Redes prototípicas multimodales físicamente interpretables para la clasificación de señales sismo-volcánicas mediante aprendizaje con pocos ejemplos
Introducción: Este artículo es producto de la tesis doctoral “Caracterización y clasificación de señales sismo-volcánicas mediante técnicas de inteligencia artificial y análisis de datos”, realizada en la Universidad del Cauca (2022–2026).
Problema: El monitoreo sísmico en tiempo real requiere un proceso de clasificación rápido y preciso de diversos tipos de eventos para evaluar la actividad volcánica y así activar posibles alertas tempranas. Sin embargo, este campo enfrenta un cuello de botella operativo fundamental: en un volcán recientemente instrumentado, las redes de monitoreo registran distintos tipos de sismos con un volumen de datos inferior al requerido por los clasificadores estándar de aprendizaje profundo, los cuales necesitan cientos o miles de muestras etiquetadas para lograr un desempeño adecuado.
Objetivo: Para superar el problema de escasez de datos, desarrollamos y evaluamos una Red Prototípica Multimodal (MPN) diseñada para mantener un buen desempeño de clasificación incluso cuando los datos etiquetados son extremadamente limitados.
Metodología: Nuestro enfoque fusiona las incrustaciones visuales CLIP ViT-B/32 extraídas directamente de espectrogramas sísmicos con un vector descriptor tabular de 19 dimensiones basado en las características físicas de las señales objeto de estudio. Esta entrada multimodal se procesa mediante una estrategia de conjunto de cinco pliegues impulsada por la pérdida focal. El modelo se evaluó rigurosamente utilizando el conjunto de datos del Complejo Volcánico Chiles-Cerro Negro (CCNVC), categorizando tres clases de señales distintas: eventos Volcánico-Tectónicos (VT), de Largo Período (LP) y de Muy Largo Período (VLP).
Resultados: Bajo supervisión completa (6,366 muestras etiquetadas), la MPN logró un desempeño excepcional con una precisión equilibrada del 98.73% y un AUC ROC del 99.89%. Fundamentalmente, en un escenario de aprendizaje con pocos ejemplos, con solo 33 formas de onda etiquetadas (14 VT, 14 LP y 5 VLP), el modelo mantuvo una precisión equilibrada altamente robusta del 85.27% y un AUC ROC del 95.36%. Además, el análisis de consistencia física confirmó que las decisiones de la red están impulsadas por la morfología espectral (correlación amplitud–geometría, r = 0.248) en lugar de la simple geometría de amplitud, lo que se alinea con la física esperada de los mecanismos de origen volcánico.
Conclusión: Estos hallazgos establecen la transferencia intermodal a partir del preentrenamiento a gran escala de visión y lenguaje como una estrategia altamente viable y físicamente consistente para entornos de monitoreo volcánico con escasez de datos etiquetados.
Originalidad: En lugar de basarse únicamente en estadísticas de formas de onda sin procesar o en aprendizaje profundo estándar, este trabajo combina de manera única modelos fundacionales (CLIP) con estrictas restricciones tabulares basadas en características físicas para resolver el problema específico del etiquetado con pocos ejemplos inherente a la vulcanología operativa.
Limitaciones: Si bien el desempeño con pocos datos etiquetados es destacado, no se probó el límite inferior absoluto de los requisitos de etiquetado (por ejemplo, menos de cinco muestras de VLP). Además, la consistencia física del modelo está ligada a los mecanismos específicos de origen de los eventos VT, LP y VLP en el CCNVC; aplicar este marco multimodal a señales con mayor superposición (como eventos híbridos o tremores) podría requerir recalibrar el vector tabular con base en la física de esas señales.
