Thesis:

Metodología para el diseño de una red de sensores de Tsunami

Recent tsunamis have shown the necessity of improving the reliability of tsunami warning systems. Traditional methods are usually based on data sets of scenarios calculated a priori (Ozer et al., 2016), where the initial tsunami free surface elevation is estimated from an arbitrary range of earthquake magnitudes and source locations. More recently, there have been promising advances in the possibility of establishing near real-time simulations, owing to improvements in rapid assessment of earthquake parameters. Finally, tsunami inversion techniques could provide an alternative without the need of establishing assumptions of the fault geometry and the earthquake magnitude, by quickly estimating the initial sea surface deformation. It is likely that a robust methodology will comprise a combination of the above. Regarding the latter method, only a few countries have the dense network of sensors required to estimate the tsunami initial deformations. However, it might be of interest to establish what could be the minimum number of sensors required to provide a reasonable estimate, thus trading precision and overall costs. This might be of interest for developing countries, for example. To date, the location of these sensors is based primarily on good judgment and intuition. Here we propose a systematic methodology to determine the optimal location of sensors, minimizing the number and the redundancy of data. The first step is to place a database of different tsunami sources (Tsushima et al., 2009). To compute the Green’s functions, we calculated the finite difference approximation of the linear long-wave equations (Satake et al., 1995) from a set of unit tsunami sources to a set of forecast points (i.e., Green’s functions). Next, expected earthquakes in northern Chile (Cienfuegos et al., 2014) are selected as end scenarios, providing the most extreme condition. A wide range of arrays of sensors are compared by introducing a cost function involving several parameters to quantify predictive skill. The network providing the optimal configuration is selected as candidate. Finally, the candidate network is tested using intermediate (between the end scenarios) and real scenarios, to ensure the quality of the prediction at all forecasting points. Results show that a configuration comprising only three sensors is capable of providing accurate estimations of the wave’s arrival times and peak amplitudes of the first wave. In general terms, it is possible to note a correlation between the location of the sensors and error estimators. As an example, arrival times are better predicted with sensors located opposite to the tide gauges, and better results on wave amplitudes are assessed when sensors are in front of or above the uplift zone. This methodology provides a tool that will allow defining the location of the minimum amount of sensors to obtain good-quality predictions using the inversion technique. Thus, it allows for a better modeling of tsunami events, which appears particularly promising to improve real-time danger assessment and decision-making tools.

Recientes eventos tsunamigénicos han demostrado la necesidad de mejorar la confiabilidad en los sistemas de alerta para este tipo de fenómenos. Los métodos tradicionales han consistido en bases de datos de tsunamis con escenarios pre‑calculados (Ozer et al., 2016) debido al escaso tiempo de respuesta entre la generación y el arribo del tsunami a la costa, donde la elevación inicial de la superficie libre del tsunami se estima a partir de una gama arbitraria de magnitudes y ubicaciones del terremoto. Técnicas de inversión de tsunami podrían proporcionar una alternativa sin la necesidad de establecer supuestos respecto a la geometría de la falla y magnitud del sismo, mediante una rápida estimación de la deformación inicial de la superficie libre. Esta ventaja es considerable respecto a los métodos convencionales, ya que obtener los datos sísmicos no es un proceso instantáneo y a menudo es traducido de manera inexacta a los datos del tsunami (Wei et al., 2014). Es probable que una metodología robusta comprenda una combinación de las anteriormente mencionadas. En relación con el último método, solo unos pocos países tienen la densa red de sensores necesarios para estimar las deformaciones iniciales de la superficie libre de un tsunami. Sin embargo, podría ser de gran interés establecer el número mínimo de sensores necesarios para proporcionar una estimación razonable, teniendo en cuenta la precisión de los resultados y los costos generales. Lo anterior es crítico para contar con dicha herramienta en países en vías de desarrollo, como es el caso de Chile. Debido a esto último, en el presente trabajo se propone una metodología sistemática para determinar el posicionamiento óptimo de los sensores en el norte de Chile debido a las ventanas sísmicas de la zona, minimizando el número de estos y la redundancia de los datos. El primer paso de esta metodología consiste en la creación de una base de datos de las funciones de Green (Tsushima et al., 2009). Este procedimiento se basa en la propagación de tsunamis “elementales” utilizando las ecuaciones lineales de onda larga (Satake et al., 1995) desde un conjunto de fuentes unitarias de tsunami a una serie de puntos de pronóstico (i.e., funciones de Green). Luego, se seleccionan como escenarios extremos los terremotos esperados en el norte de Chile, zona con alto potencial tsunamigénico (Cienfuegos et al., 2014). Una amplia gama de arreglos de sensores, establecidos con base en criterios técnicos, se prueba para realizar la inversión. Posteriormente, las predicciones obtenidas con los diferentes arreglos de sensores son comparadas mediante una función de coste que incluye varios parámetros para cuantificar la capacidad de predicción. Entre ellos se considera el tiempo de arribo, la amplitud máxima y un ajuste global. La red de sensores que proporciona la configuración óptima es seleccionada como candidata. Finalmente, dicha red se prueba utilizando escenarios intermedios y reales para garantizar así la calidad de la predicción en todos los puntos de pronóstico. Los resultados muestran que una configuración que contiene solo tres sensores es capaz de proporcionar estimaciones precisas de los tiempos de arribo y amplitudes de la primera onda. En términos generales, es posible observar una fuerte correlación entre la ubicación de los sensores y los estimadores de error. A modo de ejemplo, la estimación de los tiempos de arribo es de mayor calidad cuando al menos un sensor se encuentra situado frente a los puntos de pronóstico. En cambio, respecto a la amplitud máxima y el ajuste global, mejores pronósticos son obtenidos cuando los sensores están situados en la zona de solevantamiento o frente a esta. Esta metodología ofrece un gran potencial para ser una herramienta que permita definir la ubicación de posibles sensores de presión; de esta forma se asegura una buena calidad de las predicciones de tsunami al utilizar la técnica de inversión. Además, la metodología aquí propuesta tiene un gran potencial para mejorar la evaluación de riesgo en tiempo real, apoyando a herramientas de toma de decisiones en sistemas de alerta temprana.