de la siguiente
manera: Las coordenadas hipocentricas x = (x, y, z), y el tiempo de origen T . Y busca solucionar función de
densidad de probabilidades pdf para resolver el problema inverso. Los datos observados son un set de arribos
t, y una relación teórica proporciona los tiempos de viaje (travel times) h (Lomax et al., 2001). Ahora, si la
información sobre el parámetro de tiempo de origen T se toma como uniforme, y asumiendo que la relación
entre la relación teórica y los tiempos de arribo tienen una incertidumbre gaussiana (cada una con matrices
de covarianza CT y Ct respectivamente), es posible integrar la función pdf (Probability Density Function) en
función de T . El resultado de esta operación será una de las entradas de un vector (vector aleatorio continuo),
la cual sera una variable continua con una probabilidad de distribución univariable (Dougherty., 1990) o la
función pdf marginal (Marginal Probability Density Function) para la locación espacial de los parámetros
(Lomax et al., 2001). NonLinLoc denomina esta pdf marginal como σ(x), la cual se calcula mediante la
siguiente expresión.
16

1
σ(x) = Kρ(x) exp − g(x)
2 (9)
ˆ T (Ct + CT )−1 [tˆ0 − h(x)]
g(x) = [tˆ0 − h(x)] ˆ
En la ecuación 9, K es un factor de normalización, ρ(x) contiene la información de parámetros (prior

pdf ), y g(x) es la función L2 o misfet function. Los vectores tˆ0 y ĥ, son los vectores de tiempos de arribo
y tiempos de arribo teoricos respectivamente, a ambos se les ha sustraı́do su medida ponderada (tyh). Los
pesos wi son dados por (Lomax et al., 2001):
X
wi = wij ; wij = [(Ct + CT )−1 ]ij (10)
j
NonLinLoc resuelve de 2 maneras distintas el problema de la localización de un terremoto (ecuación 9).

El primer método consiste en una cuadricula de búsqueda anidada, la cual se hace más fina en un volumen
espacial x, y y z. Este procedimiento es ineficiente en términos de tiempo de ejecución, pero consigue un
muestreo exhaustivo del área de búsqueda y provee múltiples soluciones óptimas (Lomax et al., 2001). El
segundo algoritmo de muestreo consiste en un sampleador Metropolis–Gibbs, el cual contiene 3 mecanismos
de sampleo para adaptar el tamaño del paso para la caminata de manera óptima. Metropolis–Gibbs consiste
en una caminata directa en la solución (x, y, z) en zonas de alta probabilidad para la función pdf (ecuación
9), lo que significa que por cada paso calculado se tendrá un valor diferente para la ecuación 9, el cual será
comparado con el valor anterior (si el valor actual de la función pdf es mayor, la nueva posición es aceptada
y continua la búsqueda en esa dirección) (Lomax et al., 2001).
2.g. HypoDD
HypoDD es un programa de Fortran que implementa un método de doble diferencia para la ubicación
(re-localización) de terremotos (double-difference earthquake location ), el algoritmo que implementa este
software esta basado en el método propuesto por Waldhauser and Ellsworth (2000) (Waldhauser, 2001). El
método de localización incorpora los tiempos de viaje absolutos ordinarios, y la correlación entre las medi-
ciones de los tiempos de viaje de las ondas P y S. Adicionalmente, los residuos entre los valores teóricos y
medidos de los tiempos de viaje (dobles diferencias) por cada par de terremotos, son minimizados mientras
17
simultáneamente se enlaza toda la información observada por cada par de estaciones (Waldhauser & Ells-
worth, 2000). La solución obtenida al final del proceso se obtiene a partir del método iterativo de mı́nimos
cuadrados, y cuenta con un error minimizado debido a que no se requiere realizar un modelo de velocidades
ni corregir los datos por cada estación. Por otro lado, se tiene la relación entre la precisión de los datos de
la correlación entre el catálogo de eventos (distancias inter-eventos y multiplets) y los datos absolutos de
los tiempos de viaje (localización relativa entre multiplets y eventos no correlacionados) (Waldhauser &
Ellsworth, 2000).
El algoritmo para la re-localización de eventos sı́smicos (incluso la re-localización de un gran número de

terremotos) parte de la diferenciación de arribos de ondas P y S por medio de técnicas espectrales (esto
se hace a partir de un catálogo y diferencias residuales). El paso inicial para la localización de terremotos
es usar la teorı́a de rayos (ray theory) como una integral de recorrido a lo largo del rayo (Waldhauser &
Ellsworth, 2000).
Zk
Tki i
=τ + u ds (11)
i
T representa el tiempo de arribo de un terremoto i a una estación k, el terremoto i tiene un tiempo de

s
origen τ , y u es el campo de lentitud (slowness field, con unidades en m) sobre el camino del rayo ds. El
problema resultante, en donde los residuos r de un evento i están linearmente relacionados a perturbaciones
∆m debido a los parámetros hipocentrales de cada observación k (Waldhauser & Ellsworth, 2000):
∂tij
k
∆mij = drkij (12)
∂m
La ecuación de los parámetros relativos hipocentrales entre dos eventos i y j, (ecuación 12) se obtiene
de la modificación de la ecuación (2) de Waldhauser and Ellsworth (2000). El resultado de la ecuación se
obtuvo tomando la diferencia de dicha ecuación para un par de eventos. El cambio relativo de los parámetros
hipocentrales entre dichos eventos, las derivadas parciales de t con respecto a m (componentes del campo de
lentitud del rayo fuente-receptor), son expresados por ∆mij = (∆dxij , ∆dy ij , ∆dz ij , ∆dτ ij ) (Waldhauser &
Ellsworth, 2000).
18
En la ecuación 12, el residuo entre los datos observados y calculados (tobs y tcal son los tiempos observados
y calculados teóricos respectivamente) o doble diferencia esta representado por:
drkij = (tik − tjk )obs − (tik − tjk )cal (13)
Una ecuación valida para calcular el cambio en los parámetro hipocentrales entre dos terremotos i y
j se calcula derivando la ecuación 12 para un evento i (se elimina j de la ecuación, y dr para a ser r) y
seleccionando un vector de slowness apropiado (un ejemplo de esto se aprecia en la figura 11) (Waldhauser
& Ellsworth, 2000).
∂tik ∂ti
∆mi − k ∆mj = drkij (14)
∂m ∂m
Figura 11: Ejemplo del algoritmo de re-localización por medio del método de doble diferencia. Los cı́rculos
blancos y negros representan hipocentros asociados a eventos vecinos por medio de la correlación cruzada
(lı́neas solidas) o a un catálogo de eventos (lineas punteadas). Para los eventos i y j la representación de
las locaciones originales (cı́rculos blancos) y los vectores de slowness se muestran con una s (respecto a las
estaciones k y l). Adicionalmente se indican las trayectorias de los rayos con flechas, ∆x muestra el vector de
re-localización de i y j y dt es la diferencia de los tiempos de viaje entre el par de terremotos i y j observado
desde las estaciones k y l respectivamente (Waldhauser & Ellsworth, 2000).
Al combinar la ecuación 14 para todos los pares de hipocentros y todas las estaciones, se forma un sistema
19
lineal de ecuaciones:
WGm = Wd (15)
En la ecuación 15, se tiene que G es una matriz que contiene las derivadas parciales y su dimensión es de
M × 4N (M es el número de observaciones por doble diferencia, y N el número de eventos), d es el vector de
datos que contiene las dobles diferencias de la ecuación 13. El vector que contiene los cambios de los paráme-
tros hipocentrales que se desean determinar es denotado por m (vector de tamaño 4N , [∆x, ∆y, ∆z, ∆T ]T ),
y W es la matriz diagonal con los pesos de cada ecuación (Waldhauser & Ellsworth, 2000).
2.h. Estrategias de Sampleo
Importance Sampling es una estrategia que parte de la necesidad de samplear muestras con un valor x de
una distribución de interés. Dicha distribución posee una función pdf que responde a f (x), pero no es posible
tomar muestras de dicha distribución de manera directa. Importance Sampling es la acción de samplear de
diferentes distribuciones que se aproximan a la distribución f (x), las funciones pdf de estas distribuciones
responden a g(x), y estas si son posibles de evaluar (Neal., 2001). Algunas de estas estrategias son:
1. El algoritmo VEGAS funciona al acumular diferentes distribuciones de sampleo para cada uno de los
parámetros (esto se hace durante el sampleo y se realiza de manera individual para cada parámetro).
Este método es bueno para encontrar la función marginal pdf , pero es ineficiente de los parámetros de
la función están fuertemente correlacionados o son independientes (Lomax et al., 2018).
2. Metropolis o Metropolis-Hasting es un mecanismo de sampleo que consiste en una caminata aleatoria

