Blog

Aug 21, 2023

Identificando ataques en Rusia

Nature (2023)Cite este artículo 2408 Accesos 64 Detalles de Altmetric Metrics La comunidad investigadora generalmente utiliza los sismómetros para estudiar terremotos locales o distantes, pero los sismogramas también contienen

Naturaleza (2023)Cita este artículo

2408 Accesos

64 altmétrico

Detalles de métricas

La comunidad investigadora suele utilizar los sismómetros para estudiar terremotos locales o distantes, pero los sismogramas también contienen observaciones críticas de explosiones regionales1,2 y globales3, que pueden utilizarse para comprender mejor los conflictos e identificar posibles violaciones del derecho internacional. Aunque el Sistema Internacional de Vigilancia4 utiliza tecnología sísmica, infrasónica e hidroacústica para vigilar las explosiones nucleares como parte del Tratado de Prohibición Completa de los Ensayos Nucleares, la detección y localización de ataques militares de menor rendimiento requiere una red de sensores mucho más cerca de la fuente. de las explosiones. Por lo tanto, obtener datos completos y objetivos que puedan utilizarse para monitorear eficazmente una zona de conflicto activo sigue siendo un desafío sustancial. Aquí mostramos cómo las ondas sísmicas generadas por explosiones en el norte de Ucrania y registradas por una red local de sismómetros pueden usarse para identificar automáticamente ataques individuales casi en tiempo real, proporcionando una visión sin precedentes de una zona de conflicto activo. Entre febrero y noviembre de 2022, observamos más de 1.200 explosiones en las provincias de Kiev, Zhytomyr y Chernihiv, lo que proporcionó horas de origen, ubicaciones y magnitudes precisas. Identificamos una variedad de señales sismoacústicas asociadas con varios tipos de ataques militares, cuyo catálogo de explosiones resultante supera con creces el número de ataques reportados públicamente. Nuestros resultados demuestran que los datos sísmicos pueden ser una herramienta eficaz para el seguimiento objetivo de un conflicto en curso, proporcionando información invaluable sobre posibles violaciones del derecho internacional.

Aunque los informes de los medios muestran la devastación asociada con la guerra en Ucrania, obtener una visión global e imparcial de los continuos ataques militares es un desafío sustancial. Las publicaciones en las redes sociales y los medios de comunicación tradicionales tienen el potencial de ser subjetivas y, de hecho, a menudo están sujetas a manipulación con fines de desinformación y propaganda. Tener una imagen más completa y objetiva que muestre exactamente dónde y cuándo se están produciendo los ataques es vital para desarrollar una comprensión clara de la escala de un conflicto, cómo avanza e identificar posibles violaciones del derecho internacional.

Se ha demostrado que las imágenes satelitales son un medio eficaz para proporcionar imágenes de alta resolución de ataques militares en Ucrania. Estos datos ahora son accesibles al público5 y ayudan a respaldar a la emergente comunidad de inteligencia de fuente abierta. Sin embargo, aunque las imágenes de satélite abiertas pueden proporcionar una alta resolución espacial, se requiere conocimiento previo sobre el tiempo y la ubicación de las imágenes. Proporcionar una cobertura integral en una gran región en tiempo real está más allá de la capacidad de esta tecnología y, por lo tanto, adolece de la información incompleta que afecta a los informes tradicionales.

Sin embargo, las imágenes de satélite no son la única fuente de datos objetivos sobre conflictos. Las ondas sísmicas y sonoras generadas por una explosión pueden propagarse a lo largo de cientos de kilómetros, a velocidades de hasta aproximadamente 8 km s-1 en el suelo y aproximadamente 0,34 km s-1 en el aire. Estas señales pueden registrarse mediante sismómetros y microbarómetros a altas frecuencias de muestreo (normalmente entre 40 y 200 Hz), lo que puede ayudar a monitorear un conflicto en tiempo real. Los métodos acústicos y sísmicos se han utilizado desde la Primera Guerra Mundial para localizar posiciones de artillería y fueron fundamentales para el desarrollo de los métodos de exploración sísmica modernos6,7,8. Desde entonces, los métodos han evolucionado para centrarse en localizar posiciones de artillería y áreas de impacto utilizando sensores acústicos a partir de conjuntos de datos experimentales9 o para inferir propiedades de grandes explosiones individuales1,2,10. Sin embargo, el análisis en tiempo real de las señales sísmicas y acústicas de un conflicto militar activo está, hasta ahora, ausente en la literatura, en parte debido a la falta de datos adecuados.

Sin embargo, la disponibilidad de datos sísmicos e infrasónicos es ahora más frecuente. El Sistema Internacional de Vigilancia (IMS), una red mundial para detectar explosiones nucleares como parte del Tratado de Prohibición Completa de los Ensayos Nucleares, cuenta actualmente con más de 200 estaciones sismológicas e infrasónicas combinadas4. De manera similar, los datos disponibles abiertamente utilizados para monitorear e investigar los terremotos y el interior de la Tierra son enormes y continúan expandiéndose11. Estos sensores se pueden utilizar para monitorear conflictos, y el rendimiento de dicha red se basa en la proximidad de los sensores a la región que se está monitoreando, el tamaño de las explosiones y qué tan bien se transmite la energía.

Aproximadamente a 100 km al noroeste de Kiev, Ucrania, el SIV tiene un sistema sísmico operado por el Centro Nacional de Datos de Ucrania, denominado Malyn AKASG (código de tratado: PS45). Está compuesto por 23 sismómetros de banda ancha de componentes verticales y un único sismómetro de banda ancha de tres componentes, con una apertura de aproximadamente 27 km, con alrededor de 2 km entre cada sensor.

El diseño previsto era para la detección de ensayos nucleares a distancias telesísmicas (>3.300 km) con técnicas clásicas de procesamiento de matrices. Bajo el supuesto de que los frentes de onda entrantes son planos y se originan desde distancias mucho mayores que la apertura del conjunto, las señales coherentes a través del conjunto se apilan para mejorar la relación señal-ruido, mientras que los retrasos de tiempo entre los elementos individuales del conjunto se utilizan para estimar. la dirección de un frente de onda entrante12. Para dirigir el conjunto hacia la detección de actividad sísmica local y regional, debemos abandonar la suposición clásica de onda plana y utilizar observaciones de sismómetros individuales para localizar con precisión eventos cerca del conjunto. Con una gran huella espacial y un alto número de sensores, el conjunto Malyn ofrece una oportunidad única para monitorear explosiones relacionadas con conflictos en las provincias de Zhytomyr, Kyiv y Chernihiv en el norte de Ucrania.

Hemos implementado una solución de monitoreo continuo que puede detectar y localizar explosiones automáticamente, utilizando señales sísmicas registradas en el conjunto Malyn. Los datos se transmiten continuamente al Centro Internacional de Datos (IDC) en Viena y desde allí a Noruega para su procesamiento automático, generando resultados casi en tiempo real. Nuestra implementación se basa en una metodología diseñada para detectar y localizar automáticamente actividad microsísmica13 utilizando un enfoque de migración/apilamiento14,15,16 aplicado a funciones características de la relación de amplitud promedio a corto plazo y promedio a largo plazo (STA/LTA), diseñada para detectar Señales de onda P y onda S en cada sensor (Métodos). A pesar de observar señales de ondas acústicas aire-tierra, inicialmente omitimos estas señales del algoritmo de localización automática, ya que se observan con poca frecuencia y sus señales menos impulsivas conducen a un mayor número de detecciones falsas y una sensibilidad reducida del algoritmo de detección. Sin embargo, para las señales sísmicas podemos producir ubicaciones y tiempos de eventos de alta precisión para la región al noroeste de Kiev, lo que nos permite observar el desarrollo del conflicto con una precisión sin precedentes.

Aunque las explosiones de boca, las ondas de choque balísticas y la detonación por impacto pueden generar energía infrasónica9, es sólo la detonación por impacto la que tiene más probabilidades de generar suficiente energía sísmica que se puede observar a las distancias que monitoreamos17,18. Las ondas de infrasonido que observamos en los sismómetros resultantes del acoplamiento aire-tierra viajan a velocidades mucho más bajas que las ondas sísmicas, lo que garantiza que no afecten negativamente a nuestro algoritmo de detección sísmica. Por lo tanto, estamos seguros de que lo más probable es que nuestras detecciones correspondan a explosiones de impacto.

