| Título: |
Pronóstico de grandes sismos mediante el análisis de semiperiodicidad de procesos puntuales etiquetados Forecast of large earthquakes through semi-periodicity analysis of labeled point processes |
| Autores: | Claudia Beatriz Mercedes Quinteros Cartaya |
| Fecha: | 2016 |
| Publicador: | CICESE |
| Fuente: |
 |
| Tipo: | info:eu-repo/semantics/doctoralThesis |
| Tema: |
info:eu-repo/classification/Autor/Pronóstico de sismos, Semiperiodicidad, Procesos puntuales etiquetados info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/25 |
| Descripción: |
Los grandes sismos, ocurridos en una región sismogénica determinada, son el resultado de procesos críticamente auto-organizados de acumulación y relajación de esfuerzos; y por tanto, conforman secuencias semiperiódicas con tiempos de recurrencia que varían ligeramente de la periodicidad exacta. Estudios previos han mostrado que es posible identificar estas secuencias mediante el análisis de Fourier de series de tiempo de ocurrencia de grandes sismos en una región determinada; considerando que no necesariamente todos los sismos ocurridos en la región pertenecen a la misma secuencia, ya que puede haber más de un proceso de acumulación y relajación de esfuerzos. La identificación de secuencias puede ser usada para pronosticar la ocurrencia de sismos con intervalos de confianza bien determinados. Este trabajo presenta mejoras en el método mencionado sobre identificación de secuencias y pronóstico: a) Considera la influencia del tamaño de los sismos en el análisis espectral parala identificación de secuencias semiperiódicas, lo cual significa que los tiempos de ocurrencia de sismos son tratados como procesos puntuales etiquetados. b) Utiliza estimación de la probabilidad de no aleatoriedad mejorada. c) Mejora la estimación de los límites superiores de incertidumbre utilizados en el pronóstico. d) Aplica análisis Bayesiano para la evaluación de resultados de postnósticos (pronósticos a posteriori). e) Evalúa la robustez de los pronósticos mediante simulaciones tipo Monte Carlo de ruido en las magnitudes de los datos. Este método mejorado fue probado exitosamente con datos sintéticos y luego aplicado a datos reales de regiones específicas: la costa suroeste de México y el noreste del Arco de Japón. Secuencias semiperiódicas con alta probabilidad de no aleatoriedad fueron identificadas: una secuencia de nueve eventos con !!M ≥ 7.4 en México y una secuencia de cuatro eventos con !!M ≥ 8.0 en Japón. Los postnósticos fueron acertados para los últimos eventos de cada una de las secuencias identificadas y la probabilidad Bayesiana de los postnósticos fue comparada con la probabilidad actualizada del pronóstico. Las probabilidades de los pronósticos, para un intervalo de incertidumbre con un 95% de confianza, son mayores que las probabilidades Poissonianas , y las ganancias de probabilidad y de información son significativas. Large earthquakes have semi-periodic behavior as a result of critically self-organized processes of stress accumulation and release in seismogenic regions. Hence, large earthquakes in a given region constitute semi-periodic sequences with recurrence times varying slightly from periodicity. In previous studies, it has been shown that it is possible to identify these sequences through Fourier analysis of the occurrence time series of large earthquakes from a given region, by realizing that not all earthquakes in the region need belong to the same sequence, since there can be more than one process of stress accumulation and release in the region. Sequence identification can be used to forecast earthquake occurrence with well determined confidence bounds.This work presents improvements on the above mentioned sequence identification and forecasting method: a) Considers the influence of earthquake size on the spectral analysis, and its importance in semi-periodic sequences identification, which means that earthquake occurrence times are treated as a labeled point process. b) Uses an improved estimation of non-randomness probability. c) Improves the estimation upper limit uncertainties to use in forecasts. d)Uses Bayesian analysis to evaluate aftcast (forecast done a posteriori) performance. e) Estimates the forecast robustness through Monte Carlo simulation of noise in magnitude data. This improved method was successfully tested on synthetic data and subsequently applied to real data from some specific regions: the southwestern coast of Mexico and the northeastern Japan Arc. Semi-periodic sequences with high non-randomness probability were identified: 1 sequence of nine events with !!M ≥ 7.4 in Mexico and 1 sequence of four events with !!M ≥ 8.0 in Japan. Aftcasts were successfully done for each of the last events in the identified sequences, and the aftcast probabilities were upgraded through Bayesian analysis and compared with the updated forecast probability for the sequence including the last event. The forecast probabilities for intervals two standard deviations wide are larger than the corresponding Poissonian occurrence probabilities, and the probability gains are significant. |
| Idioma: | spa |
1 | 6 |
2 | 7 |
3 | 8 |
4 | 9 |
5 | 10 |