sobre el espacio de los datos, en cada paso dado se evaluara la función de verosimilitud establecida
(likelihood ) rechazando o aceptando los valores obtenidos para el lugar del modelo espacial en el cual
se encuentra la caminata. Este método realiza un sampleo global (no se atasca en máximos globales
cuando la función posterior pdf no es muy fuerte o complicada), y tiene un buen rendimiento en los
casos de tener una función pdf posterior es mucho menor en comparación con la función pdf anterior
o prior (Lomax et al., 2018).
3. El algoritmo Neighborhood, es aplicado en problemas con alta dimensionalidad. Este algoritmo se basa
en un set de muestras de la función objetivo, las cuales sufren una partición usando el modelo Voronoi
(partición de celdas sobre cada muestra), producto de una función pdf condicional. Este modelo realiza
una caminata aleatoria sobre cada una de las celdas, generando nuevas muestras dentro de estas con
un mejor fit calculado hasta ese momento (Lomax et al., 2018).
20
4. Oct-tree es el método de sampleo rectangular que utiliza subdivisiones progresivas en un espacio tri-
dimensional, esto general una çascada”de celdas sampleadas que siguen una función pdf objetivo.Este
método de sampleo es capaz de converger de manera rápida y robusta en problemas de localización
de terremotos. Primero se toma un grupo de muestras de un grupo voluminoso de datos, de la cual se
selecciona una celda con la mayor probabilidad de localización, para luego ser divididad en 8 celdas
”hijas”, de las cuales se obtendrán 8 nuevas muestras para la función pdf .Las muestras con una alta
probabilidad son almacenadas, y se procede con la misma metodologı́a hasta un número definido de
muestras o un parámetro establecido (Lomax et al., 2018).
3. Metodologı́a
El proceso de detección de eventos sı́smicos, y su localización y relocalización fue realizado con diferentes
parámetros que deben ser tenidos en cuenta para un futuro análisis, mejoramiento de la técnica y comparación
con diferentes métodos.
3.a. Subspace Detection
En primer lugar, la construcción de la matriz contenedora de los vectores singulares obtenidos a partir
de la SVD de un catalogo de eventos padre; es hecha a partir de un procesamiento básico de filtrado y
posterior unificación de las 3 componentes de los sismómetros (Multiplexing). Este procedimiento también
es realizado en el análisis de los datos continuos, sobre el cual se espera pasar una ”ventana”que contiene
al vector singular creado, y ası́ realizar la identificación automática de los eventos sı́smicos. Dicho procesa-
miento es descrito en la sección de resultados (este procedimiento se describe con más detalle en la sección 4.b.
Para la construcción de la matriz que contiene a los vectores singulares, se utilizan los primeros 5 vectores
singulares, esperando recopilar la mayor información del evento buscado dentro de estos (el primer vector
singular tiene una alta representación al stack de la señal, mientras que el segundo vector singular represen-
ta la primera derivada del stack (Barrett & Beroza., 2014)). Dado a que la matriz de vectores singulares
depende del tamaño de la matriz A (ver figura 9), el número de vectores singulares disponibles puede ser
menor a 5; por este motivo esta previsto disminuir el número de vectores al máximo posible. Por otro lado,
es definido un threshold que determina un lı́mite de selección para un conjunto de posibles detecciones,
definiendo ası́ que eventos, por encima de este lı́mite serán seleccionados en el método de comparación de
plantillas (template matching). Este método de comparación de plantillas a partir de una matriz de vectores
singulares es llamado Subspace Detection, para el estudio actual es utilizado el método Empirical Subspace
Detection, el cual ofrece mejores resultados en la detección de eventos sı́smicos (Barrett & Beroza., 2014).
21
En comparación con el método de Subspace Detection rutinario, el procedimiento Empirical Subspace
toma una matriz de dos filas (conteniendo el stack y su primera derivada). Cada una de las filas de esta
matriz (para este caso) tienen el mismo peso (weigh), y además se normalizan. De esta manera se construye
un detector en 2D usando la SVD, que es capaz de aumentar el catalogo de eventos e identificar waveforms
solapadas (Barrett & Beroza., 2014).
3.b. Localizaciones Absolutas, Software NonLinLoc
La localización de los eventos es especificada mediante un archivo de control (input file), las especifica-
ciones de este se encuentran en la web http://alomax.free.fr/nlloc/. Para este caso, se utilizan tres funciones
principales para ejecutar la identificación de los eventos:
1. Función Vel2Grid: Esta función genera los archivos con las especificaciones del modelo 3D a partir de
un modelo de velocidades dado (para obtener más información sobre el modelo ver (Bayrakci et al.,
2013)).
2. Función grid2Time: Esta función general un archivo con los tiempos de viaje de cada uno de los
eventos a partir de un modelo 3D definido en la función Vel2Grid. Este función aplica de manera
sistemática el principio de Huygens (cada frente de onda puede ser considerado puede ser representado
por una interferencia constructiva de ondas secundarias (Shearer, 2009)), encontrando por medio de
diferencias finitas los primeros arribos de las ondas de un terremoto en un modelo de velocidades dado
(Podvin & Lecomte, 1991).
3. Función NNLoc: Esta función realiza la localización individual de cada eventos sı́smico usando un
método de sampleo Oct-tree (método de sampleo escogido para el estudio actual). Esta función pro-
porciona los archivos finales de la detección determinista no lineal.
En la tabla 1 se presentan los controles más importantes usados en la localización de NonLinLoc, dichos
controles modelan el tipo de búsqueda que realizara el programa en el modelo 3D, además de las variaciones
importantes o técnicas de calculo soportadas por el programa. El modelo de velocidades utilizado fue el
modelo 1D Estelle CROS (20130419), el cual modela la velocidad de las ondas P y S hasta 30 km (Géli
et al., 2018). Los resultados obtenidos a partir del calculo de la localización definida por la tabla 1 fueron
un total de 31 eventos sı́smicos (eventos localizados con un número mı́nimo de fases igual a 3), además de
la localización de los 85 eventos padres originales. Cada localización posee una localización, un muestreo
Oct-tree, y una función pdf respectiva.
22
Parámetros de control para NLLoc
LOCSEARCH OCT 50 50 15 0.01 50000 5000
1. OCT: Tipo de búsqueda y parametros de la localización. OCT hace referencia a la técnica de
sampleo Oct-tree.
2, 3, 4. Número inicial de celdas para la búsqueda Oct-tree en x, y y z.
5. Mı́nima longitud de un nodo para el método Oct-tree.
6.Número total de nodos para procesar.
7. Número total de muestras para el resultado final del Oct-tree.
LOCGRID 2500 1500 100 −1000 −1000 0 1.0 1.0 1.0 PROB DENSITY SAVE
1, 2, 3. Número de nodos en la dirección x, y y z.
4, 5, 6. Localización de la grilla de búsqueda respecto la ubicación geográfica (0,0,0).
7, 8, 9. Espaciamiento (en km) en la grilla en dx, dy y dz respectivamente.
10. Método estadı́stico para el calculo de la rejilla.
11. Guardar los resultados en el disco duro.
Tabla 1: Parámetros de búsqueda definidos para el software NLLoc, dichos parámetros se encuentran en un
archivo de control o Input file.
3.c. Localizaciones Relativas, Software HypoDD
La relocalización de los eventos sı́smicos es realizada mediante el uso de dos funciones principales: La
primera de ellas es ph2dt, estas función calculo los tiempos de viaje para un par de terremotos con estacio-
nes sı́smicas en común. Este calculo se realiza para garantizar la estabilidad de la solución por el método de
mı́nimos cuadrados, y garantizar una conectividad entre eventos (Waldhauser, 2012). ph2dt es una función
que debe ser ejecutada con tres archivos simultáneamente, el primero de ellos es ph2dt.inp, el cual es el
archivo de control con los parametros de calculo. En adición, se usa un archivo station.dat que contiene la
información de la red sı́smica que se esta estudiando. Finalmente, se usa un archivo phase.dat, el cual contiene
la lista de fases por cada evento que se desea identificar. Las salidas de esta función son dos archivos dt.ct
y event.dat, el primer archivo contiene el catalogo de tiempos diferenciales entre las ondas P y S, mientras
que el segundo archivo contiene el catalogo de los eventos (hipocentros calculados) (Waldhauser, 2012).
La segunda función utilizada (HypoDD) calcula los hipocentros por medio del análisis de un catalogo
de tiempos de viaje para pares de terremotos. Debido a que se busca explotar la correlación entre terre-
motos, los eventos aislados de un cluster de eventos son ignorados y no forman parte de la relocalización
23
principal (Waldhauser, 2012). HypoDD necesita de un catalogo de tiempos diferenciales (dt.ct), un ar-
chivo con hipocentros calculados (event.dat), y un archivo con la información de las estaciones de la red
estudiada (station.dat). La salida de esta función será un archivo (*.reloc) que contiene las relocalizaciones
de los eventos sı́smicos. Los parametros de control son definidos en la tabla 2, en esta tabla se muestran
los parámetros que dan una respuesta acertada dentro de un lı́mite de error definido para cada caso de estudio.
Parámetros de control para ph2dt