Hemos detectado y localizado automáticamente 1.282 explosiones entre el 24 de febrero y el 3 de noviembre de 2022 en una región de aproximadamente 300 km × 222 km alrededor del conjunto de Malyn, incluidas partes de las provincias de Zhytomyr, Kyiv y Chernihiv (Fig. 1). En la Información complementaria se proporciona un vídeo de las explosiones detectadas. Debido al sesgo de detección cerca del conjunto, la magnitud de la integridad se reduce con la distancia desde el conjunto, lo que significa que las explosiones de menor magnitud no pueden detectarse en lugares como Chernihiv, que está aproximadamente a 170 km del conjunto. Para establecer una línea base de detección, también hemos procesado datos anteriores al inicio de la guerra, a partir del 1 de enero de 2022, lo que incrementa nuestro catálogo en 53 explosiones diurnas más, asociadas a la actividad minera y cantera en la región (Fig. 2). Después de la invasión, observamos grupos de actividad alrededor de las áreas metropolitanas de Zhytomyr, Korosten, el noroeste de Kiev, Chernihiv y Malyn. La actividad más destacada se produce al noreste de Malyn, que, si bien corresponde a una región en la que la capacidad de detección es alta, también coincide con una región de intensos combates en los límites del territorio controlado por Rusia a finales de febrero y marzo. Entre el 24 de febrero y el 31 de marzo, observamos un promedio de 29 explosiones detectadas por día, con la mayor actividad el 7 de marzo, para el cual se identifican 64 explosiones. El territorio controlado por Rusia en la región se expandió hasta el 21 de marzo, después de lo cual se reivindicaron contraofensivas ucranianas antes de que se informara de la retirada final rusa de la región de Kiev el 2 de abril (ref. 19). Observamos el último bombardeo intenso el 31 de marzo, y sólo se detectaron dos explosiones el 1 de abril. Después de la retirada rusa, la actividad de fondo vuelve en gran medida a los niveles anteriores a la invasión, con la reanudación de parte de la actividad minera. Sin embargo, continúan los ataques selectivos esporádicos en lugares estratégicos. En la figura 3 se puede observar la progresión desde las explosiones mineras previas a la invasión hasta los intensos ataques militares, correspondientes al avance del ejército ruso, seguidos de ataques poco frecuentes pero dirigidos.

Las detecciones están coloreadas por fecha de ocurrencia y escaladas por magnitud. Las detecciones antes del inicio de la invasión el 24 de febrero se muestran en gris. Las ubicaciones de los sensores sísmicos individuales del conjunto Malyn se muestran mediante triángulos blancos. Se indica la ubicación de la central nuclear de Chernobyl. Barra de escala, 50 km.

La distribución del histograma separa las detecciones diarias durante la noche (azul) y el día (verde). La línea negra muestra el número acumulado de detecciones, mientras que la línea roja muestra los eventos acumulados con señales acústicas observables. La línea naranja muestra el número acumulado de eventos de Liveuamap informados. El inicio de la invasión rusa se indica con la línea roja discontinua y la retirada rusa de la región de Kiev se muestra con la línea roja punteada. Las flechas etiquetadas apuntan a ejemplos de ataques específicos que se muestran en la Fig. 4.

Las detecciones individuales se muestran mediante puntos azules (durante la noche) y verdes (durante el día). La ubicación del conjunto sísmico de Malyn se muestra mediante los triángulos blancos. Cada panel se escala a su valor máximo. a, Período previo a la invasión del 1 de enero al 23 de febrero de 2022, con una densidad máxima de eventos de 0,09 eventos km−2. b, Inmediatamente después de la invasión rusa del 24 de febrero al 6 de marzo de 2022, con una densidad máxima de eventos de 0,11 eventos km-2. c, Período de intensos combates del 7 de marzo al 5 de abril de 2022, con una densidad máxima de eventos de 0,73 eventos km−2. d, Período posterior a la retirada rusa informada (2 de abril de 2022) del 6 de abril al 3 de noviembre de 2022, con una densidad máxima de eventos de 0,25 eventos km−2. Las áreas sombreadas en gris en b y c indican regiones ocupadas por tropas rusas. Barras de escala, 50 km.

La mayoría de las explosiones asociadas con un conflicto militar ocurren a nivel del suelo o por encima de él, liberando la mayor parte de su energía a la atmósfera. Las ondas acústicas resultantes proporcionan limitaciones clave sobre los parámetros de la fuente de explosión20. Aunque optamos por omitir las ondas acústicas de nuestro algoritmo de ubicación automática, aún podemos intentar identificar estas llegadas en función de las detecciones sísmicas. Al apilar la envoltura sísmica en una ventana de tiempo limitada por ondas que viajan a velocidades acústicas (Métodos), identificamos firmas acústicas claras para el 29% de los eventos sísmicos (línea roja en la Fig. 2 y puntos verdes en la Fig. 4f), que son capaz de restringir aún más la información de eventos tanto espaciales como temporales (mapas insertados en la Fig. 4a, e). La ausencia de ondas acústicas en la mayoría de los eventos puede explicarse en parte por la elección del umbral de detección acústica, los procesos de absorción y dispersión notables en altas frecuencias y la ausencia de guías de ondas del viento cercanas al suelo, que impiden que la energía acústica se transmita. propagándose eficientemente a lo largo de la superficie21. También vale la pena señalar que no todas las explosiones observadas en los datos de forma de onda presentan llegadas sísmicas, y algunos eventos sólo son detectables a partir de su firma acústica. Lo más probable es que estos eventos correspondan a explosiones a mayor altitud, a mayores distancias de la fuente (>100 km) o con menor rendimiento. Estas observaciones resaltan que tanto el monitoreo acústico como el sísmico pueden desempeñar un papel importante en el monitoreo de conflictos.

a, Ataque al aeropuerto de Hostomel. b, Explosión en un depósito de petróleo en Chernyakhiv. c, Un ataque aéreo sobre Chernihiv, la mayor explosión militar registrada. d, Una explosión no reportada al noreste de Malyn. e, Un ataque con misiles en la estación de tren de Malyn. Las formas de onda seleccionadas se muestran en varios rangos de distancia desde la fuente. Debajo de la forma de onda de la estación respectiva se muestra un ejemplo de espectrograma por evento. La onda P (P), la onda S (S), la onda acústica (IS) y la onda superficial (Rg) están etiquetadas con flechas en azul, rojo, verde y amarillo, respectivamente. Se indican las magnitudes de los eventos. Los mapas insertados en a y e (barras de escala, 1 km) muestran la ubicación automática del evento (estrella roja) y la ubicación manual del evento, incluidas las llegadas acústicas (estrella verde), en comparación con la ubicación real en el terreno (círculo amarillo). Estas ubicaciones se proporcionan en la Tabla de datos ampliados 2. f, Mapa que indica las ubicaciones de eventos de ejemplo como círculos rojos y etiquetados A-E. Los círculos verdes muestran todos los eventos con llegadas acústicas detectadas y los círculos grises sin llegadas acústicas observables. Barra de escala, 50 km.

Parte del valor de las explosiones detectadas radica en poder utilizarlas para validar explosiones reportadas o para proporcionar información completamente nueva sobre explosiones no reportadas. A modo de ejemplo, el viernes 20 de mayo a las 09:37 UTC, el alcalde de Malyn (100 km al noroeste de Kiev) publicó un mensaje en vídeo en el que afirmaba que se había producido un ataque con misiles contra la ciudad. Fotografías posteriores publicadas en los medios mostraron daños en las vías del tren e informes del Ministerio de Defensa ruso afirmaron que la estación fue atacada deliberadamente22. Casi 4 horas antes de estos informes, habíamos identificado automáticamente tres explosiones coubicadas a las 05:39:59, 05:40:11 y 05:40:23 UTC. Aunque nuestra estimación automática de ubicación fue de 1,4 km del cráter resultante, el análisis manual de las señales pudo ubicarlas dentro de los 100 m de este sitio (Fig. 4e y Tabla de datos ampliados 2).

