⚡ electrical engineering

Improving Deep Learning-Based Seismic Phase Picking by Addressing Label Imbalance

Para abordar la degradación del rendimiento de la detección de fases sísmicas basada en aprendizaje profundo causada por el desequilibrio de etiquetas, este artículo propone una función de pérdida de entropía cruzada suave ponderada por área que mejora la sensibilidad del modelo y la recuperación de eventos en el análisis de formas de onda continuas sin alterar la arquitectura de red subyacente.

Autores originales: Shinya Katoh, Masaaki Imaizumi, Yoshihisa Iio, Hiromichi Nagao

Publicado 2026-07-31

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shinya Katoh, Masaaki Imaizumi, Yoshihisa Iio, Hiromichi Nagao

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El lenguaje secreto de la Tierra y las notas perdidas

Imagina que la Tierra es un tambor gigante e inquieto. Cuando se desplaza, se agrieta o se asienta, envía ondas —ondas sísmicas— que viajan a través del suelo como el sonido a través del aire. Los sismólogos son los oyentes que intentan escuchar estas ondas para comprender qué está sucediendo en las profundidades del subsuelo. Durante décadas, su trabajo fue como intentar encontrar un susurro específico en una habitación concurrida y ruidosa. Tenían que observar fijamente líneas ondulantes en una pantalla, detectando manualmente el momento exacto en que aparecía una "onda P" (la primera llegada, rápida) o una "onda S" (la llegada más lenta y vibrante). Era un trabajo lento y agotador, y con sensores modernos registrando la Tierra las 24 horas del día, los siete días de la semana, simplemente había demasiados datos para la capacidad de los ojos humanos.

Entra en escena el aprendizaje profundo (deep learning), un tipo de cerebro computacional capaz de aprender a detectar patrones más rápido que cualquier humano. Estos detectives digitales se han vuelto increíblemente buenos leyendo el latido de la Tierra, encontrando terremotos que los humanos podrían pasar por alto. Pero hay un inconvenazo: cuando la Tierra se pone muy ruidosa —como durante un terremoto masivo seguido de cientos de réplicas más pequeñas— el "ruido" del evento principal ahoga los diminutos susurros de los eventos menores. La computadora se confunde, a menudo perdiendo las señales pequeñas porque ha sido entrenada para prestar más atención al silencio entre los estruendos que a los estruendos mismos. Este artículo plantea una pregunta sencilla: ¿Podemos enseñar a la computadora a escuchar con más atención las partes silenciosas sin cambiar la computadora en sí misma?

Ajustando el oído: Una nueva forma de enseñar a la computadora

Los investigadores detrás de este estudio, liderados por Shinya Katoh y su equipo de la Universidad de Tokio y la Universidad de Kioto, se dieron cuenta de que el problema no era el "cerebro" de la computadora (su arquitectura), sino cómo la estaban enseñando. Compararon el proceso de entrenamiento con un profesor calificando la tarea de un estudiante.

En la forma estándar de entrenar estos modelos, la computadora observa un fragmento de 30 segundos de datos sísmicos. En ese fragmento, el "fondo" (las partes tranquilas y aburridas donde no sucede nada) ocupa aproximadamente el 98% del tiempo. Las señales de los terremotos reales (las ondas P y S) son picos diminutos y agudos que quizás solo ocupan un 1% cada uno. Cuando la computadora intenta aprender, recibe una "calificación" basada en qué tan bien predice los 30 segundos completos. Debido a que el fondo es tan inmenso, la computadora aprende que la forma más fácil de obtener una buena calificación es simplemente predecir "fondo" todo el tiempo. Se vuelve perezosa, ignorando los pequeños e importantes picos porque no importan mucho para su nota general. Es como un estudiante que solo estudia los capítulos aburridos de un libro de texto porque el examen trata mayoritmente sobre esos capítulos, y así pierde por completo los giros de la trama emocionantes y cruciales.

Para solucionar esto, el equipo inventó un nuevo "sistema de calificación" llamado pérdida de entropía cruzada suave ponderada por área (area-weighted soft cross-entropy loss). En lugar de tratar cada segundo de la grabación con la misma importancia, este nuevo método le otorga a la computadora un bono masivo por acertar los diminutos e importantes picos. Es como decirle al estudiante: "Si aciertas el fondo aburrido, obtienes un punto. ¡Pero si detectas la pequeña onda P o la onda S, obtienes cien puntos!". Esto obliga a la computadora a prestar una atención intensa a los tiempos de llegada de las ondas, a pesar de que son poco frecuentes.

Lo que encontraron: Capturando susurros

El equipo probó este nuevo "sistema de calificación" en dos modelos populares de detección de terremotos, SegPhase y PhaseNet. No cambiaron los cerebros de los modelos; solo cambiaron las reglas del juego.

Los resultados mostraron un cambio claro en el comportamiento. Los modelos entrenados con las nuevas reglas ponderadas se volvieron mucho más sensibles.