MINWGHT MAXDIST MAXSEP MAXNGH MINLNK MINOBS MAXOBS
0 500 10 10 8 1 50
1. Mı́nimo peso escogido.
2. Distancia máxima entre eventos y estaciones (km).
3. Separación máxima entre los hipocentros de los eventos (km).
4. Número máximo de vecinos por evento.
5. Conexiones mı́nimas para definir un vecino.
6. Número mı́nimo de conexiones entre un par guardado.
7. Número máximo de conexiones entre un par guardado.
Parámetros de control para HypoDD
NITER WTCCP WTCCS WRCC WDCC WTCTP WTCTS WRCT WDCT DAMP
5 -999 -999 -999 -999 0.01 0.05 -999 -999 33
1. Número de iteraciones para el set de parámetros.
2. 3. Peso para la correlación cruzada de la onda P y S.
4. Threshold residual para la correlación del catalogo de datos.
5, 9. Distancia máxima entre eventos bajo una correlación.
6, 7. Peso para el catalogo P y S.
8. Peso para el catalogo S.
10. Número de amortiguación (damp) para LSQR.
Tabla 2: Contenido de los archivos de control de las dos funciones principales utilizadas para la relocalización.
Los valores escogidos fueron determinados de acuerdo a las caracterı́sticas del problema. el valor -999 hace
referencia a un campo no usado en la función.
24
4. Resultados
4.a. Descripción del Set de Datos
El segmento de la NAF bajo el Mar de Mármara (MMF ) ha sido estudiado por diferentes entidades e
instituciones, entre ellas se encuentra El KOERI (Kandilli Observatory and Earthquake Research Institute),
y El Instituto Francés de Investigación para la Explotación del Mar Ifremer (Institut français de recherche
pour l’exploitation de la mer). Dichas entidades dispusieron un total de 12 OBSs (sismómetros de fondo
oceánico) sobre el suelo oceánico, y operaron desde el 15 de Abril hasta el 31 de Julio de 2011 (Batsi et al.,
2018). Los datos utilizados durante el presente estudio fueron registrados en 25 Julio de 2011 (2 horas de
datos continuos, desde las 17:59 hasta las 18:59), y usa las OBSs G01, G03, G05, G06 y K04 (ver figura 12),
las cuales rodean el cluster sı́smico de interés ubicado en el Western High, y por lo tanto poseen los datos
óptimos para realizar el estudio de autodectección y localización de eventos sı́smicos.
Figura 12: Ubicación de las OBSs en el suelo marino; en la figura se aprecia el terremoto de magnitud 5.1
M ocurrido el 25 de julio de 2011 (Western High), y la serie de aftershocks seguidos a este eventos (estrella
y puntos rojos respectivamente). Las lineas delgadas de color negro representan las fallas activas, y la linea
gruesa del mismo color muestra el perfil sı́smico realizado en 2001 durante el crucero Seismarmara (Géli et
al., 2018).
25
Los eventos padres utilizados (un total de 85 eventos) para la SVD, se obtuvieron por medio de una
selección de eventos superiores o de mejor çalidad”previamente localizados por Batsi et al (2018).
4.b. Procesamiento de los Datos
Los eventos padre previamente localizados, ası́ como los datos sı́smicos continuos del Mar de Mármara,
son procesados con un filtro digital pasa bandas (bandpass) Butterworth filter, estos se realiza por medio de
un filtro cero-fase en las direcciones de avance y retroceso. Esto permite evitar una distorsión de fase en los
datos, simultáneamente genera una función filter transfer igual al cuadrado de la magnitud de la función
filter transfer original. Después del procesamiento y filtro de los waveforms, tanto los eventos padre, como
la señal sı́smica de datos continuos se procesan mediante división de tiempo por multiplexing (TDM ). Este
proceso consiste en tomar los datos de las tres componentes de cada estación sı́smica (la señal recibida por
cada componente: X, Y, Z), y retransmitirlos por un único canal; es decir que cada dato de la señal aparece
con un patrón alternante sobre la dimensión del tiempo.
El procesamiento adicional al que se someten los eventos padre previamente localizados, consiste aplicar
una correlación cruzada para encontrar los candidatos con mayores ı́ndices de similitud dentro de un clus-
ter (este proceso es realizado por cada estación utilizada). Una vez hecho esto, se realiza nuevamente una
correlación para mejorar el grupo seleccionado para utilizarlo en la SVD. Los resultados obtenidos por cada
estación se presentan a continuación:
Estación Eventos en este grupo Eventos Seleccionados para SVD
G01 71 11
G03 39 2
G05 7 1
G06 9 1
K04 56 3
Tabla 3: Número de eventos seleccionados por cada estación, dichos eventos son seleccionados a partir de sus
ı́ndices de correlación cruzada, y un valor de cutoff estricto.
26
4.c. Resultados de la SVD, y Empirical Subspace
Una vez es definido el número de eventos sı́smicos óptimos para cada estación con el fin ejecutar la SVD,
se realiza un staking (suma de las trazas para mejorar su STN ) y selección definitiva de los eventos que se
van a utilizar para el procesamiento final; es decir la detección automática de eventos sı́smicos (ver figuras
13 y 14). Los eventos seleccionados se organizan de acuerdo al que en promedio representa más a los otros
eventos, y se calculan las derivadas de cada stack (este procedimiento se observa en la figura 9, y consiste
en la construcción de la matriz A descrita en esta figura). Con los resultados de esta selección se realiza la
Singular Value Decomposition, dicho proceso es descrito en la sección 2.c.
Los resultados más importantes de la SVD son los vectores singulares, los cuales representan el tipo de
eventos que se desean buscar. Es decir, la descomposición en forma de matriz de los eventos objetivo. En las
figuras 15 y 16, se observan, para las estaciones G01 y K04 su respectivo stack y los vectores singulares se-
leccionados para la identificación de eventos. Adicionalmente, en la tabla 4 se muestra el número de vectores
singulares para cada estación y su representatividad de estos sobre los datos (el porcentaje de los datos que
es representado por los vectores singulares seleccionados de acuerdo al tamaño de la matriz A creada para
la descomposición singular).
Representatividad de los
Estación Vectores singulares usados
vectores singulares %
G01 5 80.5796
G03 2 100
G05 2 100
G06 2 100
K04 3 100
Tabla 4: Número de vectores singulares seleccionados a partir de la SVD realizada por cada estación, cada
conjunto de vectores representan el set de datos en distintas magnitudes.
27
(a) Eventos y stack de la estación G01 (estación con el mejor STN ). De color verde se observa el stack phase-weighted, la primera y segunda
derivada del stack (el stack se muestra de color rojo) se muestran de color azul. Los eventos incluidos para el SVD se presentan de color
negro.
(b) Eventos incluidos para la estación G01
Figura 13: Selección de eventos para cada uno de los eventos padres de acuerdo a la estación G01.
28
(a) Eventos y stack de la estación K04 (segunda estación con mejores resultados). De color verde se observa el stack phase-weighted, la
primera y segunda derivada del stack (el stack se muestra de color rojo) se muestran de color azul. Los eventos incluidos para el SVD se
presentan de color negro.
(b) Eventos incluidos para la estación K04
Figura 14: Selección de eventos para cada uno de los eventos padres de acuerdo a la estación K04
29
Figura 15: Stack (de color rojo), primer vector singular (de color negro) y de azul los vectores singulares
escogidos de la descomposición singular de la estación G01, en total son 5 vectores singulares.
Figura 16: Stack (de color rojo), primer vector singular (de color negro) y de azul los vectores singulares
escogidos de la descomposición singular de la estación K04, en total son 3 vectores singulares.
El número total de eventos identificados en las dos horas de datos continuos fue de 40 (en la figura 17 se
observa de un evento sı́smico y su comparación a los parámetros de detección); los cuales fueron determinados
30
usando el método de correlación Empirical Subspace. Cada uno de los eventos debe su identificación a la
similitud entre el stack, su primera derivada y los dos primeros vectores singulares (respectivamente). Un
ejemplo de esto se observa en la figura 17, la cual muestra la similitud entre dichos parámetros y el evento
sı́smico.
Figura 17: Evento identificado usando el método de correlación Empirical Subspace, U es la matriz de vectores
singulares.
El número de eventos hijos detectados depende de la SVD, la correlación entre estos vectores y los datos
continuos, y un umbral de detección (threshold ). Este último es definido de modo tal que seleccione una
cantidad de eventos candidatos óptimos y deje afuera de la selección los eventos con bajos valores de corre-
lación. La selección de los 40 micro-sismos se llevo a cabo con un threshold de 0.1, el cual actúa como un
lı́mite para la selección de eventos candidatos. Los resultados de este proceso se observan en la figura 18.
Una vez identificados los eventos sı́smicos, se realizó el procedimiento descrito en la sección 2.c.2. Un
picking de las ondas P y S, basado en la correlación cruzada usado los picks de las ondas P y S del primer
vector singular de la estación G01. Los eventos hijos (Child Events) son guardados de acuerdo a un coefi-
ciente mı́nimo de correlación, que en este caso es de 0.55. Y un número de fases mı́nimo de tres (es decir que
deben estar registrados por lo menos en 3 estaciones). La localización de los child events se realiza de dos
maneras distintas. Primero, la localización no lineal de los eventos sı́smicos seleccionados usando el software
NonLinLoc (NLLoc). Segundo, el método de dobles diferencias usando el software de Fortran HypoDD. Am-
bos métodos son previamente descritos en las secciones 2.f y 2.g respectivamente.
31
Figura 18: Definición y ajuste de un threshold óptimo para la selección de eventos sı́smicos, este lı́mite se
define para excluir falsas detecciones del total de eventos localizados. El eje y muestra la amplitud de la
función z definida como un segmento de los datos continuos normalizados.
4.d. Resultados de las Localizaciones
Los resultados del software NonLinLoc (la localización no linear) se muestran a continuación. NLLoc
Agrupó e identificó 31 hipocentros microsı́smicos (excluyendo la localización de los eventos padre, los cuales
suman un total de 85), cada uno de ellos fue localizado con su respectivas coordenadas, datos de la ocurrencia
del evento, profundidad, y entre otros datos. Dentro de los eventos identificados, el más somero ocurrió a
0.42 km, y el más profundo ocurrió a 18.75 km.
Figura 19: Vista general de los eventos localizados por NonLinLoc, en amarillo se encuentran las localizaciones
de los eventos padres y los eventos hijos (116 eventos en total), los ejes coordenados en encuentran en el
centro de la imagen. La escala horizontal es de 500 km.
Una vista más detallada de los eventos localizados se presenta a continuación (figura 20), en esta ocasión
32
se muestra la función pdf . La cual, en su punto más alto localiza el evento de acuerdo a su probabilidad.
(a) función pdf utilizada para cada evento (padre e hijo) (b) Función pdf y localización para los eventos hijos
Figura 20: Localización de los eventos sı́smicos (amarillo). Las figuras 20a y 20b muestran en color rojo la
función pdf del total de los eventos y solo los eventos hijos respectivamente. En donde la función pdf es
mayor son ubicados los eventos (rojos mas intensos).
Los eventos padre e hijos se muestran luego de su respectiva localización sobre el Mar de Mármara (cluster
sı́smico del Western High):
Figura 21: Ubicación de los eventos detectados sobre el Mar de Mármara (Western High), los eventos padres
se muestran de color blanco, y los eventos hijos se muestran de color purpura. Las lineas en negro representan
el sistema de fallas que siguen la trayectoria de la MMF, los indicadores de color rojo muestran localizaciones
de estudios batimétricos. Imagen modificada de Burnard et al. (2012).
Una vista esquemática transversal del cluster central se puede observar a continuación.
33
Figura 22: Corte transversal del mapa en el que se muestra los eventos detectados; los eventos padres se
muestran de color azul, y los eventos hijos se muestran de color rojo.
Los resultados del software HypoDD (HDD) muestran que el número de eventos es reducido considera-
blemente, dejando un total de 82 localizaciones (un total de 34 eventos menos que en el método con NLLoc).
Esto se debe al método de localización, el cual considera la relación que tiene un evento con sus pares y como
estos pueden o no formar parte de un cluster sı́smico. Debido a la baja correlación de los eventos eliminados
(el total de los eventos hijos localizados por el método de NLLoc). A continuación se muestra la ubicación
de los eventos sı́micos sobre el Mar de Mármara después de la relocalización (figura 23).
Figura 23: Ubicación de los eventos (indicadores rosados con puntos negros) re-localizados sobre el Mar de
Mármara. Imagen modificada de Burnard et al. (2012).
A continuación se muestra un corte esquemático en el que se observa el cluster sı́smico obtenido después
34
