Daniel León-Vargas, Víctor-Andrés Bucheli-Guerrero, Hugo-Armando Ordoñez-Erazo
{"title":"Modelado de la sismicidad colombiana como una red compleja espacio-secuencial","authors":"Daniel León-Vargas, Víctor-Andrés Bucheli-Guerrero, Hugo-Armando Ordoñez-Erazo","doi":"10.14483/23448350.20963","DOIUrl":null,"url":null,"abstract":"Este artículo busca describir la sismicidad de Colombia utilizando redes complejas, en las cuales los nodos representan redes cúbicas (con latitud, longitud y profundidad) donde ocurren los eventos sísmicos y los enlaces siguen la secuencia temporal de estos eventos. Si bien se han reportado trabajos similares en la literatura, este trabajo incorpora la profundidad para una mejor comprensión de este fenómeno. Esta investigación considera 5797 eventos del catálogo de terremotos del Servicio Geológico de los Estados Unidos (USGS) correspondientes a Colombia y con una magnitud superior a un determinado umbral, los cuales ocurrieron entre enero 1 de 1975 y enero 18 de 2021. Se describe la estructura de la red mediante una comparación entre redes aleatorias y de pequeño mundo. Así, esta estructura brinda información sobre los mecanismos de liberación de energía y las fuentes que recurrentemente producen eventos sísmicos en Colombia. Los resultados muestran que estas redes presentan características de pequeño mundo, independientemente del tamaño de celda o la granularidad utilizados para construirlas. Este hallazgo es consistente con los resultados reportados para la misma región en redes espaciotemporales bidimensionales. Como una red de pequeño mundo, el esfuerzo y la energía de la región se liberan de acuerdo con una estructura caracterizada por la presencia de hubs y sus relaciones dentro de la red en general. Mediante el aprovechamiento de la información obtenida en este estudio, se pueden entrenar modelos de aprendizaje automático que superen los modelos actuales de base para el pronóstico.","PeriodicalId":21289,"journal":{"name":"Revista Científica Semana Acadêmica","volume":"1 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-09-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista Científica Semana Acadêmica","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.14483/23448350.20963","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Este artículo busca describir la sismicidad de Colombia utilizando redes complejas, en las cuales los nodos representan redes cúbicas (con latitud, longitud y profundidad) donde ocurren los eventos sísmicos y los enlaces siguen la secuencia temporal de estos eventos. Si bien se han reportado trabajos similares en la literatura, este trabajo incorpora la profundidad para una mejor comprensión de este fenómeno. Esta investigación considera 5797 eventos del catálogo de terremotos del Servicio Geológico de los Estados Unidos (USGS) correspondientes a Colombia y con una magnitud superior a un determinado umbral, los cuales ocurrieron entre enero 1 de 1975 y enero 18 de 2021. Se describe la estructura de la red mediante una comparación entre redes aleatorias y de pequeño mundo. Así, esta estructura brinda información sobre los mecanismos de liberación de energía y las fuentes que recurrentemente producen eventos sísmicos en Colombia. Los resultados muestran que estas redes presentan características de pequeño mundo, independientemente del tamaño de celda o la granularidad utilizados para construirlas. Este hallazgo es consistente con los resultados reportados para la misma región en redes espaciotemporales bidimensionales. Como una red de pequeño mundo, el esfuerzo y la energía de la región se liberan de acuerdo con una estructura caracterizada por la presencia de hubs y sus relaciones dentro de la red en general. Mediante el aprovechamiento de la información obtenida en este estudio, se pueden entrenar modelos de aprendizaje automático que superen los modelos actuales de base para el pronóstico.