4.

LOCALIZACI

ON HIPOCENTRAL
El m etodo de localizaci on hipocentral a partir de tiempos de viaje asume una fuente puntual
localizada en el punto de inicio de la fractura. Debido a que la velocidad con que se produce
la ruptura o fallamiento corresponde, en promedio, a la mitad de la velocidad de propagaci on
de la onda de cizalla -S-, y esta a su vez es menor que la velocidad de propagaci on de la onda
P -la primera onda en llegar a la estaci on-, el hipocentro puede ser determinado a partir del
tiempo de arribo de la onda P sin tener en cuenta el tama no y la duraci on del evento. Adem as,
la informaci on contenida en los primeros segundos del sismograma a un no contiene mezcla
de otros tipos de ondas, lo que hace muy f acil su identicaci on (Fig. 4.4).
Como se plante o en la secci on 2.1.4 (p ag. 10), el problema de localizaci on hipocentral se
formula en un espacio de 4 dimensiones, planteando la ubicaci on espacial como un sistema
de coordenadas cartesianas -X en direcci on este-oeste (longitud), Y en direcci on norte-sur
(latitud) y Z en direcci on vertical (profundidad)- y la ubicaci on temporal T del tiempo de
origen. Los datos para una localizaci on hipocentral son los tiempos de arribo de diferentes
fases a N estaciones (
1
, ,
N
), los cuales se obtienen directamente de los registros del
evento. Otros par ametros que son importantes para resolver el problema son las coordenadas
de las estaciones ssmicas (x
i
, y
i
, z
i
) las cuales son conocidas - por lo tanto se tratan como
constantes y no como par ametros-, y los par ametros que describen el modelo de velocidades,
estimados a partir del conocimiento del medio -debido al impreciso conocimiento, este mode-
lo no es exacto, por tanto el c alculo te orico de los tiempos de arribo de fases a las estaciones
(t
1
, t
N
) tampoco lo es. Los par ametros desconocidos del problema son las coordenadas
espacio-temporales del foco X, Y , Z y T.
A partir de la teora de propagaci on de ondas y de los valores absolutos de velocidad en
la regi on de estudio, se plantea una relaci on te orica entre tiempos de arribo (datos) y las
coordenadas espacio temporales del foco (par ametros) para calcular los tiempos de viaje de
las diferentes ondas ssmicas a cada una de las estaciones: por ejemplo, si la estructura de la
tierra fuese homog enea, con velocidad de onda constante, el tiempo que tardara dicha onda
para recorrer la distancia comprendida desde el punto de radiaci on hasta la i- esima estaci on
est a dado por:
t
i
=
d
i
v
=

