Enfoque de aprendizaje automático supervisado para estimar el acople interplaca: aplicación a Chile Central.

Abstract

La distribución del grado de acople es importante para estimar el tamaño y el déficit de deslizamiento de las brechas sísmicas. Las inversiones de velocidad superficial se utilizan habitualmente para estimar el acople. Aquí presentamos un enfoque innovador para inferir el grado de acople mediante algoritmos de aprendizaje supervisado. Utilizando el margen Central Chileno como área de estudio, implementamos seis algoritmos diferentes de regresión de aprendizaje supervisado: Random Forest, Decision Tree, K-nearest neighbors (KNN), Lasso, Ridge y Linear. Estos métodos se entrenaron primero con distribuciones sintéticas de acople y luego se utilizaron para inferir el acople a partir de observaciones GNSS. Probamos el rendimiento de cada algoritmo y comparamos nuestros resultados con un método de inversión estándar. Los mejores resultados se obtuvieron con la regresión de Ridge. La distribución del acople obtenida mediante aprendizaje supervisado es coherente con los mapas de acople anteriores y proporciona un RMSE de 1,88 mm/año a las observaciones GNSS. Nuestro estudio muestra que los métodos de aprendizaje automático abren nuevas vías para mejorar las estimaciones de acople y deslizamiento de fallas.

Imaging locking degree at faults is important for estimating the size and slip deficit of seismic gaps. GNSS velocity inversions of varying complexity are commonly used to estimate locking. Here we present an innovative approach to infer the degree of locking from surface GNSS velocities by means of supervised learning (SL) algorithms. We implemented six different SL regression methods: Random Forest, Decision Tree, K-nearest neighbors, Lasso, Ridge and Linear and apply them in the Central Chile subduction. These methods were first trained on synthetic distributions of locking and then used to infer the locking from GNSS observations. We tested the performance of each algorithm and compared our results with a least squares inversion method. Our best results were obtained using the Ridge regression. The locking distribution is consistent with previous locking maps and gives a root mean square error (RMSE) of 1.88 mm/yr to GNSS observations. Our study shows that supervised machine learning methods open new avenues for improving the locking and fault slip estimations.