Benchmark Microsísmico Minero — Denoising & Picking

Métodos evaluados

Clásicos + aprendizaje profundo

Combinaciones evaluadas

método × tolerancia de detección

Tolerancias probadas

niveles de tolerancia en ms

F1 vs Tolerancia de detección

Curva principal del benchmark. Muestra qué tan bien detecta cada método el inicio de un evento (F1) según cuán estricta sea la tolerancia (en ms). Interactúa: pasa el cursor, haz zoom y explora.

¿Cómo interpretar esta comparativa?

El F1 combina dos cualidades: detectar eventos reales sin dejar escapar ninguno (recall) y no generar falsas alarmas (precision). Un valor de 1.0 es perfecto; 0.0 significa detección nula. Moverse a la derecha (tolerancia mayor) suele facilitar la detección, pero cada método reacciona distinto.

Sesgo de detección por método

Error absoluto medio (en ms) entre el instante detectado y el instante real del evento, para una tolerancia de referencia. Menos es mejor.

Métricas por método y tolerancia

Tabla completa con F1, precisión, recall, sesgo e intervalo de confianza al 95%. Pasa el cursor sobre una celda para ver el detalle del intervalo.

Método	t=5 ms	t=10 ms	t=25 ms	t=50 ms	t=100 ms	t=250 ms	t=500 ms
Sin filtrar	0.058	0.092	0.152	0.235	0.344	0.405	0.452
Filtro pasabanda	0.032	0.039	0.141	0.224	0.337	0.404	0.441
Umbral wavelet	0.058	0.092	0.152	0.235	0.344	0.406	0.453
STA/LTA	0.058	0.071	0.111	0.194	0.303	0.360	0.417
AIC	—	—	0.184	0.184	0.245	0.408	0.449
Curtosis	—	—	—	—	0.020	0.510	0.612
unet_spectrogram_adapted	0.058	0.093	0.167	0.236	0.341	0.412	0.456

F1 por nivel de ruido (SNR)

Cómo degrada cada método cuando la señal es débil en comparación con el ruido. Este es el caso operacional crítico en la mina: eventos que llegan con mucho ruido son los más difíciles de detectar.

Por qué importa el SNR en minería

En una mina, los geófonos captan tanto el evento sísmico real como el ruido de la operación (tronaduras, maquinaria, ventilación). Cuando la relación señal-ruido (SNR) es baja, la detección automática es más difícil. Este panel muestra qué métodos se mantienen robustos aun con señales débiles.

Tabla completa de resultados

Todos los datos del benchmark en forma tabular. Usa los filtros y el buscador para explorar. Esta tabla es la fuente de verdad de los gráficos.

Entrenamiento del modelo propio

Curva de pérdida por época del modelo U-Net espectrograma (PRD 03), en su versión adaptada con Noise2Void / curriculum (PRD 03 T1). Muestra la pérdida de entrenamiento y de validación; el mejor epoch se marca en el resumen.

Resumen del entrenamiento

Cargando resumen…

Incertidumbre calibrada (conformal prediction)

Cobertura empírica por bin de SNR vs la cobertura nominal (1 - α). Si el modelo está bien calibrado, la cobertura empírica debe acercarse a la nominal en todos los niveles de ruido. La tasa de abstención indica cuándo el sistema decide no arriesgarse (PRD 03 §4.2, decisión D2).

Métricas de calibración

Cargando resumen…

Ablaciones del modelo propio

Contribución de cada componente del modelo (PRD 03 T4): se retira un componente a la vez y se mide el impacto en la métrica indicada, con intervalo de confianza al 95%.

Detalle de ablaciones

Cargando resumen…

Acerca del benchmark

Este proyecto es un benchmark abierto para denoising (limpieza de señales) y picking (detección del instante de llegada de un evento) en contexto microsísmico minero. Su objetivo es comparar de forma justa y reproducible métodos clásicos (STA/LTA, AIC, kurtosis, filtros) y de aprendizaje profundo.

Criterios de rigor

Rigurosidad estadística: intervalos de confianza al 95% vía bootstrap.
Reproducibilidad: un comando regenera la tabla completa.
Declarativo: el modelo prioriza con score de confianza, nunca descarta.
Fallback clásico: STA/LTA en paralelo permanente (degradación graceful).

Acerca de este dashboard

Generado estáticamente con Python + Plotly.js. No requiere servidor de aplicaciones: se abre directamente en el navegador o se sirve desde GitHub Pages / Vercel.