(X x
i
)
2
+ (Y y
i
)
2
+ (Z z
i
)
2
c
(4.1)
donde c es un valor constante que promedia la velocidad de propagaci on de la onda conside-
rada, d
i
es la distancia euclidiana entre dos puntos denida por el Teorema de Pit agoras y t
i
es el tiempo de viaje de dicha onda. Note como, a un en el caso m as sencillo de una estructura
homog enea, los tiempos de viaje t
i
no escalan linealmente con las coordenadas espaciales
(X, Y y Z). Esto signica que, en el problema de la localizaci on, la funci on que relaciona las
observaciones con el modelo es no lineal.
44
4.1. Determinaci on de par ametros hipocentrales y tiempo
de origen
La localizaci on espacio temporal de un sismo puede ser llevada a cabo de varias maneras:
Usando una sola estaci on de tres componentes (secci on 4.1.1).
Usando un red de estaciones de 1 o 3 componentes (secciones 4.1.2 y 4.1.3)
Usando un red de estaciones para localizar conjuntamente un c umulo de sismos (sec-
ci on 4.1.4)
Los siguientes son algunos de los m etodos.
4.1.1. Mono estaci on - polarizaci on de la onda P
A partir del registro en una estaci on de tres componentes es posible obtener una estimaci on
aproximada de los par ametros que identican un sismo. Dado que el movimiento de partcula
Figura 4.1: Comparici on entre polarizaci on mediante el m etodo de covariaza (rojo) y el m eto-
do de descomposici on del valor singular (verde)
45
de la onda P es polarizado en una sola direcci on, el cual es perpendicular a la direcci on de
propagaci on, el vector de movimiento de esta onda es usado para inferir la direcci on de la
fuente. La relaci on de amplitudes de las dos componentes horizontales (perfectamente pola-
rizadas) es usada para encontrar la direcci on del movimiento de partcula o de propagaci on.
En la gura 4.1 se muestra el sismograma de un evento registrado en una estaci on de tres
componentes, rotado radial y tangencialmente; el diagrama de la derecha se conoce como
odograma y muestra la direcci on de polarizaci on de la onda. Existen diversas t ecnicas para
llevar a cabo este m etodo, tales como covarianza entre las tres se nales, descomposici on del
valor singular y wavelets (Magotra etal., 1987; Franco and Musacchio, 2001). En este m eto-
ts
s
e
n
s
o
r
e
s
h
o
r
i
z
o
n
t
a
l
e
s
s
e
n
s
o
r
v
e
r
t
i
c
a
l
tp
t(s-p)
Figura 4.2: Sismograma de tres componentes
do, usando la ley de omori, la distancia se obtiene a partir de las diferencias de tiempos de
arribo de las ondas P y S (Fig. 4.2). Una vez conocida la distancia se determina el tiempo de
viaje y por consiguiente el tiempo de origen.
4.1.2. M etodo de los crculos - S-P
Si se tienen registros de un sismo en varias estaciones, la localizaci on puede ser determinada
usando los tiempos de llegada de las ondas P y S (t
p
, t
s
respectivamente). Al gracar la
diferencia de tiempos (t
s
- t
p
) contra t
p
, y ajustar una lnea recta a estos puntos, el punto en el
cual la recta intercepta el eje de t
p
corresponde al tiempo de origen (diagrama de Wadati). A
partir de la estimaci on del tiempo de origen es posible estimar los tiempos de viaje de la onda
P a cada estaci on; el tiempo de recorrido es multiplicado por un valor promedio de viaje de
la onda y de esta manera se obtiene la distancia entre la estaci on y el epicentro.
Sobre un mapa se dibujan circunferencias de radio igual a la distancia calculada para cada
estaci on, el epicentro es ubicado en el punto donde se intersectan las circunferencias; aunque
como difcilmente las curvas coinciden en un punto, el epicentro es ubicado en el centro del
area (Fig. 4.3). Para sismos superciales, el tama no de esta area dene la imprecisi on de la lo-
calizaci on, pero tambi en est a relacionado con la profundidad focal (Lay and Wallace, 1995).
Este m etodo de localizaci on gr aco fue usado desde los primeros registros instrumentales y
46
durante muchos a nos, hasta la implementaci on de algoritmos computacionales para resolver
este problema.
Figura 4.3: Determinaci on de los par ametros hipocentrales mediante el m etodo de los crculos
4.1.3. Otros m etodos de estimaci on para el problema de localizaci on
Para resolver el problema de la localizaci on usando una red de estaciones se han desarrollado
numerosos algoritmos; cada modicaci on depende de los supuestos con respecto a la natura-
leza de la incertidumbre del modelo de velocidades, de la calidad de las observaciones y de
las t ecnicas de inversi on. De manera general, se pueden clasicar as,
1. Se asume el problema como la linealizaci on de un problema no lineal, (secciones
3.1.2.2 y 3.3).
usando m etodos de optimizaci on con evaluaci on de derivadas parciales y procesos
iterativos: minimizando las diferencias entre los valores observados y los valores
obtenidos usando el modelo te orico, bien sea usando la suma de las diferencias al
cuadrado (mnimos cuadrados o Norma L2) o mediante estimaci on robusta, que
minimiza la suma de los valores absolutos de esas diferencias (mnimos absolu-
tos o Norma L1). Esto puede ser mediante descomposici on del valor singular, si
el n umero de observaciones es menor que el n umero de par ametros, o mediante
otro m etodo de descomposici on dependiendo de la forma de la matriz; o mediante
47
inversi on de matrices como por ejemplo usando la inversa generalizada; o usan-
do m etodos que involucran el c alculo del gradiente; o usando combinaciones de
algunos de ellos.
2. mediante determinaci on probabilstica, en la cual se plantean funciones de densidad de
probabilidad para los par ametros desconocidos
estimadores puntuales de m axima verosimilitud
estimadores puntuales bayesianos
m etodos de simulaci on o estimaci on bruta, tales como b usqueda aleatoria pura,
multicomienzo, recocido simulado, algoritmos gen eticos y redes neuronales.
A pesar de existir innumerables metodologas para localizaci on de sismos, este problema
continua siendo una componente importante de la investigaci on sismol ogica debido a la ne-
cesidad de mejorar las localizaciones para su uso posterior, como por ejemplo para tomografa
ssmica.
4.1.3.1. Estimaci on no lineal, mediante Mnimos Cuadrados
El m etodo Gauss-Newton fue introducido al problema de localizaci on hipocentral en 1912
por Geiger (Lee and Stewart, 1981) para la implementaci on de su algoritmo, el cual usa una
aproximaci on lineal iterativa al problema no lineal mediante la aplicaci on de mnimos cua-
drados ponderados, cuyo objetivo es minimizar la suma de cuadrados de los residuales entre
los tiempos de arribo observados (
i
) y los tiempos de arribo calculados (t
i
), para un grupo
de estaciones. Este m etodo formula una relaci on lineal entre los par ametros y los datos de la
forma Gm = d, y asume una componente de error aleatorio que corresponde a desviaciones
de los datos con respecto al modelo.
Se tiene un grupo de tiempos de arribo
i
observados en i estaciones con coordenadas x
i
, y
i
y z
i
(Fig. 4.4). Se calcula -usando el modelo de velocidades- el valor te orico de la trayectoria
de onda t
i
de un hipocentro hipot etico con posiciones X
h
, Y
h
, Z
h
y tiempo de origen T
h
a cada una de las estaciones. El residual del tiempo de arribo en la i- esima estaci on, r
i
, se
dene como la diferencia entre el tiempo de arribo observado, el tiempo de arribo te orico y el
tiempo de origen, esto es r
i
=
i
t
i
T. La funci on a minimizar usando mnimos cuadrados
es
f() =
n

