Tesis y Trabajos de Investigación PUCP
URI permanente para esta comunidadhttp://54.81.141.168/handle/123456789/6
El Repositorio Digital de Tesis y Trabajos de Investigación PUCP aporta al Repositorio Institucional con todos sus registros, organizados por grado: Doctorado, Maestría, Licenciatura y Bachillerato. Se actualiza permanentemente con las nuevas tesis y trabajos de investigación sustentados y autorizados, así como también con los que que fueron sustentados años atrás.
Ingresa a su web: Repositorio Digital de Tesis y Trabajos de Investigación PUCP
Explorar
4 resultados
Resultados de búsqueda
Ítem Texto completo enlazado Forecasting volcanic eruptions based on massive seismic data processing. Application to Peruvian volcanoes(Pontificia Universidad Católica del Perú, 2024-11-08) Machacca Puma, Roger; Tavera Huarache, Hernando Jhonny; Lesage, PhilippeThis dissertation investigates the potential improvement of volcanic eruption understanding and forecasting methods by using advanced data processing techniques to analyze large datasets at three target volcanoes (Piton de la Fournaise (PdlF) (France), Sabancaya, and Ubinas (Peru)). The central objective of this study is to search for possible empirical relationships between the pre-eruptive behavior of the accelerated increase in seismic activity using the Failure Forecast Method (FFM) and velocity variations measured by Coda Wave Interferometry (CWI), since both observations are reported to be independently associated with medium damage. The FFM is a deterministic method used to forecast volcanic eruptions using an empirical relationship of increased and accelerated evolution of an observable (e.g., volcano-seismic event rates). The event rates used with FFM in this study were generated using two Deep Learning (DL) based models. The detection model (VSDdeep) is based on EQTransformer and the classification model (VSCdeep) consists of a simple convolutional neural network that uses the short-time Fourier transform of the detected signals as input data. VSDdeep, trained on ∼16.3 k volcano-seismic events, outperforms previous DL-based models, achieving an accuracy of 97.68%. The VSCdeep model was trained on two datasets, one for effusive volcano (7 classes) and a second for explosive volcanoes (10 classes), and achieved accuracies of 96.55% and 90.5%, respectively. The combination of the two DL-based models detects and classifies 1.5 times more volcano-tectonic (VT) events than the catalog provided by the local observatories. A Bayesian approach of FFM was applied to study the 27 eruptions recorded between 2014- 2021 at PdlF volcano. The analysis shows that 23 (85.2%) of the precursory sequences are suitable for retrospective application of the FFM. Eight eruptions fulfilled the reliability criteria. Only seven eruptions (25.93%) were successfully predicted in the real-time scenario, but when the reliability criteria are met, the successful prediction rate increases to 87.5%. For Sabancaya volcano, the FFM cannot be applied because the explosions are not preceded by significant increases in seismicity. In the case of Ubinas volcano, LP event rates were used, with a successful forecasting rate of 4.55% with real-time criteria of the 330 explosions analyzed, showing a low forecasting rate for these two Peruvian volcanoes. We report long-term (over 22 years) apparent velocity variations (AVV) that appear to be related to the frequency of occurrence of magmatic intrusions. However, the simple dike-intrusion model tested in this study does not explain this long-term pattern. The short-term pre-eruptive velocity variations generally show two phases: A first phase corresponding to a slight velocity decrease ∼5 days before the eruption, and a second phase of sudden velocity decrease one day before the eruption. The precursory behavior of AVV indicates that 12 eruptions (44.4%) were preceded by AVV ≥ 0.15% observed at least one day before the eruption. Two models were tested to explain the pre-eruptive velocity variations. One is based on the cumulative rock damage associated with VT activity. The other one takes the effect of the dike intrusions into account. However, in both cases, the comparison of the observed and modeled AVV amplitudes shows low regression coefficients. This indicates that the generation of velocity variations is complex and that these simple models alone cannot explain the observations. The statistical analysis of accelerated VT event rates and AVV precursors at PdlF volcano indicates that 37% of the eruptions were preceded by both precursors, 48.2% by one of the two precursors, and 14.8% were not preceded by either. These findings suggest that both precursors, accelerated VT event rates and AVV, can serve as potential tools for early detection of volcanic unrest at this volcano.Ítem Texto completo enlazado Segmentación de cultivos de uva de mesa a partir de imágenes aéreas y satelitales usando algoritmos de aprendizaje profundo(Pontificia Universidad Católica del Perú, 2024-10-29) Villarroel Segovia, Jamir Enrique; Flores Espinoza, Donato AndrésLa teledetección ha ayudado a mejorar la gestión y el riego de los cultivos en los últimos años. A través de esta técnica, se ha logrado identificar aquellos cultivos de interés y extraer información de estos para el diagnóstico de enfermedades, la predicción de rendimiento de lotes de cultivos, el mapeo de cultivos y en la planificación de actividades de exportación. La uva es uno de los productos de agroexportación más importantes de Perú, generando grandes ingresos y aumentando anualmente. Si bien, la identificación de cultivos empezó a realizarse a partir de encuestas agrarias, luego se desarrolló técnicas basadas en algoritmos de aprendizaje automático tales como Random Forest (RF), Support Vector Machine (SVM), Artificial Neural Networks (ANN) para identificar diversos tipos de cultivos, entre ellos la uva, a nivel mundial. Estas técnicas presentaban buenos resultados; no obstante, el uso de algoritmos de aprendizaje profundo