de la relocalización. Además, se muestran los eventos hijos calculados por el método de NLLoc.
Figura 24: Ubicación de los eventos re-localizados usando HypoDD sobre el Mar de Mármara (de color azul).
los eventos hijos localizados por el método no lineal se muestran sobre la imagen de color rojo.
5. Discusión
La identificación de eventos padre óptimos para la descomposición singular SVD (figuras 13 y 14), de-
muestra la importancia de la selección de eventos sı́smicos con caracterı́sticas similares a los que se buscan.
Por otro lado, entre los parámetros que definen una identificación de eventos exitosa se encuentran: la cali-
dad de la señal recibida (ST N ), los umbrales de detección y los métodos de correlación de los eventos. No
obstante, uno de los factores más importantes, que en este caso es un agente limitante, es el arreglo de la
red sı́smica y la cantidad de estaciones que rodean la zona sı́smica (figura 12). Dado a que la caracteriza-
ción de eventos (identificación por métodos de correlación) y el número de fases que cada uno poseerá son
directamente proporcionales a la cantidad de estaciones sı́smicas y como estas rodean la zona de estudio (ya
sea por los factores que se determinan por el numero de estaciones, o la calidad de la señal de estas). Una
gran muestra de como este factor determina el número de eventos identificados se observa durante el evento
sı́smico Big Bear swarm, ocurrido del 28 de febrero de 2003. Este es mostrado como el caso de estudio de
Barrett & Beroza (2014), en el cual realizan el método de detección realizado en este estudio; a diferencia de
la red sı́smica para el Mar de Mármara, la usada en este articulo es mucho más completa y numerosa, por
este motivo la cantidad de microterremotos detectados es superior.
Una de las observaciones más importantes del resultado final de la autodetección se hace sobre el uso
de una o todas las componentes del geófono, dicha observación se hace al comparar los resultados del méto-
35
do de Subspace Detection usando la información de las tres componentes del geófono (Multiplexed ) y solo
una componente de este (z). Para este estudio, un total de 40 eventos fueron identificados en dos horas de
datos continuos; hay que recordar que se usaron las tres componentes de cada una de las OBSs ubicadas
en el Mar de Mármara (rodeando el Western high). Usando los mismos parámetros de detección se iden-
tificaron poco menos de 200 eventos potenciales para ser usados en la detección (dichos eventos no fueron
re-seleccionados usando el vector singular y los picks de las ondas P y S de la estación G01, por lo que
se espera que este número deberı́a bajar una vez realizado este proceso). La diferencia en estos resultados
no demuestra que el uso de una componente sea más efectivo que el uso de las tres componentes, esto
hace notar que las propiedades de la SVD cambian con el uso de una o tres componentes, y por lo tanto
el método de detección debe tomar en cuenta estos cambios para poder obtener los resultados que se esperan.
La diferencia entre el número de eventos identificados usando una o las tres componentes del geófono,
parte de como se construye la señal que es usada para la identificación de eventos. Al usar sólo una com-
ponente (z), la señal procesada es filtrada múltiples veces durante el procedimiento de detección. Por otro
lado, el uso de la componente vertical es asociado a este caso a una medición de la energı́a recibida (esto
se debe a la posición de la estación y la tı́pica trayectoria que una onda sı́smica). En adición, el waveform
tiene una forma menos aislada de los waveforms que se buscan, por lo tanto el umbral de detección es me-
nos estricto debido a la forma de la señal. En consecuencia, el hecho de que la forma de la señal sea más
”similar.a los eventos, permite que se incluya una cantidad de eventos elevada (pudiendo realizar un número
mayor de falsas detecciones que en el caso multiplexed ). En comparación, el método usado en este estudio
(multiplexed ), solo puede ser filtrado una vez antes de todo el procedimiento de detección (el filtrado de la
señal de las tres componentes se realiza justo antes de ser multiplexed, siempre se hace de manera indivi-
dual), por lo tanto esto debe tenerse en cuanta. Además, el proceso por el cual se unen las tres componentes
de los datos, supone que la frecuencia de los waveforms que se usaran para la localización aumentara. En
consecuencia, la señal que se usa para la identificación posee una forma exclusiva, limitando ası́ el número
de eventos identificados (esto significarı́a que el numero de falsas detecciones disminuirı́a considerablemente).
La forma de superar esta adversidad, podrı́a abarcarse desde la revisión y desarrollo de técnica de co-
rrelación de plantillas Empirical Subspace, es decir la comparación que se uso entre los vectores singulares
obtenidos, y los datos continuos de grabación sı́smica. Dicho proceso, se basa en la similitud entre el primer
vector singular, y el stack. Similarmente, analiza y compara el segundo vector singular y la derivada en
el tiempo del stack (Barrett & Beroza., 2014). La forma de los vectores singulares y del stack cambia de
manera significativa una vez es Multiplexed (ver figura 25 y 26).
36
Figura 25: Comparación entre el stack de una sola componente (z) y el caso multiplexed de la estación G01.
En la imagen puede verse como el ruido parece atenuarse, y la forma de las ondas P y S cambia entre las
dos gráficas.
Figura 26: Comparación entre el el primer vector singular de una sola componente (z) y el caso multiplexed
de la estación G01. Es posible identificar que la forma de la señal, y los cambios que esta presenta, en cada
uno de los casos es casi idéntico a lo sucedido en la figura 25. Esto se debe a que el primer vector singular,
representa el stack.
En primer lugar, se observa que en el caso en que los datos han sido multiplexed, el evento sı́smico cambia
considerablemente (su frecuencia aumenta, ası́ como la longitud del vector time samples).En consecuencia,
el waveform exilia de cierta manera al stack y al primer vector singular de la forma ”promedio”que tendrı́an
los eventos registrados en los datos continuos. Debido a esto, el umbral de detección podrı́a ser disminuido
37
(para el caso en el que se usan las tres componentes), para ası́ encontrar más eventos (esto excluirı́a un gran
número de falsas detecciones debido a la forma ”singular”de la señal) para una posterior localización. Esto
implica, que al usar los datos de las tres componentes; el método en general debe tener un lı́mite o umbral de
detecciones diferente, ası́ como un método diferente de eliminar falsas detecciones para aprovechar la forma
de la señal obtenida y recuperar el número de eventos que no están siendo reconocidos.
Una comparación del método de detección Subspace Detectión se hace con los resultados obtenidos por
Tary (2018), implementando un método distinto de match filter (ver ( Tary et al., 2018) para más detalles).
En este caso, a partir de los 85 eventos padre se localizan 1266 eventos en la secuencia obserbada despues
del terremoto de magnitud 5.1 M (25 de Julio, 2011, 17:57:21 UTC). Del total de eventos, 136 eventos son
localizados (aproximadamente 100 eventos más que el estudio actual) usando el software NonLinLoc, y relo-
calizados usando el metodo de doble diferencia (mismo metodo usado por el software HypoDD). Una sección
transversal (W -E) de la imagen 12 muestra los resultados obtenidos para la localización y relocalización e
dichos eventos (figura 27).
(a) Eventos hijos localizados por el método no lineal (b) Relocalización de eventos hijos por el método de doble di-
ferencia.
Figura 27: En la imagen 27a se observa un cluster relocalizado por el metodo de doble diferencia usando
el software NLDiffLoc para ser usado en la identificación de eventos de match filter ; el cluster se encuentra
sobre el hipocentro del terremoto principal (estrella amarilla). Por otro lado, la imagen 27b muestra que le
relocalización por doble diferencia (utilizando nuevamente el software NLDiffLoc) de los eventos padre y los
eventos hijos detectados con el match filter. La escala de color muestra el modelo de velocidades utilizado
(Tary et al., 2018).
El cluster localizado por Tary et al, (2018) se encuentra a una profundidad de 5 km aproximadamente
(ver figura 27), esta tendencia se observa en las figuras 22 y 24; en donde la mayorı́a de los eventos hijos
localizados se encuentra en esta franja de profundidades. Por otro lado, los resultados obtenidos en la locali-
zación usando el software NLLoc (figura 22) se asemejan a la figura 27a, en donde la mayorı́a de los eventos
se encuentra en una franja restringida mostrando una gran correlación. Similarmente, las re-localizaciones
de la figura 24 siguen el mismo patrón observado en la figura 27b, el cual consiste en un rompimiento”del
38
cluster, enviando una fracción de los eventos hijos lejos del cluster principal. Una posible explicación de la
sismicidad ocurrida después del terremoto de magnitud 5.1 M (cluster sı́smico mencionado), sugiere que
no solo una transferencia de stress pudo haber causado una sismicidad inducida en la zona, la presencia de
fluidos pudo haber alterado la dinámica de las fallas actuando como un detonante sı́smico (Tary et al., 2018).
Por otro lado, el uso de los métodos lineales y no lineales proveen ciertas ventajas al ser usados de forma
paralela. Entre estas, se puede observar que en el método no lineal existe una clara relación entre los eventos
padre y los eventos hijos; dicha relación permite una localización más numerosa de eventos y proponer expli-
caciones para dichos resultados; aunque es posible identificar varios eventos alejados del cluster principal que
pueden ser atribuidos a errores en el calculo de la localización, o eventos totalmente independientes de grupo
en general que se desea estudiar. Además, NLLoc provee una separación sencilla entre los eventos padres y
eventos hijos, lo cual permite identificar de manera rápida uno o varios cluster sı́smicos; esto se observa en
la figura 20b, en la cual se observa un claro cluster sı́smico que es rodeado por algunos de los eventos padres
(figura 20a).
La capacidad del método no lineal de localizar todos los eventos sı́smicos, permite relacionar la aparición
de un cluster a un evento externo a este (dado el caso de sismicidad inducida), delimitar zonas sı́smicas con
bajo número de eventos y tener un resultado fiel al total de autodetecciones realizadas. Por otro lado, este
método puede hacer que los eventos padres puedan ser confundidos con los eventos hijos, al no existir una
forma gráfica directa de separar los microterremotos de los eventos padres en el tiempo (dicha separación
debe hacerse como un proceso adicional de selección al momento de graficar los datos). En adición, El hecho
de que no se tenga en cuenta la correlación de eventos sı́smicos en la formación de clusters, implica que en el
resultado final todos los eventos tengan que ser asociados a una zona sı́smica, sin la posibilidad de eliminar
microterremotos que no tengan relación directa con el grupo en general.
El método lineal de relocalización, al eliminar eventos con un bajo ı́ndice de correlación, permite una
delimitación mucho más precisa de un cluster sı́smico que el método no lineal. De esta manera, es posible
aislar zonas sı́smicas y proponer lı́mites de manera precisa, además de una visualización de los datos centrada
en los grupos principales, y no en los eventos sı́smicos externos (dichos eventos pueden ser asociados a sismi-
cidad independiente del grupo o a errores en los cálculos de la localización de los eventos en el programa). La
posibilidad de la elección de los parámetros con los que HypoDD realizara en la localización y relocalización
de los eventos sı́smicos, permite ajustar la solución de acuerdo al tipo de datos usados en la investigación,
dejando ası́ una solución más precisa y adaptable a cada caso en particular. Se espera que al utilizar el
método de detección sobre un periodo más largo de datos continuos aumente el catalogo de eventos, y sea
39
posible identificarlos mediante ambas técnicas de localización.
Las observaciones hechas para este método, permiten observar que el número de eventos localizados es
reducido de acuerdo a la correlación entre cada evento. Por este motivo, en los casos en los que se quieran
localizar y relocalizar un número bajo microterremtos, no sera posible la identificación de un cluster, y tam-
poco sera posible relocalizar el mismo número de eventos que fue introducido en el programa (aun cuando
se tiene la certeza de que estos eventos pertenecen a un grupo). Por este motivo, este método no es efectivo
en casos en que los eventos se encuentran muy espaciados, o en casos en los que se desee correlacionar un
bajo número de eventos.
Por lo anteriormente dicho, es de vital importancia usar ambos métodos (localización-relocalización),