En la Fig. 4 se muestran más ejemplos de explosiones con diferentes características de forma de onda: el ataque al aeropuerto de Hostomel (Fig. 4a) también muestra llegadas de infrasonidos observables que pueden usarse para mejorar la ubicación del evento y los ejemplos en las Fig. 4b-d muestran eventos sin acústica observable. Llegadas. Los espectrogramas de ejemplo muestran diferencias claras entre las diferentes llegadas de fase, incluida la naturaleza dispersiva de la llegada de la onda superficial (Rg).

Para comparar nuestro catálogo de explosiones con los ataques reportados públicamente, recopilamos datos de conflictos proporcionados por Live Universal Awareness Map (Liveuamap; https://liveuamap.com/) en la misma región (Métodos). Esta plataforma agrega eventos reportados por varios medios de comunicación utilizando inteligencia artificial, que se verifican manualmente. Encontramos una tendencia muy similar en la cronología de los eventos reportados en comparación con el catálogo de explosiones, con picos de actividad tanto después de la invasión inicial como para ataques dirigidos específicos después de la retirada rusa de la región en abril de 2022 (Fig. 2). Con la excepción de tres días (25-27 de febrero de 2022), el número de explosiones detectadas siempre supera el número de ataques reportados en esta región durante el período más activo (febrero-marzo). A pesar de la coincidencia general entre los eventos reportados y los sísmicos, vale la pena señalar que existen grandes incertidumbres tanto en el momento como en la ubicación de los datos reportados, ya que generalmente se basan en fuentes de datos anecdóticos.

Como ocurre con todos los algoritmos de detección automática, nuestro método no está exento de falsas detecciones. Utilizamos un umbral de detección fijo que se mantuvo relativamente bajo para mejorar las tasas de detección reales, a expensas de más falsos positivos. Los falsos positivos incluyen grandes señales de eventos que se originan fuera de nuestra región de monitoreo, como terremotos o explosiones distantes, que brindan suficiente coherencia para generar ubicaciones con alias en nuestra región de monitoreo. Además, cuando se registran varias explosiones en corta sucesión, las señales de las diferentes explosiones pueden atribuirse incorrectamente a los distintos acontecimientos, lo que da lugar tanto a una identificación errónea del número de explosiones como a la generación de ubicaciones erróneas. Estos falsos positivos pueden mitigarse, en parte, mediante pasos de preprocesamiento y una cuidadosa selección de parámetros, pero también están sujetos al mismo compromiso entre detectabilidad y detección de falsos positivos. Como resultado, realizamos una evaluación manual adicional de los resultados automáticos para reducir la cantidad de falsos positivos.

Estimar el rendimiento explosivo a partir de datos sísmicos es un área de investigación desafiante, con numerosos enfoques basados ​​tanto en observaciones empíricas como en modelos basados ​​en la física23,24,25. Los métodos recientes que combinan observaciones sísmicas y acústicas26 son muy prometedores para resolver tanto el rendimiento como la altura de las explosiones. Sin embargo, debido a que la matriz Malyn comprende datos de componentes verticales en todos los sitios excepto en uno, estamos limitados en el enfoque que podemos adoptar. Nos enfocamos en proporcionar una evaluación rápida de la fuerza explosiva mediante el cálculo automático de magnitudes sísmicas (Métodos). Las relaciones empíricas entre el rendimiento explosivo y la magnitud sísmica están bien establecidas para las explosiones nucleares subterráneas en sitios de prueba específicos27,28,29, pero pueden ser malos análogos para las explosiones de superficie, en las que existen diferencias sustanciales en el acoplamiento y la propagación de energía. Sin embargo, junto con un catálogo de explosiones terrestres con rendimientos conocidos30, estimamos los límites superior e inferior del rendimiento para cada magnitud. Observamos magnitudes locales automatizadas entre −1,25 y 2,24 (Fig. 1). Las comprobaciones puntuales de las magnitudes automatizadas mediante análisis manual proporcionan valores consistentes dentro de aproximadamente 0,3 unidades de magnitud, aunque las estimaciones de magnitud más baja parecen más cercanas a -0,6 en el análisis manual, lo que corresponde a un rendimiento explosivo de entre 0,03 y 9,00 kg de TNT. A modo de comparación, la potencia explosiva de un proyectil OF45 de 152 mm utilizado por los obuses rusos es de 7,65 kg de TNT31, lo que sugiere que la estimación superior es más realista. Los eventos de mayor magnitud (M > 1,7) están asociados con la actividad minera y de canteras cerca de Korosten (Fig. 1). La explosión más grande que puede asociarse claramente con un ataque militar tiene una magnitud de 1,7 y corresponde a un ataque aéreo dirigido a Chernihiv el 10 de marzo de 2022 (Fig. 4c). El rendimiento explosivo de esta explosión se estima entre 352 y 3.083 kg. Teniendo en cuenta que un misil balístico Iskander tiene un rendimiento de aproximadamente 700 kg (ref. 32), nuestra estimación de rendimiento máximo es demasiado alta, pero la estimación más baja es ciertamente factible para tal ataque aéreo. Para mejorar aún más las estimaciones de rendimiento, también derivamos estimaciones de rendimiento independientes a partir de amplitudes de fase acústica (Métodos). Sin embargo, los modelos de predicción basados ​​en la acústica33 conducen a rendimientos aún mayores, lo que pone de relieve la necesidad de realizar experimentos de calibración de rendimiento.

El análisis de los datos sísmicos recopilados durante la guerra entre Rusia y Ucrania de 2022 ha demostrado el primer caso conocido de uso de datos sísmicos para monitorear un conflicto casi en tiempo real. La distribución de las explosiones militares detectadas corresponde bien a zonas de intensa actividad militar o ataques individuales de artillería y misiles. Aunque nuestro catálogo de explosiones no es exhaustivo, demostramos una amplitud que excede la cantidad de ataques reportados públicamente, demostrando su valor tanto en la verificación de informes como como fuente de datos original. Nuestro método automático de detección de fase sísmica proporciona información espacial precisa (error de <5 km) y temporal (error de <1 s) sobre eventos regionales en el norte de Ucrania (<100 km del conjunto Malyn). La detección y el análisis automático de fases acústicas en el posprocesamiento permiten mejorar aún más la precisión espacial. La misma metodología se puede aplicar a otros conjuntos o redes densas de sensores en las proximidades de los conflictos. Este conjunto de datos único también brinda la oportunidad de caracterizar automáticamente los tipos de artillería o municiones, lo que permite un mejor escrutinio del conflicto y ayuda a determinar violaciones del derecho internacional.

La detección de explosiones en este estudio (Tabla complementaria 1) se realizó utilizando datos recopilados en la estación sísmica primaria ucraniana del IMS, que opera como parte de la Organización del Tratado de Prohibición Completa de los Ensayos Nucleares (CTBTO). La estación se denomina Malyn AKASG con el código de tratado PS45. Los detalles de los 24 sensores de este conjunto sísmico se enumeran en la Tabla complementaria 2.

La metodología que utilizamos para la detección de eventos sísmicos se basa en el paquete de software QuakeMigrate13, diseñado para la detección y localización automática de terremotos mediante migración y apilamiento de formas de onda. Usando datos sísmicos continuos registrados en el conjunto sísmico de Malyn, transformamos los datos en cada sensor (y cada canal para el caso del sensor de tres componentes AKBB) en funciones de inicio usando STA/LTA para ayudar a identificar la onda P o la onda S. llegadas de ondas sísmicas. Para la detección de ondas P, primero aplicamos un filtro de paso de banda Butterworth de dos polos con frecuencias de esquina de 6 y 16 Hz, mientras que para la detección de ondas S utilizamos una banda de frecuencia entre 6 y 14 Hz. Para ambas fases, utilizamos una ventana STA de 0,3 sy una ventana LTA de 3 s. Utilizando una tabla de búsqueda de tiempos de viaje sísmicos precalculados, migramos y apilamos estas funciones de inicio en una cuadrícula de ubicaciones candidatas en cada paso de tiempo. Para una explosión que se ha registrado con éxito en la red sísmica, las amplitudes de las funciones de inicio se sumarán coherentemente (o se fusionarán) para el punto de la cuadrícula correspondiente a la ubicación de origen y el paso de tiempo que coincide con el tiempo de origen de la explosión.