Sincronización más precisa: Cuando los modelos sí predecían un tiempo de llegada, eran mucho más precisos. La "dispersión" o propagación de sus errores disminuyó significativamente. Para el modelo SegPhase, la dispersión del error para las ondas P se redujo de 0.20 segundos a 0.07 segundos, y para las ondas S, cayó de 0.27 segundos a 0.05 segundos.
El intercambio (trade-off): Sin embargo, ser más sensible tuvo un costo. Los modelos empezaron a "ver" cosas que no estaban ahí del todo. Se volvieron mejores captando los terremotos reales (mayor recuperación o recall), pero también empezaron a marcar el ruido como terremotos (menor precisión). Es como un detector de metales que es tan sensible que pita tanto ante una lata de refresco como ante una moneda de oro. Los investigadores descubrieron que los modelos se volvieron "orientados a la recuperación", lo que significa que era menos probable que perdieran un evento real, incluso si eso significaba tener que revisar algunas falsas alarmas después.

La prueba del mundo real: El terremoto de Ridgecrest

Para ver si esto realmente funcionaba en el mundo real, el equipo aplicó sus nuevos modelos a los datos continuos de la secuencia del terremoto de Ridgecrest de 2019 en California. Este fue un evento masivo con un choque principal y miles de réplicas.

Los resultados fueron impresionantes. Los modelos con pérdida ponderada detectaron significativamente más terremotos que los modelos originales:

SegPhase encontró 34,008 terremotos con el nuevo método, comparado con 26,914 con el método antiguo.
PhaseNet encontró 32,997 terremotos con el nuevo método, comparado con 23,622 con el método antiguo.

Estas cifras incluso superaron los recuentos de dos catálogos existentes creados por otros expertos utilizando métodos diferentes. Los nuevos modelos mapearon con éxito las mismas zonas sísmicas que los expertos, pero encontraron muchos más eventos pequeños entre ellos. Esto sugiere que, al hacer que los modelos tengan menos miedo de perder una señal, pueden ayudar a los científicos a construir una imagen mucho más completa de la actividad sísmica.

Los límites: Cuando el ruido es demasiado fuerte

Pero la historia no termina con una solución perfecta. Los investigadores fueron honestos sobre los límites. Encontraron que, si bien el nuevo método era excelente para encontrar pequeños terremotos en medio de una secuencia, todavía presentaba dificultades inmediatamente después de los terremotos más grandes y ruidosos.

Justo después de un gran sismo, la tierra sigue temblando durante mucho tiempo con "ondas coda" —un estruendo caótico de alta energía que ahoga las señales diminutas del siguiente pequeño terremoto—. Incluso con los nuevos "bonos de puntos" para detectar señales, la computadora no podía escuchar los pequeños susurros porque el rugido del gran terremoto era simplemente demasiado fuerte y desordenado. El artículo sugiere que, si bien cambiar las reglas de entrenamiento ayuda, no puede resolver el problema de las señales que están físicamente enterradas bajo otras.

La conclusión

Este artículo demuestra que no siempre es necesario construir un cerebro computacional más grande y complejo para resolver un problema. A veces, solo necesitas cambiar cómo lo enseñas. Al reponderar la importancia de los momentos diminutos y cruciales en los datos, los investigadores hicieron que los modelos existentes fueran mucho mejores para detectar terremotos, especialmente los pequeños que son fáciles de pasar por alto. Es un recordatorio de que, en el mundo ruidoso y caótico de la ciencia sísmica, a veces la mejor manera de escuchar el futuro es escuchar con un poco más de atención las partes silenciosas del pasado.

Resumen Técnico: Mejora de la detección de fases sísmicas basada en aprendizaje profundo mediante el abordaje del desequilibrio de etiquetas

Planteamiento del problema
La detección de fases basada en aprendizaje profundo ha mejorado significativamente la eficiencia del análisis de formas de onda sísmicas, logrando una precisión comparable a la de los expertos humanos. Sin embargo, persiste una limitación crítica: el rendimiento de la detección se degrada cuando ocurren múltiples fases sísmicas dentro de un solo trazo de forma de onda, un escenario común durante secuencias sísmicas intensas como las réplicas. Los autores plantean la hipótesis de que esta degradación se debe al desequilibrio de etiquetas inherente a la detección de fases basada en segmentación semántica. En las formulaciones estándar, las etiquetas objetivo para las fases P y S se representan mediante distribuciones gaussianas estrechas (que ocupan aproximadamente el 1% de la ventana de tiempo cada una), mientras que la etiqueta de fondo (N) ocupa la gran mayoría (~98%). Bajo la función de pérdida de entropía cruzada estándar, el objetivo de entrenamiento está dominado por la clase de fondo, lo que provoca que el modelo se vuelva conservador y pierda llegadas débiles o superpuestas.

Metodología
Para abordar este desequilibrio sin alterar la arquitectura del modelo subyacente, los autores proponen una función de pérdida de entropía cruzada suave ponderada por área (WCE).