i=1
(r
i
)
2
=
n

i=1
(
i
(t
i
T))
2
(4.2)
Durante el proceso de localizaci on, los valores de la variables iniciales (X
h
, Y
h
, Z
h
, T
h
) van
a tomar diferentes valores: uno cada que se haga un ajuste, y un ajuste se realiza en cada
iteraci on. Esta t ecnica se basa en la expansi on en series de Taylor de la funci on no lineal,
48
Figura 4.4: Identicaci on de tiempos de arribo de las ondas P y S en diferentes estaciones
considerando s olo los t erminos que incluyen derivadas parciales de primer y segundo orden
(Gauss-Newton). El objetivo de la optimizaci on es encontrar despu es de k iteraciones los
valores para = (X, Y, Z, T) que proporcionen el mnimo valor para f() (Fig. 4.5). La
relaci on lineal Gm = d en donde G es la matriz Jacobiana, cuyos elementos son las derivadas
parciales espaciales de los tiempos de recorrido del hipocentro hipot etico a cada una de las
estaciones, con respecto a las 4 variables del modelo, es

T
1
/x
1
|

T
1
/y
1
|

T
1
/z
1
|

1
T
2
/x
2
|

T
2
/y
2
|

T
2
/z
2
|

1
.
.
.
.
.
.
.
.
.
.
.
.
T
n
/x
n
|

T
n
/y
n
|

T
n
/z
n
|

2
.
.
.

(4.3)
En este caso el m etodo Gauss-Newton resuelve el sistema de ecuaciones lineales,
G
T
Gm = G
T
d (4.4)
49
en cada iteraci on.
Las observaciones por estaci on son ponderadas, de acuerdo a la incertidumbre en la lectura
p
i
del sismograma i el cual se determina directamente del sismograma -lecturas mas preci-
sas corresponden a peque nos valores de p
i
-, y en cada iteraci on, de acuerdo a la distancia
D
i
=

( x x
i
)
2
+ ( y y
i
)
2
entre cada estaci on y el hipocentro, estimada a partir de la
localizaci on obtenida en esta iteraci on. De esta manera, estaciones mas lejanas al evento y
estaciones con lecturas decientes tienen menor peso. La ponderaci on w
i
para la i- esima
estaci on es inversamente proporcional a p
2
i