Nuestra búsqueda de cuadrícula se realiza en dos dimensiones en la superficie de la Tierra, entre latitudes de 50° y 52° N y longitudes de 28° y 32,3° E, utilizando un espaciado de cuadrícula de 1 km. Los tiempos de viaje teóricos de las ondas P y S para esta cuadrícula se calculan utilizando un solucionador eikonal de NonLinLoc34. Como entrada al solucionador eikonal, utilizamos un modelo de velocidad 1D extraído del modelo de corteza global de 1 × 1 grado, CRUST1.0 (ref. 35), a una longitud de 29,5 ° E y una latitud de 50,5 ° N (ver Ampliado Tabla de datos 1).

Para generar activadores de eventos, aplicamos un umbral de detección estática de 3,0 a los valores de coalescencia generados en cada paso de tiempo de la migración y el apilamiento. Este valor umbral se eligió deliberadamente bajo para garantizar un alto nivel de detección. Aunque está por encima del nivel de ruido de fondo, este umbral también genera muchos falsos positivos para señales que se originan fuera de nuestra red de búsqueda, que se convierten en alias dentro de nuestra área de búsqueda durante la migración. Para reducir la cantidad de falsos positivos, eliminamos todos los desencadenantes que tienen ubicaciones que se originan en Bielorrusia o que están mapeados dentro de la huella de la matriz, en los que muchos de los eventos de falsos positivos adquieren alias.

Luego volvemos a ejecutar la migración y el apilamiento de los activadores restantes utilizando una función STA/LTA modificada que se aproxima mejor a una gaussiana para las funciones de inicio, lo que da como resultado ubicaciones de eventos y tiempos de origen más precisos. Durante esta etapa también se calculan las magnitudes automáticas. Se realiza una selección manual final de los eventos revisando tanto las formas de onda filtradas con sus tiempos de llegada teóricos como las imágenes de migración que muestran los valores de coalescencia mapeados en nuestra cuadrícula regional 2D. Cualquier falso positivo claro se elimina del catálogo de eventos durante esta evaluación manual. Cabe señalar que tanto el filtrado espacial como el filtrado manual no son necesarios con un umbral de detección más alto, pero la tasa de detección real se reduciría. Presentamos un análisis de sensibilidad de detección para tres días seleccionados en una sección posterior de Métodos.

La incertidumbre de la ubicación del algoritmo de migración se puede evaluar en términos de las imágenes de migración que se calculan para cada evento. Estas imágenes 2D muestran la función de coalescencia para una ventana de tiempo determinada, que es la base para la ubicación y el tiempo de origen de cada detección. En primer lugar, vale la pena considerar la incertidumbre teórica de la ubicación para diferentes ubicaciones en nuestra área objetivo. Esto se puede lograr calculando funciones de dispersión de puntos para mostrar la respuesta al impulso de la migración. Esta respuesta teórica está influenciada por la función de imagen, la geometría de la red, el modelo de velocidad, la ubicación del evento y las fases sísmicas que utilizamos para generar nuestras imágenes. Mostramos funciones de dispersión de puntos para dos ubicaciones con distancias muy diferentes a la matriz (se proporcionan más ubicaciones en la Información complementaria). Además, mostramos ejemplos de explosiones observadas en lugares similares para comparar el caso sintético con el observado. En la Fig. 1 de datos ampliados, mostramos funciones de dispersión de puntos y datos observados de Malyn, aproximadamente a 9 km de la estación de referencia AKBB. En la Fig. 2 de datos ampliados, mostramos ejemplos de Chernihiv en el noreste, que está aproximadamente a 170 km de la estación de referencia AKBB. Para ilustrar la necesidad y la influencia de utilizar los inicios de las ondas P y S en la migración, calculamos funciones de dispersión de puntos para tres casos: (1) cuando solo tenemos la onda P; (2) cuando tenemos sólo la onda S; y (3) cuando tenemos tanto la onda P como la onda S. Para cuantificar la incertidumbre de la ubicación dentro de las funciones de dispersión de puntos, calculamos elipses de incertidumbre basadas en el ancho total a la mitad del máximo. Realizamos un análisis de componentes principales en todos los puntos que se encuentran dentro del 50% del valor máximo de la función de dispersión de puntos para generar una elipse de incertidumbre, que luego se centra en el máximo de la imagen. Este enfoque tiene sus limitaciones, como lo demuestran las elipses de incertidumbre generadas para las funciones de dispersión de puntos de Chernihiv (Datos ampliados, figura 1a). Para las funciones de dispersión puntual de onda P únicamente y onda S únicamente, los valores dentro del 50% del máximo están limitados por el tamaño del área de migración, lo que tiene el efecto de reducir artificialmente el tamaño de la elipse de incertidumbre. A pesar de esta limitación, observamos que la respuesta de imagen óptima (con ondas P y S a través de la red) proporciona una precisión de ubicación de 4,7 km (eje semimayor) para un evento en Chernihiv y 2,9 km para un evento en Malyn. en el que la distancia a la matriz se reduce considerablemente. También observamos que, con un solo tipo de fase (particularmente solo la onda P), no hay suficiente resolución para localizar eventos, especialmente a grandes distancias o al noroeste y sureste del conjunto, en los que la cobertura azimutal se reduce. En los datos observados de Malyn (Datos ampliados, Fig. 1b), aunque ahora hay un mayor ruido y hay incertidumbres epistémicas incluidas en la migración, aún se puede considerar cualitativamente que la imagen de migración resultante muestra una alta precisión debido a la clara P- inicios de onda y onda S en los datos de forma de onda. Para Chernihiv, mostramos datos observados (Datos ampliados, figura 2b) que son de mucha peor calidad, con muchas menos señales impulsivas y mayor ruido en los datos de forma de onda, lo que degrada aún más la resolución de imagen inherente a esa ubicación. Esta peor calidad de los datos se debe a la mayor distancia desde la red, la banda de frecuencia única que se aplica a todos los eventos en la región de la imagen y los posibles efectos de la ruta. Aunque observamos una alta incertidumbre azimutal, aún podemos limitar la distancia relativamente bien gracias a las observaciones de las ondas P y S.

Mostramos más ejemplos observados de nuestro catálogo de eventos en Datos extendidos, figura 3, para demostrar el efecto de la ubicación y la calidad de los datos en las imágenes de migración. Por ejemplo, en la Fig. 3a de datos extendidos, mostramos un evento típico de la alta calidad que observamos en la región hasta 50 km al noreste del conjunto. Esto genera una imagen de migración de alta resolución. A modo de comparación, también mostramos un evento de calidad mucho menor desde una ubicación similar en la Fig. 3b de datos extendidos. En todos los ejemplos, generalmente existe un buen ajuste entre los tiempos de llegada teóricos de las ondas P y S y las llegadas observadas en las formas de onda.

Para demostrar la sensibilidad de detección y justificar nuestra elección del umbral de activación, calculamos la tasa de verdaderos positivos (TPR) y la tasa de falsos descubrimientos (FDR) para tres días diferentes. El TPR se define como,

en el que TP es el número de verdaderos positivos que han sido detectados y localizados por el algoritmo de migración y P es el número total de positivos reales en el conjunto de datos, es decir, el número total de eventos que teóricamente podrían detectarse y localizarse, que incluye el número total de verdaderos positivos y el número total de falsos negativos (FN), es decir, eventos que la migración no ha podido detectar y localizar de manera confiable. Para verificar los verdaderos positivos marginales (para los cuales la relación señal-ruido es baja) y para identificar eventos falsos negativos (no detectados por el algoritmo de migración), analizamos manualmente todos los datos de forma de onda para cada uno de los tres días investigados. Aunque hay eventos en el conjunto de datos en los que solo se observan fases únicas en la red, esto no es suficiente para proporcionar una ubicación confiable del evento, como lo demuestran las funciones de dispersión de puntos en las figuras de datos extendidos. 1 y 2. Por lo tanto, estos eventos se consideran falsos positivos (FP), que el algoritmo de migración detecta y ubica erróneamente. De manera similar, al estimar la cantidad de falsos negativos mediante la detección manual de los datos de forma de onda, solo consideramos los eventos que se pueden seleccionar y ubicar manualmente utilizando un algoritmo de ubicación tradicional basado en el tiempo de llegada (HYPOSAT36) como posibles falsos negativos. Los eventos con una relación señal-ruido extremadamente baja o en los que solo está presente la onda P no se consideran falsos negativos.