Cómo citar
Licencia
Derechos de autor 2026 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
[1] J. Martí, “From rest to eruption: How we should anticipate volcanic eruptions,” npj Natural Hazards, vol. 1, Art. no. 31, 2024, doi: https://doi.org/10.1038/s44304-024-00033-8. [Online]. Available: https://www.nature.com/articles/s44304-024-00033-8 DOI: https://doi.org/10.1038/s44304-024-00033-8
[2] K. I. Konstantinou, “A review of the source characteristics and physical mechanisms of very long period (VLP) seismic signals at active volcanoes,” Surveys in Geophysics, vol. 45, no. 1, pp. 117–149, 2024, doi: https://doi.org/10.1007/s10712-023-09800-0. [Online]. Available: https://link.springer.com/article/10.1007/s10712-023-09800-0 DOI: https://doi.org/10.1007/s10712-023-09800-0
[3] B. A. Chouet and R. S. Matoza, “A multi-decadal view of seismic methods for detecting precursors of magma movement and eruption,” Journal of Volcanology and Geothermal Research, vol. 252, pp. 108–175, 2013, doi: https://doi.org/10.1016/j.jvolgeores.2012.11.013. [Online]. Available: https://doi.org/10.1016/j.jvolgeores.2012.11.013 DOI: https://doi.org/10.1016/j.jvolgeores.2012.11.013
[4] I. W. McBrearty and P. Segall, “Deep learning forecasts caldera collapse events at Kīlauea Volcano,” arXiv, Art. no. 2404.19351, 2024, doi: https://doi.org/10.48550/arXiv.2404.19351. [Online]. Available: https://arxiv.org/abs/2404.19351
[5] G. F. Manley, T. A. Mather, D. M. Pyle, D. A. Clifton, M. Rodgers, G. Thompson, and J. M. Londoño, “A deep active learning approach to the automatic classification of volcano-seismic events,” Frontiers in Earth Science, vol. 10, Art. no. 807926, 2022, doi: https://doi.org/10.3389/feart.2022.807926. DOI: https://doi.org/10.3389/feart.2022.807926
[6] J. P. Canario, M. Curilem, G. Fuentealba, G. Acuña, M. Chacón, M. S. Khan, and N. Becerra Yoma, “Adaptive classification using incremental learning for seismic-volcanic signals with concept drift,” Journal of Volcanology and Geothermal Research, vol. 413, Art. no. 107211, 2021, doi: https://doi.org/10.1016/j.jvolgeores.2021.107211. [Online]. Available: https://doi.org/10.1016/j.jvolgeores.2021.107211 DOI: https://doi.org/10.1016/j.jvolgeores.2021.107211
[7] P. Rey-Devesa, J. Carthy, M. Titos, J. M. Ibáñez, and C. Benítez, “Universal machine learning approach to volcanic eruption forecasting using seismic features,” Frontiers in Earth Science, vol. 12, Art. no. 1342468, 2024, doi: https://doi.org/10.3389/feart.2024.1342468. [Online]. Available: https://www.frontiersin.org/articles/10.3389/feart.2024.1342468 DOI: https://doi.org/10.3389/feart.2024.1342468
[8] M. Lara, M. Londoño, G. P. Cortés, and J. F. Pacheco, “The Chiles-Cerro Negro volcanic complex seismic crisis (2013–2015): Evolution and implications for volcanic hazard assessment,” Boletín de Geología, vol. 38, no. 1, pp. 67–84, 2016, doi: https://doi.org/10.18273/re
[9] Servicio Geológico Colombiano, “Boletines mensuales de actividad del Complejo Volcánico Chiles-Cerro Negro,” Bogotá, Colombia: Servicio Geológico Colombiano, 2024. [Online]. Available: https://www2.sgc.gov.co/Publicaciones/Informes%20tcnicos/Forms/AllItems.aspx
[10] J. Carthy, M. Titos, F. Cannavó, L. Zuccarello, and C. Benítez, “Learning feature representations from unlabeled data for volcano-seismic event classification,” Journal of Volcanology and Geothermal Research, vol. 445, Art. no. 107970, 2024, doi: https://doi.org/10.1016/j.jvolgeores.2023.107970. [Online]. Available: https://doi.org/10.1016/j.jvolgeores.2023.107970 DOI: https://doi.org/10.1016/j.jvolgeores.2023.107970
[11] A. Radford et al., “Learning transferable visual models from natural language supervision,” in Proc. 38th International Conference on Machine Learning (ICML), vol. 139, 2021, pp. 8748–8763. [Online]. Available: https://proceedings.mlr.press/v139/radford21a.html
[12] K. He, X. Chen, S. Xie, Y. Li, P. Dollár, and R. Girshick, “Masked autoencoders are scalable vision learners,” in Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 16000–16009, doi: https://doi.org/10.1109/CVPR52688.2022.01553. [Online]. Available: https://doi.org/10.1109/CVPR52688.2022.01553 DOI: https://doi.org/10.1109/CVPR52688.2022.01553
[13] Y. Zhao, B. Chai, L. Shuo, Z. Li, H. Wu, and T. Wang, “Few-shot learning for seismic facies segmentation via prototype learning,” Geophysics, vol. 88, no. 3, pp. IM41–IM49, 2023, doi: https://doi.org/10.1190/geo2022-0281.1. [Online]. Available: https://doi.org/10.1190/geo2022-0281.1 DOI: https://doi.org/10.1190/geo2022-0281.1
[14] F. Münchmeyer, A. Bizzarri, J. P. Ampuero, and U. Leser, “Which picker fits my data? A quantitative evaluation of deep learning-based seismic pickers,” Journal of Geophysical Research: Solid Earth, vol. 127, no. 1, Art. no. e2021JB023499, 2022, doi: https://doi.org/10.1029/2021JB023499. DOI: https://doi.org/10.1029/2021JB023499