1 +

r
i
100

2
. El proceso iterativo es nalizado
cuando la suma de los cuadrados de los residuales (f()) converge a alg un valor predenido
o cuando un n umero m aximo de iteraciones es alcanzado. En principio, el m etodo fue apli-
Figura 4.5: Ejemplo de localizaci on iterativa. N umero de iteraciones 6
cado para el primer arribo de la onda P, debido a que esta fase es la m as f acil de identicar
en los sismogramas y a que su estructura de velocidad de propagaci on es mas conocida; m as
tarde, y con algunas modicaciones al planteamiento inicial, fue posible usar otras fases tales
como S, Pn, etc., como tambi en tiempos absolutos usando la diferencia S-P. Sin embargo, es
necesario tener cuidado al usar otras fases, debido a que son mas difciles de identicar en
los sismogramas y a que el c alculo de tiempos de recorrido te oricos son menos precisos ya
que su estructura de velocidad de propagaci on se conoce, pero con mayor incertidumbre.
50
4.1.3.2. Localizaci on probabilstica
La localizaci on probabilstica se reere a la formulaci on y soluci on del problema usando es-
tadstica bayesiana, la cual se usa para modicar el grado de conocimiento con respecto a los
resultados de un fen omeno al tenerse nueva informaci on. Informaci on a priori se reere a lo
que se cree o se asume con respecto a las variables de inter es antes de tener informaci on a
partir de una muestra. La funci on de m axima verosimilitud representa el grado de concor-
dancia entre los valores obtenidos con una muestra y la informaci on a priori. Informaci on
a posteriori se reere al grado de conocimiento modicado despu es de obtener informaci on
muestral (Mendenhall and Sincich, 1997; Canavos, 1988).
Como se plantea en 3.1.1.3, p agina 21, la relaci on te orica entre datos (d) e inc ognitas o
par ametros del modelo (m) puede ser escrita como F(d, m), donde m = = X, Y, Z, T son
las coordenadas hipocentrales y el tiempo de origen, d son los tiempos de arribo observados
con matriz de covarianza C
t
, mientras que los tiempos calculados tienen matriz de covarianza
C
T
.
Si se asume una distribuci on normal de los errores en el modelo de velocidades, la funci on
de densidad de probabilidad te orica puede escribirse como,
F(d|) = (d|) = e

1
2
[df()]

C
1
T
[df()]
(4.5)
asumiendo ahora que los datos poseen una estructura normal (informaci on a priori de los
datos), con t
o
el vector de valores medios, la funci on de densidad de probabilidad para los
datos es
(d) = e

1
2
(dto)

C
1
t
(dto)
(4.6)
y que () es la informaci on a priori sobre sobre los par ametros del modelo, la funci on de
densidad de probabilidad para los par ametros (coordenadas hipocentrales) estar a entonces
dada por
(P) = ()

(d)(d|)dd (4.7)
de la cual se obtiene la funci on de densidad de probabilidad a posteriori para las coordenadas
espaciales,
() = ()e

1
2
[tof()]

(C
T
+Ct)
1
[tof()]
(4.8)
() puede ser evaluada con los tiempos de arribo observados y a partir de informaci on a
priori sobre la localizaci on del evento en una red muy na. Los valores de los par ametros que
maximizan la funci on de m axima verosimilitud o que minimizan la suma de los residuales
al cuadrado son los optimos. Esta funci on que es b asicamente combinaci on de informaci on
(informaci on experimental o datos, informaci on a priori sobre los par ametros e informaci on
te orica), proporciona la soluci on general para el problema espacio temporal de localizaci on
hipocentral, en el caso de datos con distribuci on normal. Esta soluci on no contiene ninguna
51
aproximaci on lineal, y proporciona estimadores unicos y consistentes. Mosegaard and Ta-
rantola (2000) propusieron este m etodo como mejor soluci on para resolver el problema de
localizaci on de sismos.
4.1.4. Determinaci on conjunta de hipocentros
Para una estaci on sismol ogica determinada, el error en los tiempos de viaje te oricos se de-
ben principalmente a inexactitudes en el modelo de velocidades asumido, las cuales pueden
presentarse cerca a la fuente, cerca a la estaci on o a lo largo de la trayectoria de la onda.
Por lo tanto, si un grupo de sismos ocurre con mas o menos la misma localizaci on espacial
(c umulo) es posible reducir conjuntamente los errores en el modelo idealizado, determinan-
do una correcci on por estaci on que tenga en cuenta las inexactitudes del modelo a lo largo
del recorrido entre la fuente y cada estaci on. Es decir, para un grupo de sismos y una red
de estaciones se estima cada hipocentro y nalmente se obtiene un factor de correcci on para
cada estaci on (Douglas, 1967). Los esquemas de inversi on para resolver el sistema de ecua-
ciones en este caso generalmente usan descomposici on del valor singular. Las localizaciones
relativas usando el m etodo de determinaci on conjunta son mejores que las localizaciones in-
dividuales determinadas usando mas completos y complejos modelos de velocidad (Lay and
Wallace, 1995).
4.2. Estimaci on de tiempos de viaje
Una estructura de velocidad es un modelo regional generalizado de la Tierra, que representa
la estructura de la Tierra en capas, las cuales se asume que tienen diferentes velocidades
ssmicas entre s. Puede ser inferida mediante inversi on de curvas de dispersi on de tiempos de
viaje, a partir de tiempos de arribo de varias ondas ssmicas (generalmente P y S) observados
en diferentes puntos como una funci on de la distancia usando un modelo de la Tierra por
capas.
En 1939 Jeffreys compil o los tiempos de viaje de cientos de arribos de ondas ssmicas y a
partir de ellas desarroll o curvas de tiempos de viaje para la Tierra, desde la supercie hasta
el centro. Estas tablas se conocen como Jeffreys - Bullen Tables y predicen los tiempos de
arribo de ondas telessmicas P a cualquier punto en la supercie de la Tierra con exactitud del
0.2 %, limitado por la existencia de variaciones tridimensionales en las estructuras no tenidas
en cuenta por los modelos asumidos para su elaboraci on. Estas tablas se usan rutinariamente
para localizaci on global de sismos (Lay and Wallace, 1995).
En 1981 Dziewonski y Anderson dise naron un modelo de velocidades (PREM, Preliminary
Reference Earth Model, Fig 4.6) con el n de ajustar un variado grupo de datos (oscilacio-
nes libres, dispersi on de ondas superciales, tiempos de viaje de ondas de cuerpo y datos de
52
P
S
M
a
n
t
o
s
u
p
e
r
i
o
r
z
o
n
a
d
e
t
r
a
n
s
i
c
i