Construcción de etiquetas: Las etiquetas objetivo se construyen utilizando funciones gaussianas centradas en los tiempos de llegada ( $\mu$ ) seleccionados manualmente con una desviación estándar de $\sigma = 0.1$ s. La etiqueta de fondo se define como el complemento para asegurar que la suma de las probabilidades de clase sea igual a uno en cada paso de tiempo.
Esquema de ponderación: La función de pérdida propuesta calcula el área temporal ( $A_c$ ) de cada etiqueta de clase para una forma de onda dada. Los coeficientes de ponderación ( $\alpha_P, \alpha_S$ ) se derivan en base a la relación entre el área de fondo y las áreas de fase. Estos coeficientes se utilizan para definir un peso dependiente del tiempo $w(b,t)$ que enfatiza las muestras cerca de las llegadas de las fases P y S (donde la etiqueta gaussiana es alta) y reduce el peso de las muestras de fondo.
Formulación de la pérdida: La pérdida final es una media ponderada de la entropía cruzada suave sobre el tiempo, normalizada por la suma de los pesos para cada trazo para estabilizar el entrenamiento.
Modelos evaluados: El método fue probado en dos arquitecturas establecidas: SegPhase y PhaseNet.
Configuración experimental: Los modelos fueron entrenados con datos sísmicos japoneses. La evaluación consistió en:
1. Conjunto de datos de prueba: Análisis de los residuos de tiempo de llegada y métricas dependientes del umbral (Precisión, Recall, F1).
2. Aplicación continua: Aplicación a formas de onda continuas de la secuencia del terremoto de Ridgecrest (4–9 de julio de 2019) utilizando 36 estaciones. La asociación de fases se realizó mediante REAL, y los hipocentros se determinaron utilizando Hypomh. Los resultados se compararon con los modelos de pérdida original y catálogos existentes.

Resultados clave

Reducción de residuos: La función de pérdida ponderada redujo significativamente la dispersión de los residuos de tiempo de llegada. Para SegPhase, la desviación estándar de los residuos de la onda P disminuyó de 0.20 s a 0.07 s, y la de la onda S de 0.27 s a 0.05 s. Se observaron mejoras similares para PhaseNet. Los residuos medios permanecieron en 0.00 s, lo que indica la ausencia de un sesgo sistemático.
Compromiso Precisión-Recall: La pérdida ponderada desplazó el comportamiento del modelo hacia un régimen orientado al recall. Si bien la precisión disminuyó ligeramente debido a un aumento de los falsos positivos (FP), el recall mejoró significamente al reducirse los falsos negativos (FN). Los modelos se volvieron menos conservadores, generando picos de probabilidad para llegadas débiles o parcialmente superpuestas que los modelos de pérdida original pasaban por alto.
Recuperación de eventos en Ridgecrest: Al aplicarse a la secuencia de Ridgecrest, los modelos con pérdida ponderada detectaron sustancialmente más terremotos que los modelos de pérdida original y superaron los recuentos de eventos de los catálogos de referencia basados en el emparejamiento de plantillas (template matching).
- SegPhase: 34,008 eventos (Ponderado) vs. 26,914 (Original).
- PhaseNet: 32,997 eventos (Ponderado) vs. 23,622 (Original).
- La distribución espacial de los eventos detectados reprodujo correctamente las zonas de réplicas conocidas, y la evolución temporal coincidió con las características de la secuencia.
Limitaciones: La mejora no fue uniforme. Aunque la pérdida ponderada mejoró la detección de terremotos pequeños y sucesivos (M ~1–2), no resolvió completamente la detección de eventos pequeños inmediatamente posteriores a los sismos principales más grandes (Mw 7.1). En esos periodos, los inicios de fase probablemente estaban enmascarados por ondas de coda de alta amplitud y larga duración, una limitación física de la separabilidad de la señal que la reponderación de la pérdida por sí sola no puede superar.

Significancia y Reivindicaciones
El artículo sostiene que el diseño de la función de pérdida es un enfoque eficaz e independiente de la arquitectura para mejorar la sensibilidad de la detección de fases mediante aprendizaje profundo. Al redistribuir el objetivo de entrenamiento desde el fondo dominante hacia las regiones estrechas de llegada de fases, el método propuesto:

Mejora la consistencia temporal de las detecciones (picks) predichas.
Reduce las llegadas perdidas (falsos negativos), lo cual es crítico para la asociación de eventos en el monitoreo continuo.
Mejora la recuperación de eventos en secuencias sísmicas densas, incluso cuando se aplica a datos de regiones (California) diferentes a las de los datos de entrenamiento (Japón).

Los autores concluyen que, si bien el método no resuelve el desafío fundamental de las señales superpuestas en entornos de coda fuerte, proporciona una mejora significativa en la sensibilidad que facilita la detección de más terremotos en el análisis de formas de onda continuas. El aumento de la sensibilidad requiere un umbral de probabilidad y restricciones de asociación apropiados para gestionar el incremento resultante de falsos positivos.