esto permitirá comparar la forma de los grupos de microterremotos, y evaluar si estos eventos deben ser
analizados como un grupo aislado o una zona sı́smica con influencias externas o internas.
40
6. Conclusión
El uso de las técnicas de Match Filter, especı́ficamente la implementación del procedimiento Subspa-
ce Detection (Empirical Subspace Detection), resultó en una exitosa identificación automática de eventos
sı́smicos del cluster sı́smico del Western High. La identificación por medio de la comparación de los datos
continuos registrados, y la Singular Value Decomposition realizada a un catálogo de eventos padres pre-
viamente identificados para el OBS principal de la red sı́smica utilizada, permitió identificar, localizar y
relocalizar múltiples eventos pertenecientes un cluster sı́smico, el cual puede asociarse a diferentes factores
que determinan el comportamiento sı́smico de la zona. La sismicidad, la manifestación de fluidos, y el sistema
de fallas activo forman un sistema interconectado; sistema que se rige de acuerdo al contexto tectónico entre
el lı́mite la placa de Anatolı́a y la placa Euroasiática (la falla NAF ). El segmento bajo el Mar de Mármara
de la NAF, es decir la MMF se encuentra bajo un gran stress producto de la rotación en dirección oeste de
la placa de Anatolı́a; movimiento que genera un régimen compresional de norte a oeste (Tary et al., 2011),
y por lo tanto un sistema de fallas activas a lo largo de la trayectoria de la MMF. Este sistema de fallas
producto de la interacción entre las dos placas, permite que la permeabilidad de los sedimentos sometidos a
un stress (producto del movimiento) sea lo suficientemente elevado para dejar que exista un escape de fluidos
de manera continua sobre el sistema de fallas. Este sistema de fluidos puede alterar la reologı́a y dinámica
de las fallas, pudiendo formar parte del desencadenante de la sismicidad en la zona.
Todas las observaciones realizadas se hacen a partir de la construcción de un catálogo de eventos sı́smicos,
el cual fue fabricado usando las tres componentes de cada sismómetro. Los 40 eventos extraı́dos a partir de
los datos presentan caracterı́sticas similares (baja amplitud como objetivo de la búsqueda), demostrando
que el método Subspace Detection es efectivo y funciona para casos en los que el cluster o zona sı́smica están
rodeados por un número mı́nimo aceptable de estaciones sı́smicas (el número de eventos es proporcional al
número de estaciones rodeando la nube de eventos, ası́ que este factor es un limitante para el numero de
eventos detectados y su correcta localización). Hay que mencionar, que los eventos identificados representan
un número menor del total de eventos que se esperaban identificar; esto se debe al procedimiento usado
para fusionar los datos de las tres componentes de cada OBS (Multiplexing). En consecuencia, es necesa-
rio replantear los umbrales mı́nimos de detección para ası́ contrarrestar el aislamiento de la señal sintética
(SVD) de los waveforms que se desean encontrar. No obstante, no se descarta la posibilidad de utilizar otro
método para unificar los datos impidiendo la exclusión de múltiples eventos y realizando un número menor
de detecciones falsas.
Todos los eventos que fueron auto-detectados partieron de un mı́nimo de fases de arribos de ondas P y S
41
identificadas manualmente de cada uno de los vectores singulares (el primer vector singular de cada estación,
por cada SVD) obtenidos. Como se mencionó anteriormente, el número de estaciones rodeando la zona de
interés siempre será un limitante determinante en la identificación y localización de eventos. Dicho de otra
manera, este no es un factor que pueda ser mejorado mediante una técnica de programación o mediante un
método matemático (hasta ahora); ası́ que para este caso el número mı́nimo de fases por cada evento fue de
3 (un número de fases más alto siempre proporcionara una localización más precisa, mientras que un número
menor podrı́a proporcionar una localización poco confiable). De manera que, los resultados de la localización
determinista (método no lineal), y la localización por medio de doble diferencia (método lineal) están liga-
dos a la recolección automática de fases de cada evento. Los resultados del método determinista muestran
una visualización general de los eventos registrados (un número mayor de localizaciones que el método de
doble diferencia), y permiten proponer o rechazar una posible interacción con eventos exteriores al cluster.
En contraste con el método lineal, que elimina a los eventos que tienen una baja correlación con el cluster
en general, lo que permite una observación centrada en eventos cercanamente correlacionados, permitiendo
ubicar clusters sı́smicos de manera precisa.
En conclusión, el método de Subspace Detection es efectivo en la identificación automática de eventos