n
(
z
.
t
.
)
M
a
n
t
o
i
n
f
e
r
i
o
r
N

c
l
e
o
e
x
t
e
r
i
o
r
Ncleo
interior
z
.
t
.
z
.
t
.
0
2
4
6
8
10
12
14
0 1000 1600 2600 3480 3800 4800 5600 5871 6151 6347 6371
14
4
6
8
10
12
0
2
V
e
l
o
c
i
d
a
d
(
k
m
/
s
)
Figura 4.6: Modelo PREM de velocidad para las ondas P y S en funci on de la profundidad
masa, momento e inercia). Este modelo de velocidades proporciona adem as densidad y ate-
nuaci on en funci on de la profundidad. Los modelos actuales de la Tierra tienen valores que
son razonablemente cercanos a los valores contenidos en PREM (Shearer, 1999).
Estos son entre otros, modelos globales obtenidos a partir de observaciones en diferentes
puntos de la Tierra y de aplicaci on en localizaci on global. Sin embargo, cada observatorio
sismol ogico construye a partir de sus propias observaciones los modelos de velocidad que
mejor representen la estructura de su regi on.
4.3. Factores que inuyen en errores de localizaci on
La estimaci on hipocentral mediante mnimos cuadrados (secci on 4.1.3.1, p ag. 48), usada
actualmente en el OSSO para la determinaci on rutinaria de hipocentros, plantea una relaci on
lineal de la forma d = Gm + e donde e es el error, el cual puede ser visto como una combi-
naci on de varios t erminos. El m etodo de mnimos cuadrados es apropiado cuando los errores
son independientes y aleatorios, pero su aplicaci on puede dar desproporcionada ponderaci on
a datos con grandes errores y distorsionar la soluci on. En efecto, errores grandes en los datos
tienden a ser distribuidos uniformemente entre las observaciones, de tal forma que los erro-
res grandes se propaguen casi uniformemente en todas las estaciones, obteni endose peque nas
desviaciones de los datos con respecto a las estimaciones, por lo que, obtener bajos residuales
en una estimaci on no implica necesariamente una buena soluci on.
53
La incertidumbre en las localizaciones obtenidas con este m etodo se debe principalmente
a errores en la medici on de los tiempos de arribo de las diferentes fases, a la incorrecta
identicaci on de las mismas y a las diferencias entre el modelo de velocidades que se usa
para estimar los tiempo de viaje y la estructura real. La mala localizaci on de eventos inducida
por aquellas fuentes de error es afectada por el n umero y distribuci on espacial de estaciones
que registran un evento, logr andose una mejor localizaci on cuando se dispone de un suciente
n umero de observaciones. En resumen, la exactitud, precisi on y consistencia en la estimaci on
de los par ametros de localizaci on dependen de los siguientes factores,
n umero y distribuci on espacial de las estaciones con respecto al sismo,
la cantidad y calidad de los tiempos de arribo observados,
la precisi on del modelo de velocidades usado para calcular los tiempos te oricos de
viaje,
del m etodo de estimaci on y los supuestos involucrados en el mismo
4.3.1. Optimizaci on de la red de observaci on
Una red sismol ogica regional permanente est a constituida por estaciones remotas, dotadas
con sism ometros de alta sensibilidad y ubicadas a distancias inferiores a los 100 km de las
fuentes ssmicas de inter es. Si adem as existe y se quiere monitorear actividad ssmica super-
cial, por ejemplo en los primeros 10 km de la corteza, el espaciamiento entre estaciones
debe reducirse al menos a 20 km (Aki and Richards, 1980). Las estaciones generalmente
transmiten los valores observados a una estaci on central, en donde se recibe -generalmente
en tiempo real-, se acopia y se procesa la informaci on.
Si el n umero y la cobertura azimutal de las estaciones que registran un sismo son adecuados
(por ejemplo, mnimo 4 estaciones con un angulo m aximo entre el epicentro y dos estaciones
consecutivas menor a 90