Debido a que deseamos maximizar el número de verdaderos positivos y minimizar el número de falsos positivos, también calculamos el FDR, que se define como,

Como la entrada a nuestro algoritmo de migración son funciones de inicio generadas a partir de STA/LTA, suponiendo que el umbral de activación esté suficientemente por encima del nivel de ruido, surgen falsos positivos en uno de tres escenarios. Primero, los eventos sísmicos provenientes de fuera del área de migración pueden tener alias espaciales en la región. En segundo lugar, los eventos sísmicos pueden tener muy pocos inicios en toda la red para resolver de manera confiable la ubicación del evento, pero aún estar por encima del umbral de activación debido a las altas relaciones señal-ruido para un subconjunto de fases o estaciones. En tercer lugar, varios eventos en diferentes ubicaciones ocurren simultáneamente, o eventos que ocurren en corta sucesión, lo que da como resultado funciones de inicio para dos eventos diferentes que se migran como un solo evento. Por ejemplo, las funciones de inicio de las ondas P para el evento 1 pueden migrarse con las funciones de inicio de las ondas S para el evento 2, generando un evento incorrecto.

Los tres días que seleccionamos para este análisis fueron el 3 de febrero, el 7 de marzo y el 20 de mayo de 2022. Se eligió el 3 de febrero porque representa un día antes de la invasión, en el que solo se detectaron explosiones en canteras y, por lo tanto, proporciona una buena medida de referencia. El 7 de marzo representa el día con el mayor número de explosiones detectadas y se seleccionó el 20 de mayo porque es después de la principal retirada rusa de la región, pero todavía se detectaron ataques selectivos. Además, el 20 de mayo es un día con un elevado número de señales repetitivas que observamos habitualmente a lo largo de nuestro periodo de estudio y que contribuye sustancialmente al número de falsos positivos detectados. Creemos que estas señales repetidas se originan en una posible actividad minera en Bielorrusia, pero que en repetidas ocasiones aparecen como alias en nuestra región de migración.

En la Fig. 4 de datos ampliados, mostramos la serie temporal de la coalescencia máxima de toda la región de migración para cada uno de los tres días en los que se realiza la activación. Las señales repetidas de la supuesta actividad minera de Bielorrusia se pueden observar claramente entre aproximadamente las 16:40 y las 18:15 UTC y nuevamente entre aproximadamente las 19:25 y las 21:20 UTC del 20 de mayo. Los valores de coalescencia correspondientes a estos eventos son similares a los valores de los ataques militares observados en este día.

En las Figs. de datos ampliados. 5-7, mostramos el TPR y el FDR como una función del umbral de activación. El número total de verdaderos positivos y falsos positivos se muestra en las tablas complementarias 3 a 5. Para el 3 de febrero (Datos ampliados, figura 5), ​​para el cual observamos solo tres explosiones relacionadas con la actividad de canteras en la región, observamos una TPR del 100 % entre un umbral de activación de 2,4 y 4,0, mientras que la FDR se reduce del 99,4 % al 40% por encima del mismo rango de umbral. Aunque el FDR generalmente disminuye con un umbral de activación más alto, también observamos algunos aumentos. Por ejemplo, entre umbrales de 2,9 a 3,0, hay un aumento en FDR del 40% al 62,5%. Esto se debe a que la duración de los valores de coalescencia excede el umbral. En umbrales más bajos, la coalescencia puede exceder el umbral pero no caer por debajo de él dentro de un intervalo de tiempo determinado, lo que significa que no hay desencadenante. En un umbral más alto, dentro del mismo período, es posible que la coalescencia se active y desactive varias veces, lo que resulta en más falsos positivos.

Para el 7 de marzo (datos ampliados, figura 6), para el cual hay un total de 74 eventos válidos, observamos un aumento en la TPR de entre el 75,7 % en un umbral de 2,4 a un máximo del 94,6 % en umbrales de 2,9 y 3.0. Este aumento en la TPR a pesar de un umbral más alto se debe a la influencia de los falsos positivos. Por ejemplo, con varias explosiones se pueden generar falsos positivos por una incorrecta asociación de las distintas fases entre los eventos, lo que impedirá identificar los eventos correctos. Por lo tanto, con un mayor número de falsos positivos, el número de verdaderos positivos también puede reducirse.

También vale la pena señalar que, aunque el número de verdaderos positivos observados el 7 de marzo nunca supera los 70, detectamos un total de 73 eventos únicos en los diferentes umbrales de los 74 eventos posibles. El único evento falso negativo que solo se observó en la detección de formas de onda no fue detectado por la migración debido a que se requería una banda de frecuencia más baja para su detección.

Para el 20 de mayo (datos ampliados, figura 7), la influencia de la actividad de Bielorrusia es evidente en el FDR. Si bien el TPR alcanza un máximo del 80% en los umbrales de 2,7 y 2,8, cae del 70% al 53,3% al pasar de un umbral de 3,0 a 3,1. Sin embargo, el FDR se mantiene por encima del 90% hasta un umbral de 3,5. Esto significa que no podemos minimizar la cantidad de falsos positivos durante este período sin afectar gravemente el TPR.

Aunque nuestro objetivo es maximizar el número de verdaderos positivos y minimizar el FDR, según el TPR y el FDR para los tres días seleccionados, no existe un umbral óptimo claro. Los resultados del 3 de febrero muestran que un umbral de 4,0 proporcionaría la TPR más alta (100%) y minimizaría la FDR (40%). Por el contrario, para el 7 de marzo, cuando observamos el mayor número de explosiones, se necesitaría un umbral inferior de 3,0 para permitirnos alcanzar la TPR máxima del 94,6%, lo que daría como resultado un FDR del 58,1%. Para el 20 de mayo, se nos exigiría reducir aún más el umbral a 2,8 para maximizar la TPR (80%), pero luego experimentamos una FDR del 96,4% en este nivel.

Debido a que muchos de los falsos positivos que surgen de las señales bielorrusas repetidas generalmente tienen alias en ubicaciones del conjunto o en Bielorrusia, elegimos seleccionar un umbral relativamente bajo de 3,0 como se indica en la sección "Metodología de detección sísmica" y aplicamos lo mencionado anteriormente. filtrado espacial y control de calidad final para eliminar los falsos positivos.

La detección de fases de infrasonidos se realiza después de la etapa de detección y localización sísmica presentada en estos Métodos. Suponemos que las llegadas de infrasonidos observadas corresponden a la propagación infrasónica de la troposfera inferior cerca de la superficie, lo cual es válido a distancias cercanas de la fuente (<100 km).

Buscamos llegadas de infrasonidos para cada evento e en ventanas de tiempo que restringimos por la distancia del evento a cada sensor de,s (km) y el tiempo de origen t0,e, utilizando velocidades de sonido adiabático realistas c (km s−1) entre cmin = 0,325 km s−1 y cmax = 0,37 km s−1, de modo que tenemos = {mins∈sensors(de,s/cmax), maxs∈sensors(de,s/cmin)}. Para tener en cuenta el tiempo del evento candidato, tomamos el producto de las envolventes de forma de onda registradas en cada sensor y una función gaussiana \({g}_{e,s}={{{\rm{e}}}^{\{ \left(t-{\mu }_{e,s}\right)/\sigma \}}}^{2}\), en la que t(s) es el tiempo, con valor medio μe,s = t0 ,e + de,s/c(s) y desviación estándar σ = 7,5s para cada velocidad candidata c. Consideramos diez velocidades candidatas diferentes distribuidas uniformemente en el rango (cmin, cmax) para tener en cuenta las incertidumbres en la ubicación del evento y las velocidades del sonido en la superficie. Luego, los sobres convolucionados con una función gaussiana se apilan linealmente para extraer el máximo de apilamiento smax utilizado para identificar las llegadas de infrasonidos. Para cada evento, solo la entrada con velocidad candidata c que muestra el valor máximo para smax se mantiene en la base de datos como detección potencial.