sı́smicos, este proceso estará determinado por el número de estaciones rodeando el cluster sı́smico, y la manera
en que la señal es unificada. Similarmente, el número y precisión de las localizaciones (y relocalizaciones)
dependerá del número de estaciones rodeando a la zona sı́smica, y la calidad de la señal ST N .
42
Referencias
Ambraseys, N. N., & Jackson, J. A. (2000). Seismicity of the Sea of Marmara (Turkey) since 1500. Geophysical
Journal International, 141(3), F1-F6.
Bancroft, J. C. (2002). Introduction to matched filters. CREWES Research.
Bai, C. Y., Kennett, B. L. N. (2000). Automatic phase-detection and identification by full use of a single
three-component broadband seismogram. Bulletin of the Seismological Society of America, 90(1), 187-198.
Barka, A. (1999). The 17 august 1999 Izmit earthquake. Science, 285(5435), 1858-1859.
Barrett, S. A., & Beroza, G. C. (2014). An empirical approach to subspace detection. Seismological Research
Letters, 85(3), 594-600.
Batsi, E., Lomax, A., Tary, J. B., Klingelhoefer, F., Riboulot, V., Murphy, S., ... Cifçi, G. (2018). An Alter-
native View of the Microseismicity along the Western Main Marmara Fault. Bulletin of the Seismological
Society of America, 108(5A), 2650-2674.
Bayrakci, G., Laigle, M., Bécel, A., Hirn, A., Taymaz, T., Yolsal-Çevikbilen, S., Team, S. (2013). 3-D
sediment-basement tomography of the Northern Marmara trough by a dense OBS network at the nodes
of a grid of controlled source profiles along the North Anatolian fault. Geophysical Journal International,
194(3), 1335-1357.
Bormann, P., Saul, J. (2009). Earthquake magnitude. In Encyclopedia of Complexity and Systems Science
(pp. 2473-2496). Springer, New York, NY.
Burnard, P., Bourlange, S., Henry, P., Geli, L., Tryon, M. D., Natal’In, B., ... Çagatay, M. N. (2012).
Constraints on fluid origins and migration velocities along the Marmara Main Fault (Sea of Marmara,
Turkey) using helium isotopes. Earth and Planetary Science Letters, 341, 68-78.
Castro, L. R., Castro, S. M. (1995). Wavelets y sus Aplicaciones. In I Congreso Argentino de Ciencias de la
Computación.
Çağatay, M. N., Uçarkuş, G., & Alpar, B. (2016). Geology and Morphotectonics of Sea of Marmara. The
Sea of, 209.
Chen, C., & Holland, A. A. (2016). PhasePApy: A robust pure Python package for automatic identification
of seismic phases. Seismological Research Letters, 87(6), 1384-1396.
43
Chiggiato, J., Jarosz, E., Book, J. W., Dykes, J., Torrisi, L., Poulain, P. M., ... & Beşiktepe, Ş. (2012).
Dynamics of the circulation in the Sea of Marmara: numerical modeling experiments and observations
from the Turkish straits system experiment. Ocean Dynamics, 62(1), 139-159.
Dougherty, E. R. (1990). Probability and statistics for the engineering, computing, and physical sciences.
Prentice-Hall, Inc..
Dupré, S., Scalabrin, C., Grall, C., Augustin, J. M., Henry, P., Şengör, A. C., ... & Géli, L. (2015). Tectonic
and sedimentary controls on widespread gas emissions in the Sea of Marmara: Results from systematic,
shipborne multibeam echo sounder water column imaging. Journal of Geophysical Research: Solid Earth,
120(5), 2891-2912.
Erdogmus, D., Agrawal, R., & Principe, J. C. (2005). A mutual information extension to the matched filter.
Signal Processing, 85(5), 927-935.
Geli, L., Henry, P., Grall, C., Tary, J. B., Lomax, A., Batsi, E., ... & Sengör, A. M. C. (2018). Gas and
seismicity within the Istanbul seismic gap. Scientific reports, 8(1), 6819.
Géli, L., Henry, P., Zitter, T., Dupré, S., Tryon, M., Çağatay, M. N., ... & Natalin, B. (2008). Gas emissions
and active tectonics within the submerged section of the North Anatolian Fault zone in the Sea of Marmara.
Earth and Planetary Science Letters, 274(1-2), 34-39.
Harris, D. (2006). Subspace Detectors: Theory, Lawrence Livermore National Laboratory Report UCRL-TR-
222758.
Hopcroft J. (2008) Computer Science in the Information Age. In: Preparata F.P., Wu X., Yin J. (eds)
Frontiers in Algorithmics. FAW 2008. Lecture Notes in Computer Science, vol 5059. Springer, Berlin,
Heidelberg
Joswig, M. (1990). Pattern recognition for earthquake detection. Bulletin of the Seismological Society of
America, 80(1), 170-186.
Le Pichon, X., Şengör, A. M. C., Demirbağ, E., Rangin, C., Imren, C., Armijo, R., ... & Saatçılar, R. (2001).
The active main Marmara fault. Earth and Planetary Science Letters, 192(4), 595-616.
Lomax, Anthony & Michelini, Alberto & Curtis, Andrew. (2018). Earthquake Location, Direct, Global-
SearchMethods.
Lomax, A., Satriano, C., & Vassallo, M. (2012). Automatic picker developments and optimization: Fil-
terPicker—A robust, broadband picker for real-time seismic monitoring and earthquake early warning.
Seismological Research Letters, 83(3), 531-540.
44
Lomax, A., Zollo, A., Capuano, P., & Virieux, J. (2001). Precise, absolute earthquake location under Som-
ma–Vesuvius volcano using a new three-dimensional velocity model. Geophysical Journal International,
146(2), 313-331.
Lomax, A., & Michelini, A. (2001). Comparison of NonLinLoc and linear earthquake locations in a 3D model.
Maceira, M., Rowe, C. A., Beroza, G., & Anderson, D. (2010). Identification of low-frequency earthquakes
in non-volcanic tremor using the subspace detector method. Geophysical Research Letters, 37(6).
McClusky, S., Balassanian, S., Barka, A., Demir, C., Ergintav, S., Georgiev, I., ... & Kastens, K. (2000).
Global Positioning System constraints on plate kinematics and dynamics in the eastern Mediterranean
and Caucasus. Journal of Geophysical Research: Solid Earth, 105(B3), 5695-5719.
McHugh, C. M., Seeber, L., Cormier, M. H., Dutton, J., Cagatay, N., Polonia, A., ... & Gorur, N. (2006).
Submarine earthquake geology along the North Anatolia Fault in the Marmara Sea, Turkey: a model for
transform basin sedimentation. Earth and Planetary Science Letters, 248(3-4), 661-684.
Morioka, H., Kumagai, H., & Maeda, T. (2017). Theoretical basis of the amplitude source location method
for volcano-seismic signals. Journal of Geophysical Research: Solid Earth, 122(8), 6538-6551.
Neal, R. M. (2001). Annealed importance sampling. Statistics and computing, 11(2), 125-139.
Plafker, G., Galloway, J. P., & Bennett, M. J. (1989). Lessons learned from the Loma Prieta, California,
earthquake of October 17, 1989 (Vol. 1045). US Government Printing Office.
Podvin, P., & Lecomte, I. (1991). Finite difference computation of traveltimes in very contrasted velocity
models: a massively parallel approach and its associated tools. Geophysical Journal International, 105(1),
271-284.
Presti, D., Orecchio, B., Falcone, G., & Neri, G. (2008). Linear versus non-linear earthquake location and
seismogenic fault detection in the southern Tyrrhenian Sea, Italy. Geophysical Journal International,
172(2), 607-618.
Richter, Charles F. (1935) An instrumental earthquake magnitude scale. Bulletin of the Seismological Society
of America, 25 (1). pp. 1-32. ISSN 0037-1106.
Rodriguez, I. V. (2011). Automatic time-picking of microseismic data combining STA/LTA and the stationary
discrete wavelet transform. In CSPG CSEG CWLS Convention, convention abstracts.
Sambridge, M. S. (1986). Earthquake location viewed as an inverse problem. In Workshop on Inverse Pro-
blems (pp. 95-114). Centre for Mathematics and its Applications, Mathematical Sciences Institute, The
Australian National University.
45
Sarı, E., & Çağatay, M. N. (2006). Turbidites and their association with past earthquakes in the deep Çınarcık
Basin of the Marmara Sea. Geo-Marine Letters, 26(2), 69.
Sharma, B. K., Kumar, A., & Murthy, V. M. (2010). Evaluation of seismic events detection algorithms.
Journal of the Geological Society of India, 75(3), 533-538.
Schmittbuhl, J., Karabulut, H., Lengliné, O., & Bouchon, M. (2016). Seismicity distribution and locking
depth along the Main Marmara Fault, Turkey. Geochemistry, Geophysics, Geosystems, 17(3), 954-965.
Shearer, P. (2009). Introduction to Seismology. Cambridge: Cambridge University Press, ISBN:

9780511579363
Shearer, P. M. (1994). Global seismic event detection using a matched filter on long-period seismograms.
Journal of Geophysical Research: Solid Earth, 99(B7), 13713-13725.
Sinn, C., & Schlemmer, M. (2014). Aegeis–deep structure slab rollback in the Mediterranean.
Sorlien, C. C., Akhun, S. D., Seeber, L., Steckler, M. S., Shillington, D. J., Kurt, H., ... & İmren, C. (2012).
Uniform basin growth over the last 500 ka, North Anatolian Fault, Marmara Sea, Turkey. Tectonophysics,
518, 1-16.
Stein, S. and M. Wysession, (2009). An Introduction to Seismology, Earthquakes, and Earth Structure,
Wiley-Blackwell Publishing, ISBN: 978-1-4443-1131-0.
Tary, J. B., Géli, L., Henry, P., Natalin, B., Gasperini, L., Çomoğlu, M., ... & Bardainne, T. (2011). Sea-
bottom observations from the western escarpment of the Sea of Marmara. Bulletin of the Seismological
Society of America, 101(2), 775-791.
Tary, J. B., et al. Improved detection and Coulomb stress computations for gas-related, shallow seismicity,
in the Western Sea of Marmara. Submited to EPSL.
Trnkoczy, A. (1999). Topic Understanding and parameter setting of STA/LTA trigger algorithm. New manual
of seismological observatory practice, 2.
Turino, C., Scafidi, D., Eva, E., & Solarino, S. (2009). Inferences on active faults at the Southern Alps–Liguria
basin junction from accurate analysis of low energy seismicity. Tectonophysics, 475(3-4), 470-479.
Waldhauser, F. (2012). hypoDD–A Program to Compute Double-Difference Hypocenter Locations (hypoDD