) y si al menos una de las estaciones est a localizada a una distancia

epicentral menor que la profundidad focal, entonces basta con observar la llegada de la onda
P para obtener una adecuada localizaci on; en caso contrario, se requiere la identicaci on de
fases secundarias para hacer una estimaci on del hipocentro y del tiempo de origen del evento.
En general, las estaciones deben estar distribuidas de tal forma que rodeen el sismo; en caso
contrario, cuando el sismo ocurre fuera de la red, los elementos de la columna T
i
/x y los
correspondientes elementos de la columna T
i
/y pueden ser proporcionalmente cercanos
unos a otros. Dado que el rango de una matriz (n umero de las linealmente independientes)
debe ser mayor al n umero de inc ognitas, si una matriz tiene una la que es casi una combi-
naci on lineal de otras, esta matriz presentar a un rango defectivo con un valor singular muy
54
peque no y el sistema tendr a innitas soluciones con errores que se aproximan al mnimo ab-
soluto. Dado que los elementos de la matriz G dependen del modelo de velocidades y de la
distribuci on espacial de las estaciones respecto al hipocentro, la distribuci on relativa de las
estaciones con respecto a los sismos es muy importante para decidir si un sismo puede o no
ser localizado con una red determinada. En efecto, si la distribuci on de estaciones es pobre
respecto a la ubicaci on del sismo de inter es, no basta con tener un n umero mayor de datos que
de inc ognitas para resolver el problema, pues en general la matriz G que resulta en este caso
es una matriz mal condicionada. De igual manera, dado que las estaciones est an ubicadas en
la supercie de la tierra, el par ametro m as difcil de determinar es la profundidad focal.
Uhrhammer (1980) propuso un m etodo para determinar el n umero mnimo de estaciones
necesarios para determinar hipocentros con cierta exactitud en una determinada regi on. El
m etodo consiste en construir matrices de correlaciones llamadas de ignorancia y de incerti-
dumbre, a partir de los par ametros hipocentrales. Estas matrices permiten determinar el area
en la cual la incertidumbre de los par ametros hipocentrales es sucientemente peque na y
proporciona adem as informaci on sobre cu ales observaciones son redundantes o suministran
poca o mayor informaci on. Un an alisis del m etodo fue llevado a cabo con una red conforma-
da por 4 estaciones, 3 de ellas son los v ertices de un tri angulo equil atero y la cuarta a una
distancia de 10 km de cada una de ellas, proporcionando tiempos de llegada de las ondas
P y S para cada estaci on y usando un modelo de velocidad constante. Este m etodo permite
comparar varias geometras de red para determinar sus respectivas ventajas y desventajas.
El m etodo considera una conguraci on optima cuando todas las observaciones minimizan la
incertidumbre en los par ametros hipocentrales.
Rabinowitz and Steinberg (1990) aplicaron teora estadstica del dise no de experimentos (es-
timaci on de par ametros con m axima resoluci on) para obtener la optima conguraci on de una
red, es decir una que proporcione m axima precisi on para el monitoreo de un punto fuente. El
esquema de optimizaci on propuesto se basa en el algoritmo DETMAX (Mitchell, 1974), el
cual genera una red inicial seleccionando n sitios aleatoriamente de una lista de estaciones
candidatas, la red es modicada secuencialmente adicionando sitios de la lista y removiendo
otros hasta lograr la maximizaci on del determinante de G
T
G (criterio D). Este procedimiento
puede ser aplicado a redes locales, regionales o globales y es util para encontrar el sitio opti-
mo si se quiere adicionar una nueva estaci on a una red existente. Tambi en mide la ecacia de
cada estaci on por el incremento relativo en el determinante de la red debido a la inclusi on de
cada una de ellas y proporciona informaci on sobre el n umero de estaciones necesarias para
el monitoreo de una fuente.
Steinberg etal. (1995) retomaron el trabajo anterior y generalizaron su aplicaci on para el
optimo monitoreo de diversos sistemas de fallas y fuentes m ultiples, justicado por el hecho
que fuentes ssmicas no corresponden a simples puntos. El procedimiento es el mismo, pero
se lleva a cabo utilizando informaci on de m ultiples fuentes. En su artculo presentaron dos
ejemplos no te oricos para ilustrar el m etodo y un tercero aplicado a un grupo de 17 estaciones
de la red sismol ogica de Israel. Para diferentes redes -en n umero- de estaciones sismol ogicas
55
encontraron diferencias signicativas en las localizaciones, lo cual fue atribuido a anomalas