[15] M. Titos, A. Bueno, L. García, C. Benítez, and J. M. Ibáñez, “A deep neural networks approach to automatic recognition systems for volcano-seismic events,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 11, no. 5, pp. 1533–1544, 2018, doi: https://doi.org/10.1109/JSTARS.2018.2803198. DOI: https://doi.org/10.1109/JSTARS.2018.2803198
[16] K. I. Konstantinou and V. Schlindwein, “Nature, wavefield properties and source mechanism of volcanic tremor: A review,” Journal of Volcanology and Geothermal Research, vol. 119, no. 1–4, pp. 161–188, 2003, doi: https://doi.org/10.1016/S0377-0273(02)00311-6. DOI: https://doi.org/10.1016/S0377-0273(02)00311-6
[17] M. Curilem, F. Huenupan, D. Beltrán, C. San Martín, G. Fuentealba, L. Franco, C. Cardona, G. Acuña, M. Chacón, M. S. Khan, and N. Becerra Yoma, “Pattern recognition applied to seismic signals of Llaima Volcano (Chile): An evaluation of station-dependent classifiers,” Journal of Volcanology and Geothermal Research, vol. 315, pp. 15–27, 2016, doi: https://doi.org/10.1016/j.jvolgeores.2016.02.006. [Online]. Available: https://doi.org/10.1016/j.jvolgeores.2016.02.006 DOI: https://doi.org/10.1016/j.jvolgeores.2016.02.006
[18] M. Mousavi and G. C. Beroza, “Deep-learning seismology,” Science, vol. 377, no. 6607, pp. 384–388, 2022, doi: https://doi.org/10.1126/science.abm4470. [Online]. Available: https://doi.org/10.1126/science.abm4470 DOI: https://doi.org/10.1126/science.abm4470
[19] S. M. Mousavi, Y. Sheng, W. Zhu, and G. C. Beroza, “STanford earthquake dataset (STEAD): A global data set of seismic signals for AI,” IEEE Access, vol. 7, pp. 179464–179476, 2019, doi: https://doi.org/10.1109/ACCESS.2019.2947848. [Online]. Available: https://doi.org/10.1109/ACCESS.2019.2947848 DOI: https://doi.org/10.1109/ACCESS.2019.2947848
[20] R. B. Aster, B. Borchers, and C. H. Thurber, Parameter Estimation and Inverse Problems, 3rd ed. Amsterdam, The Netherlands: Elsevier, 2018, doi: https://doi.org/10.1016/C2009-0-61134-X. [Online]. Available: https://www.sciencedirect.com/book/9780123850485/parameter-estimation -and-inverse-problems
[21] P. M. Shearer, Introduction to Seismology, 3rd ed. Cambridge, U.K.: Cambridge University Press, 2019, doi: https://doi.org/10.1017/9781316877111. [Online]. Available: https://www.cambridge.org/highereducation/books/introduction-to-seismology/C1471C1B553C05997E2BC7EB26D4C26D
[22] C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006. [Online]. Available: https://link.springer.com/book/9780387310732
[23] D. P. Kingma and M. Welling, “Auto-encoding variational Bayes,” in Proc. International Conference on Learning Representations (ICLR), 2014, doi: https://doi.org/10.48550/arXiv.1312.6114. [Online]. Available: https://arxiv.org/abs/1312.6114
[24] G. Carleo et al., “Machine learning and the physical sciences,” Reviews of Modern Physics, vol. 91, no. 4, Art. no. 045002, 2019, doi: https://doi.org/10.1103/RevModPhys.91.045002. [Online]. Available: https://doi.org/10.1103/RevModPhys.91.045002 DOI: https://doi.org/10.1103/RevModPhys.91.045002
[25] J. Snell, K. Swersky, and R. Zemel, “Prototypical networks for few-shot learning,” in Advances in Neural Information Processing Systems, vol. 30, 2017, pp. 4077–4087, doi: https://doi.org/10.48550/arXiv.1703.05175. [Online]. Available: https://arxiv.org/abs/1703.05175
[26] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” in Proc. IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017, pp. 2980–2988, doi: https://doi.org/10.1109/ICCV.2017.324. [Online]. Available: https://doi.org/10.1109/ICCV.2017.324 DOI: https://doi.org/10.1109/ICCV.2017.324
[27] O. Vinyals, C. Blundell, T. Lillicrap, K. Kavukcuoglu, and D. Wierstra, “Matching networks for one-shot learning,” in Advances in Neural Information Processing Systems, vol. 29, 2016, pp. 3630–3638, doi: https://doi.org/10.48550/arXiv.1606.04080. [Online]. Available: https://arxiv.org/abs/1606.04080
[28] A. Dosovitskiy et al., “An image is worth 16 × 16 words: Transformers for image recognition at scale,” in Proc. International Conference on Learning Representations (ICLR), 2021, doi: https://doi.org/10.48550/arXiv.2010.11929. [Online]. Available: https://arxiv.org/abs/2010.11929
[29] C. Finn, P. Abbeel, and S. Levine, “Model-agnostic meta-learning for fast adaptation of deep networks,” in Proc. 34th International Conference on Machine Learning (ICML), vol. 70, 2017, pp. 1126–1135, doi: https://doi.org/10.48550/arXiv.1703.03400. [Online]. Available: https://arxiv.org/abs/1703.03400
[30] M. Long, Y. Cao, J. Wang, and M. I. Jordan, “Learning transferable features with deep adaptation networks,” in Proc. 32nd International Conference on Machine Learning (ICML), vol. 37, 2015, pp. 97–105, doi: https://doi.org/10.48550/arXiv.1502.02791. [Online]. Available: https://arxiv.org/abs/1502.02791