Para confirmar la detección de llegadas de infrasonidos, aplicamos una serie de umbrales de detección estática, tstack, en el máximo de apilamiento, smax, en la relación entre el máximo promedio y la desviación estándar promedio en toda la matriz tSNR y en la relación entre la desviación estándar máxima y el promedio. desviaciones estándar a través de la matriz tstd. Los umbrales se eligen empíricamente después de realizar comprobaciones puntuales de las formas de onda detectadas, de modo que tstack = 2,2 × 10−8, tSNR = 3,655 y tstd = 7,1. Estos valores corresponden a elecciones conservadoras para reducir el número de falsos positivos.

Calculamos magnitudes locales automáticas utilizando el paquete de software QuakeMigrate13 durante la etapa final de migración y apilamiento descrita anteriormente. Eliminamos la respuesta del instrumento de cada sensor y filtramos los datos para simular la respuesta de un sismómetro Wood-Anderson. Para establecer los tiempos de llegada de fase, ejecutamos un selector automático para cada evento ajustando una gaussiana 1D a las funciones de inicio, en las que la función de inicio excede la desviación absoluta mediana fuera de la ventana de selección por un factor de 8. Filtramos los datos corregidos por el instrumento. con un filtro de paso de banda de 1 a 8 Hz y mida la amplitud máxima de la onda S en una ventana de 4 s desde el tiempo de llegada automática de la onda S. El ruido se estima midiendo la amplitud cuadrática media en una ventana de 5 s antes de la ventana de señal de onda P. Las amplitudes de las ondas S que superan la amplitud del ruido en un factor de 3 se utilizan luego para calcular la magnitud local utilizando las curvas de atenuación de Hutton-Boore37, y el valor medio de todos los sensores se utiliza para calcular la magnitud final de la red.

Estimamos el rendimiento explosivo a partir de estimaciones automáticas de magnitud utilizando dos estimaciones derivadas empíricamente. Las estimaciones de rendimiento superiores se calculan sobre la base de la relación,

donde W es el rendimiento explosivo en kg. Esto se deriva de explosiones terrestres con un tamaño de carga conocido que figura en la Tabla complementaria 6 y se compila en la ref. 30.

Las estimaciones de rendimiento más bajas se basan en la relación obtenida para el sitio de pruebas nucleares de Novaya Zemlya por29,

donde Y es el rendimiento explosivo en kilotones. Cabe señalar que esta relación se ha obtenido para magnitudes de ondas corporales (mb), pero la hemos aplicado a las magnitudes locales (ML) calculadas para las explosiones de Ucrania.

Se puede considerar que tanto las estimaciones inferior como la superior del rendimiento explosivo tienen grandes incertidumbres y deben utilizarse sólo como guía para los tamaños relativos de las explosiones.

En la figura 8 de datos ampliados se muestra un histograma que muestra la distribución de las estimaciones de rendimiento derivadas de las magnitudes sísmicas.

Existen relaciones empíricas entre el rendimiento explosivo y las amplitudes acústicas máximas, denominadas modelo de sobrepresión operativa de explosión (BOOM)33, o frecuencias dominantes, denominadas aquí modelo Revelle38. Las estimaciones basadas en frecuencia son generalmente menos sensibles a la variabilidad atmosférica en comparación con las estimaciones de amplitud. Sin embargo, se han construido modelos empíricos basados ​​en entradas de frecuencia a partir de datos históricos de campo lejano (>500 km de la fuente) de explosiones nucleares en su mayoría atmosféricas que son marcadamente diferentes, en términos de liberación de energía, de las explosiones relacionadas con conflictos investigadas aquí. Por el contrario, los modelos basados ​​en entradas de amplitud han utilizado estaciones de corto alcance (<50 km de la fuente), lo cual es más realista para nuestro conjunto de datos de eventos.

Debido a que el modelo de Revelle se basa en retornos estratosféricos a distancias mucho mayores de la fuente, solo estimamos rendimientos basados ​​en la acústica utilizando el modelo BOOM. Las estimaciones empíricas de rendimiento de BOOM39 se construyen como:

en el que L = 20 × log10(p/2e − 5) (dB), con p la amplitud de la perturbación de presión y B = arctan(3 × (dv/dz) × (R/ca)), con R (km) la distancia fuente-receptor, dv (m s-1) la diferencia máxima entre la velocidad del sonido y la velocidad del sonido en la superficie, dz (km) la altitud a la que se observa dv y ca (m s-1) la velocidad del sonido en el suelo. YBOOM requiere la amplitud de la presión como entrada, que no está disponible directamente en nuestros registros sísmicos. Para producir estimaciones de amplitud de presión, consideramos la relación vz = HρwP, en la que Hρw es el coeficiente de transmisión aire-tierra. Hρw para ondas acústicas que viajan a lo largo de la superficie40 es tal que:

en donde (λ, μ) son los parámetros Lame del terreno. Debido a que la transmisión acústica aire-tierra de alta frecuencia puede ser sensible a las capas superiores del suelo mal restringidas, consideramos dos escenarios: (1) 'roca', que corresponde a las velocidades sísmicas presentadas en la Tabla de datos ampliados 1 y densidad ρ = 2,85 × 103 kg m-3, y (2) 'sedimento', que corresponde a un escenario con velocidades de corte mucho más bajas en el suelo, de modo que vp, vs y ρ son 2 km s-1, 0,55 km s-1 y 1,93 × 103 kg m−3, respectivamente. Además, el modelo BOOM (YBOOM) utiliza gradientes de velocidad del sonido como entradas a través de dv y dz. Sin embargo, estas entradas sólo tienen un impacto de segundo orden en la transmisión de energía en comparación con los parámetros de velocidad sísmica. Por lo tanto, utilizamos los siguientes valores arbitrarios dv = 1 m s−1 y dz = 1 km. Debido a que tenemos señales registradas en varias estaciones, generamos estimaciones \(\widetilde{Y}\) como promedios en todas las estaciones.

Las estimaciones de rendimiento utilizando el modelo BOOM se presentan en la Fig. 9 de datos extendidos. Observamos grandes discrepancias entre los dos tipos de modelos de velocidad sísmica, con una transmisión de energía mucho mayor, es decir, rendimientos más bajos, en el caso de los sedimentos. Sólo las estimaciones que utilizan el modelo sísmico de 'sedimentos' coinciden cualitativamente con la distribución de las estimaciones de rendimiento basadas en los cálculos de magnitud en la Figura 8 de Datos Ampliados. Existen fuertes sesgos en las estimaciones empíricas proporcionadas por el modelo BOOM, que se desarrolló utilizando un rango diferente de rendimientos de fuente y distancias fuente-receptor. Esto resalta la necesidad de datos reales para la calibración del rendimiento en estudios futuros.

Además de las detecciones automáticas de eventos, construimos una base de datos adicional de eventos localizados con fines de validación (alrededor de 800 eventos). A diferencia del catálogo automático, los analistas seleccionaron manualmente las llegadas de las ondas P y S en todas las estaciones del AKASG, cuyo inicio era visible. Para las llegadas de ondas S, elegir la única estación de tres componentes del conjunto tendía a dar selecciones de tiempo más seguras. En algunos eventos, las llegadas acústicas también se seleccionaron manualmente.

Luego localizamos los eventos utilizando el software de localización HYPOSAT36. Este software implementa un procedimiento de optimización iterativo invirtiendo los tiempos de viaje para el epicentro y el tiempo de origen. La profundidad de la fuente se estableció en cero porque anticipamos las señales generadas en la superficie de la Tierra. Se utilizó el mismo modelo de velocidad sísmica que para la ubicación de apilamiento automático. Antes de la inversión se seleccionó una incertidumbre de 1 s en las llegadas de las ondas P y S. Los eventos con llegadas acústicas se han localizado considerando una fase acústica extra en la inversión, viajando a velocidad constante ca. Debido a que ca no se conoce con precisión, consideramos cinco candidatos potenciales de velocidad distribuidos uniformemente en el rango ca = 0,33 ± 0,01 km s-1. Luego seleccionamos la solución con mayor probabilidad posterior. Se seleccionó una incertidumbre de 5 s en las llegadas acústicas antes de la inversión para tener en cuenta la dificultad de elegir el inicio cuando las llegadas son dispersas y/o de baja amplitud. En la Fig. 4a,e se muestran ejemplos de dos eventos ubicados con llegadas seleccionadas manualmente, que incluyen llegadas acústicas.