en la estructura local de velocidades. Encontraron que redes que son optimas con respecto
a precisi on estadstica pueden cubrir ecazmente fuentes potenciales y por lo tanto reducir
errores relacionados a desviaciones del modelo.
Gupta etal. (1973) plantearon que la precisi on de una red ssmica, en cuanto a localiza-
ci on de terremotos, puede estimarse calculando la distribuci on relativa de los errores en la
determinaci on de cada uno de los par ametros, usando un modelo simplicado de la Tierra.
Aplicando el m etodo de simulaci on Monte Carlo con 200 muestras, los autores modelaron
el proceso del registro de las ondas ssmicas, asumiendo errores normalmente distribuidos,
velocidad de propagaci on de la onda P constante e igual profundidad de los focos a trav es de
los c alculos (25 km). Mediante el an alisis de estos datos, determinaron la precisi on de la red
sismol ogica de la India, teniendo en cuenta tambi en la capacidad de detecci on, para localizar
eventos de magnitudes 5.0, 4.5 y 4.0. Garca (1986) siguiendo el trabajo anterior determin o la
precisi on relativa de la red espa nola en la localizaci on de terremotos de la regi on. Utiliza los
mismos criterios y par ametros de Gupta etal. (1973) y realiza la simulaci on para sismos con
profundidad de 10 km.
4.3.2. Evaluaci on del modelo de velocidades
Dado que el proceso de localizaci on requiere la evaluaci on de tiempos de viaje de una onda
ssmica a partir de un modelo de la estructura de la tierra, los sismos son localizados con
modelos de velocidad simplicados, es decir con solo informaci on limitada de la estructura
real. Generalmente estos mode los asumen un conjunto de capas horizontales, ignorando el
posible efecto de las variaciones laterales de velocidad. En la pr actica esto se debe al poco
conocimiento que se tiene sobre la estructura de velocidades y a la dicultad de trazar rayos
ssmicos en medios heterog eneos. Como resultado se obtienen localizaciones sesgadas.
Billings etal. (1994b) plantean que tanto los errores de lectura como los errores del modelo
de velocidades inuencian las estimaciones y que es difcil separar sus efectos. Sin embargo,
proponen dos m etodos para el an alisis de ellos usado simulaci on Monte Carlo (el m etodo
usado para el an alisis de los errores de lectura se explica en la secci on 4.3.3). Para determinar
el efecto de la heterogeneidad lateral de la Tierra, la cual no es tenida en cuenta en los mode-
los de velocidad unidimensional, el evento fue relocalizado usando diferentes combinaciones
de fases y geometras de red. Encontraron que ambos mecanismos tienen gran inuencia en
las localizaciones, y que tanto el n umero como el tipo de fase son importantes para la deter-
minaci on de la profundidad focal. Encontraron una gran discrepancia entre las localizaciones
producidas usando fases P y las producidas usando fases P y pP (35 km en profundidad y de
12.5 km en epicentro), la cual resulta de imperfecciones en el modelo de velocidades debidas
a la relativa insensibilidad de la onda P a cambios en profundidad, ya que estos son absorbi-
dos por cambios en la longitud de la trayectoria del rayo, teniendo un peque no efecto en el
tiempo de viaje. Por tanto recomiendan el uso de fases adicionales tales como pP ya que son
56
fases sensitivas a cambios en profundidad.
En un trabajo anterior, der Hilst and Engdahl (1992) estudiaron un gran n umero de eventos
del International Seismological Centre (ISC) y encontraron que las profundidades estimadas
usando fases P y pP eran bastante diferentes a las obtenidas usando s olo fases P. La diferencia
en profundidades, es decir, el sesgo fue particularmente evidente en zonas de subducci on
donde los heterogeneidades laterales en velocidad son importantes.
Iversen and Lees (1996) plantean que para un grupo de sismos que ocurren muy cerca unos
a otros y que son registrados por numerosas estaciones, es posible denir un estadstico por
estaci on que identique anomalas del modelo de velocidades, determinando la contribuci on
o inuencia de cada estaci on al sesgo o error en la localizaci on. Este estimador se basa en el
m etodo estadstico de remuestreo Jackknife y consiste en tomar un grupo de sismos con un
suciente n umero de observaciones; cada sismo es relocalizado eliminando una estaci on a la
vez, comparando la relocalizaci on con la localizaci on inicial se calcula el sesgo por estaci on,
este procedimiento se lleva a cabo para todo el grupo de sismos; nalmente se estudia la dis-
