Evaluating data augmentation techniques in the classification of multi-station seismic-volcanic signals

Los volcanes son gigantes inquietos y, antes de entrar en erupción, a menudo susurran. Estos susurros son señales sísmicas: vibraciones sutiles que viajan a través de la tierra y que cuentan la historia del movimiento del magma, la fuga de gases o el agrietamiento de las rocas bajo la superficie. Durante décadas, los científicos han dependido de expertos humanos para escuchar estos susurros, clasificando manualmente flujos interminables de datos para identificar qué está sucediendo en las profundidades de la tierra. Este proceso es lento, laborioso y propenso al error humano, especialmente cuando las señales son tenues o los datos son abrumadores. En años recientes, las computadoras han comenzado a asumir esta tarea de escucha, utilizando inteligencia artificial para reconocer patrones en las vibraciones. Sin embargo, estos cerebros computacionales enfrentan un obstáculo significativo: necesitan enormes cantidades de ejemplos para aprender, y en el mundo de los volcanes, los eventos raros y peligrosos suelen ser los más difíciles de encontrar en grandes números. Cuando una computadora intenta aprender de un conjunto de ejemplos pequeño y desequilibrado, a menudo se vuelve sesgada, favoreciendo los eventos comunes que ve con más frecuencia y pasando por alto los eventos raros y críticos que señalan un peligro real.

Un equipo de investigadores de la Universidad Católica del Norte en Chile se propuso resolver este problema enseñando a las computadoras cómo aprender de menos ejemplos sin perder su capacidad de reconocer la verdad. Se centraron en el volcán Lascar, en el norte de Chile, un sitio monitoreado por una red de once estaciones sísmicas que registran los temblores de la tierra. El equipo recopiló una base de datos de más de seis mil eventos sísmicos, que los expertos ya habían clasificado en cinco categorías distintas: eventos de periodo largo, eventos volcano-tectónicos, eventos híbridos, eventos tectónicos y temblores. El desafío era que estas categorías no estaban representadas de manera uniforme; algunos tipos de eventos eran comunes, mientras que otros eran tan raros que a la computadora le costaba aprender cómo se veían. Para solucionar esto, los investigadores emplearon una estrategia llamada aumento de datos (data augmentation). En lugar de esperar a que la naturaleza proporcionara más eventos raros, utilizaron técnicas matemáticas para crear versiones sintéticas nuevas de los datos existentes. Estos nuevos ejemplos no eran falsos de una manera engañosa; eran versiones cuidadosamente modificadas de señales reales, ajustadas lo suficiente para parecer diferentes manteniendo su identidad esencial intacta. El objetivo era dotar a la computadora de una biblioteca de ejemplos más rica y diversa para estudiar, con la esperanza de que aprendiera las reglas fundamentales de la actividad volcánica en lugar de simplemente memorizar detalles específicos.

Los investigadores probaron diferentes maneras de crear estos nuevos ejemplos. Algunos métodos añadieron una capa de ruido estático a las señales, similar al siseo de una radio entre estaciones, para ver si la computadora aún podía reconocer el patrón. Otros desplazaron ligeramente las señales en el tiempo o la frecuencia, o combinaron partes de diferentes señales para crear nuevos híbridos. Incluso utilizaron una técnica inspirada en la evolución biológica, donde la computadora seleccionaba las mejores partes de dos señales y las mezclaba para crear una nueva. Para medir qué tan bien funcionaban estos nuevos ejemplos, el equipo no solo observó si la computadora obtenía la respuesta correcta, sino que también midió qué tan diferentes eran las nuevas señales de las originales. Necesitaban asegurar que los nuevos datos fueran lo suficientemente diversos como para enseñar algo nuevo a la computadora, pero lo suficientemente similares al mundo real como para que las lecciones fueran aplicables cuando la computadora se encontrara con un volcán real.

Los resultados fueron sorprendentes. Los investigadores encontraron que los modelos entrenados con conjuntos de datos que contenían únicamente datos aumentados a menudo ofrecían un rendimiento superior en la clasificación, con técnicas como Drifting, SpecAugment y Jittering logrando precisiones de prueba del 97.2%, 95.4% y 93.9%, respectivamente. Sin embargo, el estudio también reveló que un modelo entrenado con una mezcla de datos reales y aumentados utilizando la técnica "Drifting" alcanzó la precisión más alta de 98.3% cuando se probó con señales del mundo real. Estas cifras son significativas porque muestran que la computadora aprendió a reconocer los patrones subyacentes de la actividad volcánica tan bien que pudo ignorar el ruido y las variaciones del mundo real. El estudio también reveló que simplemente añadir más datos a las categorías raras no era suficiente; la calidad y la diversidad de esos datos añadidos importaban más. Los modelos con mejor desempeño fueron aquellos que vieron una amplia variedad de formas y texturas de señal, obligando a la computadora a aprender las características centrales de cada tipo de evento en lugar de depender de atajos.

Este trabajo sugiere un nuevo camino para el monitoreo volcánico. Al utilizar el aumento de datos, los científicos pueden construir modelos computacionales que sean más robustos y confiables, incluso cuando tienen muy pocos ejemplos reales de eventos peligrosos para comenzar. El estudio demostró que estos modelos pueden ser entrenados con datos de un solo volcán y aun así generalizar bien, lo que significa que potencialmente podrían aplicarse a otros volcanes en todo el mundo. Los investigadores concluyeron que la clave del éxito no era solo tener más datos, sino tener datos más inteligentes: ejemplos que fueran lo suficientemente diversos para enseñar a la computadora a ser flexible, pero lo suficientemente similares al mundo real como para ser útiles. Al final, la computadora no solo aprendió a contar terremotos; aprendió a escuchar el lenguaje del volcán con una claridad que los expertos humanos por sí solos podrían tener dificultades para lograr, ofreciendo una poderosa nueva herramienta para comprender la evolución dinámica y, a menudo, peligrosa de los centros volcánicos.