basados en segmentación semántica se popularizó por obtener mejores resultados que los anteriores y se comenzaron a emplear en los últimos años para la identificación de muchos cultivos. En esta tesis, se planteó identificar de forma automatizada los cultivos de uva de mesa. Para ello, se realizó la comparación de las arquitecturas U-Net, SegNet y DeepLabV3+ que realizan técnicas de segmentación semántica. Cada red fue entrenada y evaluada utilizando dos conjuntos de datos conformados por imágenes aéreas y satelitales de las zonas de interés. Asimismo, se calcularon los índices NDVI y SAVI en cada imagen aérea y satelital del conjunto de datos de entrenamiento, validación y prueba. Posteriormente, se añadió a cada imagen ambas bandas calculadas como una sexta y séptima capa adicional, ya que las imágenes aéreas y satelitales del conjunto de datos formado solo presentan 5 bandas espectrales: rojo, verde, azul, infrarrojo cercano y borde rojo. Se realizó el proceso de etiquetado, gracias a la información brindada por la empresa Vitícola S.A.C, con ayuda del NDVI para separar aquellas imágenes que presentan cultivos de uva en una etapa fenológica tardía y temprana en cada conjunto de datos. Con el fin de incrementar la cantidad de datos de entrada a la red, se utilizó la técnica de extracción de parches aleatorios, y se aplicaron procesos de reflexión y rotación para el entrenamiento de las 3 redes mencionadas. Finalmente, se compararon los resultados de prueba de estos algoritmos de clasificación y se determinó que tanto en los conjuntos de datos de imágenes aéreas con una etapa fenológica temprana y tardía, las redes SegNet y DeeplabV3+ fueron las que obtuvieron mejor desempeño con una precisión global de 95.21% y una mIoU de 0.8280, y una precisión global de 93.40 % y una mIoU de 0.7555 respectivamente. Asimismo, la red DeepLabV3+ obtuvo mejor desempeño promedio en el conjunto de datos de imágenes satelitales con una precisión global de 93.84 % y un mIoU de 0.8389.Ítem Texto completo enlazado Construcción de recursos para la detección y clasificación automática de disfluencias producidas por tartamudez en español(Pontificia Universidad Católica del Perú, 2024-09-18) Cabrera Díaz, Daniel Alonso; Sobrevilla Cabezudo, Marco AntonioEsta tesis abordó el desarrollo de recursos computacionales para la detección y clasificación de disfluencias de tartamudez en español, cubriendo desde la recolección y anotación de audios hasta la implementación de un modelo de aprendizaje automático y estrategias de aumento de datos. Se recolectaron audios en español de cinco participantes con tartamudez, conformes a los estándares del dataset SEP-28K y con apoyo de dos especialistas en tartamudez. Aunque la naturaleza controlada de las grabaciones limitó la diversidad de disfluencias observadas, estos audios proporcionaron una base sólida para el desarrollo del modelo. El modelo presentado se basó en el modelo DisfluencyNet. Este modelo fue pre entrenado utilizando wav2vec 2.0 XLSR53 aprovechando su robusta base de datos multilingüe. El modelo demostró su capacidad para identificar y clasificar disfluencias en español, aunque su rendimiento fue inferior comparado con modelos equivalentes en inglés. Esta diferencia subraya la necesidad de más datos. Para mejorar la detección de disfluencias, se implementaron dos estrategias de aumento de datos. La primera incluyó variaciones de pitch, adición de reverberación y ruido blanco, duplicando efectivamente la cantidad de datos disponibles. Aunque esta estrategia mejoró el recall en ciertas disfluencias, los resultados en precisión y F1 fueron mixtos. La segunda estrategia, mediante clonación de voz con el modelo XTTS-v2, generó nuevos audios que emulaban disfluencias naturales, como prolongaciones y bloqueos. Aunque mejoró el recall, especialmente en rondas posteriores de aumento de datos, la precisión y F1 continuaron siendo desafiantes. Futuras investigaciones se enfocarán en expandir la anotación de disfluencias en contextos de habla espontánea y procesar los audios restantes del corpus inicial para explorar mejoras en la clasificación y detección de disfluencias. Además, se explorarán métodos avanzados de clonación de voz y otras técnicas de modificación de audios para enriquecer los datasets y mejorar los modelos de detección y clasificación de disfluencias.Ítem Texto completo enlazado Localización y clasificación de árboles y edificaciones en imágenes aéreas empleando aprendizaje profundo(Pontificia Universidad Católica del Perú, 2024-07-01) Enriquez Rodriguez, Pamela; Flores Espinoza, Donato AndresLa presente tesis muestra el diseño de un detector de árboles y edificaciones en imágenes aéreas elaborado en base a algoritmos de aprendizaje profundo, cuyas redes troncales para la extracción de características son redes neuronales convolucionales. Este trabajo es parte de la tarea de automatización de un sistema de inspección de fajas de servidumbre que recibe imágenes capturadas por drones. Inicialmente, el trabajo se ha centrado en el etiquetado de árboles y edificaciones en imágenes aéreas para la elaboración del dataset; para ello, se ha utilizado la herramienta Image Labeler de Matlab. Posteriormente, se dividió dicho conjunto de datos en data de entrenamiento (80%), validación (10%) y evaluación (10%); además de emplear la función imageDataAugmenter para incrementar la cantidad de imágenes disponible. Seguidamente, se procedió con el entrenamiento de la red bajo ciertos valores de hiperparámetros y; finalmente, se evaluó la eficacia del detector bajo ciertas métricas como precisión, sensibilidad y precisión promedio media. Los resultados obtenidos muestran que el detector diseñado e implementado en Pytorch delimita correctamente la ubicación de los árboles y edificaciones en imágenes aéreas; además de etiquetarlos con su clase correspondiente. Esto se evidencia en los valores de precisión promedio del 70% para la clase árboles y del 63% para la clase edificaciones, logrando una precisión promedio media del 67%.