tribuci on del sesgo por estaci on entre eventos, la cual se espera que est e centrada alrededor
de la media y que tenga varianza constante. El m etodo fue aplicado a dos grupos de sismos:
un grupo de 81 sismos de la regi on de Mount St Helens ocurridos entre 1987 y 1991 y otro
grupo de 113 sismos correspondientes a r eplicas del sismo de Joshua Tree de 1992. Con este
ultimo grupo comparan adem as resultados obtenidos con un modelo unidimensional y uno
tridimensional. Encontraron que tanto el modelo unidimensional como el tridimensional usa-
dos en la regi on de Mount St Helens no modelan adecuadamente la estructura de velocidades
regional. Para la secuencia de sismos de Joshua Tree encontraron satisfactorio el modelo de
velocidades tridimensional.
4.3.3. Errores en las observaciones
Los errores en los datos primarios, tales como tiempos de arribo o amplitudes, los cuales son
ledos directamente del sismograma se comportan de una manera relativamente simple. Para
tiempos de llegada de fases impulsivas obtenidas en registros an alogos los errores son apro-
ximadamente gaussianos (Buland, 1976), mientras que en lecturas de fases emergentes los
errores tienen una distribuci on sesgada debido a la tendencia de leer llegadas d ebiles dema-
siado tarde (Anderson, 1982). Si durante la interpretaci on de los datos se dispone de muchas
mediciones, los errores de lectura pueden ser tratados como normalmente distribuidos con
media cero y varianza constante.
Billings etal. (1994b) proponen un an alisis de error usando un t ecnicas Monte Carlo ya que
estas manejan bien la no linealidad del problema. El procedimiento fue dise nado para ser usa-
do con algoritmos de localizaci on que usan estimadores de m axima verosimilitud. El m etodo
usual consiste en perturbar los tiempos de arribo con n umeros aleatorios tomados de una dis-
tribuci on normal con media cero y desviaci on est andar de 0.25 segundos y de esta manera
57
el evento es relocalizado. Los autores realizaron dos modicaciones al procedimiento usual:
por una lado la simulaci on no se llev o a cabo generando fases aleatorias a partir del epicentro
determinado inicialmente, con el n de evitar la inclusi on de errores debidos al modelo de
velocidades usado para generar las fases sint eticas sino que adicionaron errores aleatorios
a las lecturas previas; por otro lado, la distribuci on de los errores usados para perturbar los
datos debera ser la misma usada en la estimaci on inicial, pero dado que la combinaci on de
ambos tipos de errores no sigue la misma distribuci on que los errores de lectura, usaron una
distribuci on de errores asociados con una norma L1.25 para la localizaci on de los eventos.
El procedimiento fue repetido 500 veces para obtener un c umulo de localizaciones, las cua-
les fueron usadas para investigar la inuencia de los errores de lectura en la determinaci on
hipocentral. Encontraron que el efecto de estos errores es menor que el causado por otras
fuentes de error tales como n umero y tipo de fases o modelo de velocidades; adem as para
una m as r apida convergencia usaron como soluci on inicial el hipocentro sin perturbaciones,
dado que se espera que los errores de lectura no muevan el epicentro grandes distancias. El
procedimiento fue llevado a cabo para un evento en los lmites entre Iran-Iraq, con 307 obser-
vaciones. Las localizaciones perturbadas dieren entre s por menos de 4.5 km en epicentro,
6 km en profundidad y 0,75 segundos en tiempo de origen. Encontraron adem as una fuerte
correlaci on entre la profundidad y el tiempo de origen.
Rodi and Toksoz (2001) retomando el trabajo de Billings etal. (1994b), repitieron el an alisis,
asumiendo dos distribuciones para los errores de lectura: distribuci on normal y distribuci on
exponencial. El objetivo del trabajo era obtener una estimaci on optima usando una funci on
de m axima verosimilitud, a partir de la cual obtienen regiones de conanza en t erminos de
pruebas de hip otesis aplicadas a las relaciones de verosimilitud. La funci on de verosimilitud
es dada en t erminos de un modelo probabilstico para los diferentes tipos de error en los datos
ssmicos, lo cual permite implementar errores que no tengan distribuci on normal y errores
espacialmente correlacionados en las tablas de tiempos de viaje, adem as no hace necesario
asumir restricciones de linealidad entre los tiempos de viaje y la localizaci on; para esto usan
t ecnicas de simulaci on Monte Carlo y b usqueda exhaustiva. Este m etodo fue aplicado a una
secuencia de sismos del terremoto de Racha de 1991.
58