Predicción de sismos en Ica usando machine learning
Resumen:
Los sismos representan una amenaza importante para las ciudades las cuales presentan una densidad poblacional alta. Por lo que se requiere de modelos de pronóstico de sismos para reducir su impacto e implementar estrategias de mitigación efectivas. El presente trabajo se centra en la predicción de sismos en la ciudad de Ica la cuál es una región con alta actividad sísmica. Con datos sísmicos obtenidos del Instituto Geofísico del Perú, establecimos la variable objetivo de predecir la categoría de la máxima magnitud sísmica dentro de los 30 días siguientes. Entre 8 algoritmos de machine learning evaluados en el software WEKA, el algoritmo Random Forest resultó ser el más efectivo con un accuracy del 82.664% al pronosticar la clase de la magnitud máxima del sismo dentro de 30 días. La predicción de la clase de la máxima magnitud del sismo para la ciudad de Ica utilizando técnicas de machine learning muestra resultados significativos y alentadores, lo que constituye un paso adelante hacia la construcción de un mecanismo de predicción robusto que no está disponible hasta el momento.
Abstract:
Earthquakes represent a significant threat to cities with high population density. Therefore, earthquake forecasting models are required to reduce their impact and implement effective mitigation strategies. The present study focuses on earthquake prediction in the city of Ica, which is a region with high seismic activity. Using seismic data obtained from the Geophysical Institute of Peru, we established the target variable of predicting the category of the maximum seismic magnitude within the next 30 days. Among the 8 machine learning algorithms evaluated in the WEKA software, the Random Forest algorithm proved to be the most effective, achieving an accuracy of 82.664% in forecasting the class of the maximum earthquake magnitude within 30 days. The prediction of the maximum earthquake magnitude class for the city of Ica using machine learning techniques shows significant and encouraging results, representing a step forward in building a robust prediction mechanism that is not currently available.
Integrantes:
- Josiel Corbera Terrones
- Jesús Montalvo Olazabal
- Alex Munive Mendoza
- Raúl Rivas Jiménez
- Smith Vera Reyes
Link de recursos:
link de recursos