Clasificación de la sismicidad del volcán Galeras mediante redes neuronales artificiales tipo Transformer

Estudiante: Chapid Vela, Daniel Esteban Y Asesor: Cadena Ibarra, Oacar Ernesto (2026) Clasificación de la sismicidad del volcán Galeras mediante redes neuronales artificiales tipo Transformer. Project Report. Universidad de Nariño, Universidad de Nariño.

	Text ACTA DE GRADO DANIEL CHAPID (1)-1.pdf Download (279kB)
	Text Presentación-trabajo de Grado Daniel Chaid.pdf Download (2MB)
	Text Trabajo de grado.pdf Download (7MB)

Resumen

La clasificación automática de sismicidad volcánica es un problema relevante en el monitoreo de sistemas activos, especialmente cuando se dispone de catálogos limitados y con un fuerte desbalance entre clases. En este trabajo se evalúa la capacidad de una arquitectura basada en Transformer, específicamente TabPFN, para clasificar diferentes tipos de sismos registrados en el volcán Galeras (Nariño, Colombia). Para ello, siguiendo las etapas del ciclo de vida de Machine Learning, se desarrolló un flujo de trabajo que integró la extracción de características, la construcción de conjuntos experimentales y la evaluación del modelo bajo cuatro escenarios: un entorno nativo desbalanceado, un contexto balanceado sin la clase minoritaria tornillo (TOR), un enfoque de aumento de datos con ruido instrumental y una estrategia de compensación mediante ponderación probabilística. Los resultados muestran que el modelo alcanza un desempeño global cercano al 89,64 % de exactitud en el escenario nativo, con un F1-Score Macro de 89,83 %. En el análisis por categorías, se registraron valores de F1-Score promedio de 95,9 % para tremor (TRE), indicando el mejor comportamiento; 84,5 % para largo periodo (LP), evidenciando la mayor dificultad de discriminación; 88,4 % para volcano-tectónico (VT), mostrando un desempeño intermedio en la clasificación de este tipo de sismo; y 90,5 % para tornillo (TOR), a pesar de representar una fracción muy pequeña del catálogo. Para mitigar el marcado desbalance de esta última clase, se evaluaron dos estrategias de compensación. Por un lado, el aumento de datos mediante inyección de ruido instrumental introdujo un sobreajuste perjudicial, ya que alteró la morfología original de las señales y degradó la clasificación general. Por otro lado, el ajuste probabilístico del operador de decisión demostró ser una alternativa metodológicamente más estable, permitiendo calibrar la sensibilidad del modelo hacia este evento premonitorio sin contaminar el espacio de representación. En conjunto, los resultados indican que TabPFN constituye una alternativa robusta y viable para la clasificación automática de sismicidad volcánica en contextos con pocos datos y clases severamente desbalanceadas. En la sustentación los pares evaluadores fueron Jorge López Melo y Jaime Mauricio Bacca

Tipo de Elemento:	Monografía (Project Report)
Palabras Clave:	sismicidad volcanica, clasificacion automatica, TabPFN, ciclo de vida de machine learning, aprendizaje en contexto, volcan Galeras
Asunto:	Q Ciencias > Q Science (General) Q Ciencias > QC Physics
Division:	Facultad de Ciencias Exactas y Naturales > Programa de Física > Trabajos de grado
Depósito de Usuario:	Prof. Yithsbey / Y. Giraldo
Fecha Deposito:	21 Aug 2026 20:15
Ultima Modificación:	21 Aug 2026 20:15
URI:	http://sired.udenar.edu.co/id/eprint/19419

Ver Elemento