Extrajimos todos los eventos reportados entre febrero y noviembre de 2022 del catálogo automático de eventos disponible en https://liveuamap.com/. Los catálogos de eventos diarios se pueden descargar desde el sitio web como archivos .geojson, que se pueden procesar utilizando la biblioteca JSON Python incorporada. Debido a que el catálogo de eventos contiene entradas no relacionadas con actividad militar directa, es decir, explosiones potenciales, filtramos el catálogo original usando la siguiente metodología: (1) eliminamos entradas repetidas, es decir, entradas con la misma descripción que comparten exactamente la misma ubicación. y hora del día, pero con fechas que varían a lo largo de varios días; (2) luego conservamos solo las entradas que incluían las palabras clave ksave que se muestran a continuación; (3) y, finalmente, eliminamos las entradas que incluían las palabras clave kremove que se muestran a continuación.

Lista de palabras clave de interés:

ksave = 'ejercicio', 'violaciones del alto el fuego', 'actividad militar', 'artillería', 'dañados', 'heridos', 'lanzados', 'choque', 'huelga', 'enfrentamientos', 'objetivos', 'objetivos' ', 'proyectil', 'explotó', 'disparo', 'lucha', 'bombardeado', 'quemar', 'explotado', 'sirena', 'lanzar desde el aire', 'destruir', 'matar', 'atacar' , 'cayó', 'objetivo', 'golpeó', 'golpeó', 'explosión', 'humo', 'explosión', 'explosión', 'disparo', 'daño', 'golpe', 'bombardeo', 'desgranado', 'escalada', 'herido'.

kremove = 'satélite @Maxar', 'Embajada', 'declaración', 'canciller alemana', 'DDoS', 'procesión', 'advertencia', 'otro vídeo', 'no tendrá éxito', 'llamadas civiles', ' llamar a civil', 'sin detonar', 'reparar', 'conducir', 'tratar', 'visitar', '¡cubrirse ahora!', 'dice', 'telegrama', 'encontrado muerto', 'imágenes de satélite', ' más imágenes', 'aún no hay huelgas', 'número de muertos', 'FM ucraniano', 'fragata', 'incautada', 'negociación', 'llamada telefónica', 'ministro', 'comandante en jefe', ' Zelensky', 'asesor', 'presidente de Ucrania', 'evacuación'.

El conjunto Malyn forma parte del SIV de la OTPCE. Los datos del SIV están a disposición de los Estados Partes a través de sus centros nacionales de datos. También se puede otorgar acceso a todos los datos del IMS previa solicitud utilizando el Centro de explotación de datos virtual (vDEC) en https://www.ctbto.org/specials/vdec. El catálogo completo de explosiones detectadas automáticamente con hora de origen, ubicación, magnitud local y estimaciones de rendimiento está disponible en la Tabla complementaria 1. También indicamos la detección de fases acústicas y las estimaciones de rendimiento acústico en el catálogo. Los datos de forma de onda para cada evento, los datos de respuesta del instrumento y el contenido de la información complementaria están disponibles públicamente en Open Science Framework (https://doi.org/10.17605/OSF.IO/PKAUV).

El software QuakeMigrate utilizado para generar el catálogo automático de eventos está disponible en Zenodo (https://doi.org/10.5281/zenodo.4442749). El software HYPOSAT que se utilizó para reubicar manualmente los dos eventos que se muestran en la Fig. 4a, e está disponible en https://doi.org/10.2312/GFZ.NMSOP-2_Downloads.

Carmichael, JD y cols. Señales sismoacústicas persistentes y “misteriosas” reportadas en el estado de Oklahoma durante 2019. Bull. Sísmol. Soc. Soy. 112, 553–574 (2021).

Artículo de Google Scholar

Pilger, C. y col. Estimación del rendimiento de la explosión de Beirut de 2020 utilizando formas de onda de acceso abierto y datos de teledetección. Ciencia. Rep. 11, 14144 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Gibbons, SJ, Pabian, F., Näsholm, SP, Kværna, T. y Mykkeltveit, S. Estimaciones precisas de la ubicación relativa de las pruebas nucleares de Corea del Norte utilizando correcciones empíricas de lentitud. Geofís. J. Int. 208, 101-117 (2017).

ADS del artículo Google Scholar

Ringdal, F., Mykkeltveit, S. & Kværna, T. NORSAR y la prohibición de ensayos nucleares (NORSAR, 2022).

Baraniuk, C. Cómo el acceso a imágenes de satélite cambia la visión de la guerra. BBC News (22 de marzo de 2022); https://www.bbc.com/news/business-60762772.

Gendzwill, D. Localización de cañones según el alcance del sonido en la Primera Guerra Mundial. Plomo. Borde 26, 27-29 (2007).

Artículo de Google Scholar

Keppner, G. Ludger Mintrop. Dirigir. Borde 10, 21-28 (1991).

Artículo de Google Scholar

Costley, RD Acústica del campo de batalla en la Primera Guerra Mundial: ubicación de artillería. Acústico. Hoy 16, 31–39 (2020).

Artículo de Google Scholar

Dagallier, A. y col. Localización acústica de largo alcance de disparos de artillería mediante sensores acústicos síncronos distribuidos. J. acústico. Soc. Soy. 146, 4860–4872 (2019).

Artículo ADS PubMed Google Scholar

Aleqabi, GI, Wysession, ME & Ghalib, HAA Caracterización de fuentes sísmicas de operaciones militares en terreno urbano (MOUT): ejemplos de Bagdad. Toro. Sísmol. Soc. Soy. 106, 23–41 (2015).

Artículo de Google Scholar

Registro Internacional de Estaciones Sismográficas (Centro Sismológico Internacional, 2023); https://doi.org/10.31905/EL3FQQ40.

Schweitzer, J. y col. en Nuevo Manual de Práctica 2 del Observatorio Sismológico (NMSOP-2) (ed. Bormann, P.) 1–80 (Centro Alemán de Investigación Geo GFZ, 2012).

Winder, T. y col. QuakeMigrate: un paquete Python modular de código abierto para la detección y ubicación automática de terremotos (ESS Open Archive, 2021); https://doi.org/10.1002/essoar.10505850.1.

Kao, H. y Shan, S.-J. El algoritmo de escaneo de fuentes: mapear la distribución de fuentes sísmicas en el tiempo y el espacio. Geofís. J. Int. 157, 589–594 (2004).

ADS del artículo Google Scholar

Langet, N., Maggi, A., Michelini, A. & Brenguier, F. Migración continua basada en curtosis para la detección y localización de eventos sísmicos, con aplicación al volcán Piton de la Fournaise, La Reunión. Toro. Sísmol. Soc. Soy. 104, 229–246 (2014).

Artículo de Google Scholar

Chambers, K., Dando, BDE, Jones, GA, Velasco, R. & Wilson, SA Imágenes de migración del tensor de momento. Geofís. Prospecto. 62, 879–896 (2014).

ADS del artículo Google Scholar

Brissaud, Q., Kværna, T., Iranpour, K., Kaschwich, T. & Dyrdal, I. Detección y propiedades del infrasonido de artillería local. En CTBT: Conferencia de Ciencia y Tecnología 2021 (SnT2021) P1.1-464 (2021).

Anderson, TS Aumento sísmico del monitoreo acústico del fuego de mortero. Proc. SPIE 6736, 67360I (2007).

ADS del artículo Google Scholar

Actualizaciones del conflicto de Ucrania (Instituto para el Estudio de la Guerra, 2022); https://www.understandingwar.org/backgrounder/ukraine-conflict-updates.

Ottemöller, L. & Evers, LG Análisis sismo-acústico de la explosión del depósito de petróleo de Buncefield en el Reino Unido, 11 de diciembre de 2005. Geophys. J. Int. 172, 1123-1134 (2008).

