O uso de machine learning para detecção de anomalias tectônicas

Abstract

Este estudo investiga o uso do Total Electron Content (TEC) como possível precursor sísmico e propõe um fluxo metodológico para detectar anomalias ionosféricas associadas a terremotos por meio de técnicas de machine learning. São analisadas referências sobre o acoplamento litosfera–atmosfera–ionosfera e avaliadas as bases Guardian (NASA) e CDDIS como fontes globais de dados. O estudo organiza um procedimento de pré-processamento envolvendo séries temporais de TEC, cálculo de medidas estatísticas e definição de limiares para identificação de anomalias. Como principal contribuição, apresenta-se um fluxo conceitual de modelagem supervisionada utilizando Support Vector Machine (SVM) e Random Forest (RF). Conclui-se que a integração entre bases globais de TEC e algoritmos de aprendizado de máquina representa uma abordagem promissora para estudos de precursores sísmicos.

This study investigates the use of Total Electron Content (TEC) as a potential seismic precursor and proposes a methodological workflow to detect ionospheric anomalies associated with earthquakes using machine learning techniques. The study reviews literature on lithosphere–atmosphere–ionosphere coupling and evaluates the Guardian (NASA) platform and the CDDIS repository as global data sources. A preprocessing procedure is organized, involving TEC time series, statistical measures, and threshold definition for anomaly identification. As its main contribution, the work presents a conceptual supervised learning workflow employing Support Vector Machine (SVM) and Random Forest (RF). The study concludes that integrating global TEC datasets with machine learning algorithms represents a promising approach for seismic precursor research.