version 2.1b - 06/2012). US Geol. Surv. Open File Rep., 01, 113.
Waldhauser, F. (2001). hypoDD–A Program to Compute Double-Difference Hypocenter Locations (hypoDD

version 1.0-03/2001). US Geol. Surv. Open File Rep., 01, 113.
46
Waldhauser, F., & Ellsworth, W. L. (2000). A double-difference earthquake location algorithm: Method and
application to the northern Hayward fault, California. Bulletin of the Seismological Society of America,
90(6), 1353-1368.
Walsh, B., Jolly, A. D., & Procter, J. (2017). Calibrating the amplitude source location (ASL) method by
using active seismic sources: An example from Te Maari volcano, Tongariro National Park, New Zealand.
Geophysical Research Letters, 44(8), 3591-3599.
Walter, F., Burtin, A., McArdell, B. W., Hovius, N., Weder, B., & Turowski, J. M. (2017). Testing seismic
amplitude source location for fast debris-flow detection at Illgraben, Switzerland. Natural Hazards and
Earth System Sciences, 17(6), 939-955.
Wong, J., Han, L., Bancroft, J., & Stewart, R. (2009). Automatic time-picking of first arrivals on noisy
microseismic data. CSEG. 0 0.2 0.4 0.6 0.8, 1(1.2), 1-4.
Zitter, T. A. C., Henry, P., Aloisi, G., Delaygue, G., Çagatay, M. N., De Lepinay, B. M., ... & Wallmann, K.
(2008). Cold seeps along the main Marmara Fault in the Sea of Marmara (Turkey). Deep Sea Research
Part I: Oceanographic Research Papers, 55(4), 552-570.
47

Subspace Detection de La Microsismicidad en El Mar de M Armara

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Subspace Detection de La Microsismicidad en El Mar de M Armara

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE CIENCIAS

Subspace Detection de la Microsismicidad en el Mar de Mármara

Eduardo Camilo De La Hoz Lozano

La interpretación de la microsismicidad depende altamente en la precisión de localizar un terremoto, y

La sismicidad, la manifestación de fluidos, y el sistema de fallas activo forman un sistema interconectado.

1.a.1. Objetivo General

1.a.2. Objetivos Especı́ficos

Aplicar un proceso de selección de fases basado en la búsqueda automática (autopicking) y en la

Resolver el problema de localización de terremotos usando el método de búsqueda determinista para

2.a. Métodos Clásicos de Detección

2.b. Match Filter Technique

S(∆, T, ez ) = BP [ai (t)], ej (4)

2.c. Subspace Detection

2.c.1. Procedimiento Subspace Detection

2.d. Localización de Eventos Sı́smicos

El estudio de la sismotectónica esta directamente relacionado con la correcta interpretación de la distri-

2.e. Localización Probabilı́stica

F (d, m) = δ[d − f (m)]µ(m) (6)

p(d)F (d, m)p(m)

En la ecuación 9, K es un factor de normalización, ρ(x) contiene la información de parámetros (prior

NonLinLoc resuelve de 2 maneras distintas el problema de la localización de un terremoto (ecuación 9).

El algoritmo para la re-localización de eventos sı́smicos (incluso la re-localización de un gran número de

T representa el tiempo de arribo de un terremoto i a una estación k, el terremoto i tiene un tiempo de

drkij = (tik − tjk )obs − (tik − tjk )cal (13)

2.h. Estrategias de Sampleo

2. Metropolis o Metropolis-Hasting es un mecanismo de sampleo que consiste en una caminata aleatoria

3.a. Subspace Detection

3.b. Localizaciones Absolutas, Software NonLinLoc

3.c. Localizaciones Relativas, Software HypoDD

Parámetros de control para ph2dt

4.a. Descripción del Set de Datos

4.b. Procesamiento de los Datos

Estación Eventos en este grupo Eventos Seleccionados para SVD

(b) Eventos incluidos para la estación G01

(b) Eventos incluidos para la estación K04

4.d. Resultados de las Localizaciones

Por lo anteriormente dicho, es de vital importancia usar ambos métodos (localización-relocalización),

En conclusión, el método de Subspace Detection es efectivo en la identificación automática de eventos

Bancroft, J. C. (2002). Introduction to matched filters. CREWES Research.

Shearer, P. (2009). Introduction to Seismology. Cambridge: Cambridge University Press, ISBN:

Waldhauser, F. (2012). hypoDD–A Program to Compute Double-Difference Hypocenter Locations (hypoDD

Waldhauser, F. (2001). hypoDD–A Program to Compute Double-Difference Hypocenter Locations (hypoDD

También podría gustarte