ADS del artículo Google Scholar

Averbuch, G., Ronac-Giannone, M., Arrowsmith, S. y Anderson, J. Evidencia de variaciones atmosféricas temporales breves observadas por señales infrasónicas: 1. La troposfera. Ciencia espacial terrestre. 9, e2021EA002036 (2022).

ADS del artículo Google Scholar

Adler, N. Dentro de las investigaciones sobre crímenes de guerra en Ucrania. Al Jazeera (21 de junio de 2022); https://www.aljazeera.com/features/2022/6/21/inside-ukraine-war-crimes-investigations.

Koper, KD, Wallace, TC, Reinke, RE y Leverette, JA Leyes de escala empíricas para explosiones de camiones bomba basadas en datos sísmicos y acústicos. Toro. Sísmol. Soc. Soy. 92, 527–542 (2002).

Artículo de Google Scholar

Pasyanos, ME, Walter, WR y Mayeda, KM Explotación de envolventes de amplitud regionales: un estudio de caso de terremotos y explosiones en la Península de Corea. Toro. Sísmol. Soc. Soy. 102, 1938-1948 (2012).

Artículo de Google Scholar

Ford, SR y cols. Partición de la energía sismoacústica y estimación del rendimiento y la altura de explosión/profundidad de enterramiento para explosiones cercanas a la superficie. Toro. Sísmol. Soc. Soy. 104, 608–623 (2014).

Artículo de Google Scholar

Kim, K. & Pasyanos, ME Estimación de la profundidad y el rendimiento de la explosión sismoacústica: conocimientos del experimento de acoplamiento de explosiones de gran superficie. Toro. Sísmol. Soc. Soy. https://doi.org/10.1785/0120220214 (2023).

Ringdal, F., Marshall, PD y Alewine, RW Determinación del rendimiento sísmico de explosiones nucleares subterráneas soviéticas en el sitio de pruebas del río Shagan. Geofís. J. Int. 109, 65–77 (1992).

ADS del artículo Google Scholar

Murphy, JR en Monitoreo de un Tratado de Prohibición Completa de Ensayos Nucleares (eds Husebye, ES & Dainty, AM) 225–245 (Springer, 1996).

Bowers, D., Marshall, PD y Douglas, A. El nivel de disuasión proporcionado por los datos del conjunto de sismómetros SPITS ante posibles violaciones de la Prohibición Completa de Ensayos Nucleares en la región de Novaya Zemlya. Geofís. J. Int. 146, 425–438 (2001).

ADS del artículo Google Scholar

Booth, DC La relación entre la magnitud sísmica local ML y el peso de la carga para explosiones en el Reino Unido. Archivo de investigación abierto NERC https://nora.nerc.ac.uk/id/eprint/8570 (2009).

Evans, R. & Seddon, B. Guía de artefactos explosivos para Ucrania: segunda edición (GICHD, 2022); https://www.gichd.org/fileadmin/uploads/gichd/Publications/GICHD_Ukraine_Guide_2022_Second_Edition_web.pdf.

Hardy, J. ¿Qué armas explosivas están utilizando los rusos en Ucrania? Acción sobre la Violencia Armada (14 de marzo de 2022); https://aoav.org.uk/2022/russias-arsenal-of-explosive-weapons-in-ukraine/.

Douglas, CD Modelo de sobrepresión operativa de explosión (BOOM): Informe técnico del método de predicción de explosión de aire AFWL-TR-85-150 (Centro de información técnica de defensa, 1987).

Lomax, A., Michelini, A. y Curtis, A. en Encyclopedia of Complexity and Systems Science (ed. Meyers, R.) 1–33 (Springer, 2009).

Laske, G., Masters, G., Ma, Z. & Pasyanos, M. Actualización sobre CRUST1.0: un modelo global de 1 grado de la corteza terrestre. En Resúmenes de la conferencia de la Asamblea General de EGU EGU2013–2658 (EGU, 2013).

Schweitzer, J. HYPOSAT: una rutina mejorada para localizar eventos sísmicos. Pura aplicación. Geofís. 158, 277–289 (2001).

ADS del artículo Google Scholar

Hutton, LK y Boore, DM La escala ML en el sur de California. Toro. Sísmol. Soc. Soy. 77, 2074–2094 (1987).

Artículo de Google Scholar

Revelle, DO Detección histórica de impactos atmosféricos de grandes bólidos utilizando ondas de gravedad acústica. Ana. Académico de Nueva York. Ciencia. 822, 284–302 (1997).

ADS del artículo Google Scholar

Golden, P. Negraru, P. & Howard, J. Informe técnico de estudios de infrasonidos para la estimación del rendimiento de las explosiones AFRL-RV-PS-TR-2012-0084 (Centro de información técnica de defensa, 2012).

Ichihara, M., Takeo, M., Yokoo, A., Oikawa, J. y Ohminato, T. Monitoreo de la actividad volcánica utilizando patrones de correlación entre infrasonido y movimiento del suelo. Geofís. Res. Letón. 39, L04304 (2012).

ADS del artículo Google Scholar

Descargar referencias

Agradecemos al personal del Centro Principal de Vigilancia Especial en Ucrania por el funcionamiento continuo del sistema sísmico de Malyn durante toda la guerra. Este trabajo ha sido apoyado con financiación de las autoridades noruegas. En NORSAR, V. Oye brindó un apoyo invaluable y brindó comentarios que llevaron a mejoras notables en este trabajo. También nos gustaría agradecer a los colegas de NORSAR que rápidamente establecieron un acceso continuo a los datos que permitió el monitoreo casi en tiempo real de Ucrania. Las opiniones expresadas en este documento son las de los autores y no reflejan necesariamente las opiniones de la Comisión Preparatoria de la OTPCE ni las opiniones del gobierno noruego.

NORSAR, Kjeller, Noruega

Ben DE Dando, Bettina P. Goertz-Allmann, Quentin Brissaud, Andreas Kohler, Johannes Schweitzer y Tormod Kværna

Universidad Ártica de Noruega – UiT, Tromsø, Noruega

Andreas Kohler

Universidad de Oslo, Oslo, Noruega

Johannes Schweitzer

Centro Principal de Vigilancia Especial, Centro Nacional de Pruebas y Control de Instalaciones Espaciales, Agencia Espacial Estatal de Ucrania, Gorodok, Ucrania

Alexander Liashchuk

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

BDED diseñó y dirigió la investigación, con aportes de todos los autores. BDED adaptó e implementó el método de apilamiento/migración y procesó el conjunto de datos sísmicos, con el apoyo de control de calidad de BPG-ABPG-A. y AK identificó y seleccionó manualmente llegadas sísmicas que ayudaron a guiar la parametrización inicial del método de apilamiento/migración. QB realizó la detección y análisis de la señal acústica. QB y BDED extrajeron y procesaron informes de Liveuamap para su validación. BDED, QB y BPG-A. redactó el manuscrito inicial. BPG-A. creó las figuras en el texto principal y BDED creó las figuras de datos ampliados. AL fue responsable de la adquisición de datos del conjunto Malyn. Todos los autores participaron en discusiones y análisis de datos, contribuyeron al manuscrito, contribuyeron a los Métodos, realizaron una revisión interactiva completa del manuscrito original y aprobaron la versión enviada.

Correspondencia a Ben DE Dando.

Los autores declaran no tener conflictos de intereses.

Nature agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores pares están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

a, El caso sintético, incluidas las imágenes de migración (o funciones de dispersión de puntos) solo para onda P (arriba a la izquierda), solo onda S (arriba a la derecha) y onda P y onda S (abajo a la derecha), incluida la derivada. ubicación (marcada por las líneas discontinuas) y una elipse de incertidumbre basada en el percentil 50 de las funciones de dispersión de puntos. Las formas de onda sintéticas utilizadas para generar la imagen de migración se muestran en la parte inferior izquierda. b, Un ejemplo observado de nuestro catálogo que muestra las formas de onda con las llegadas teóricas (izquierda) y la imagen de migración con la ubicación asociada (arriba a la derecha). Para cada caso, mostramos la serie temporal de la función de coalescencia utilizada para derivar el tiempo de origen.

a, El caso sintético, incluidas las imágenes de migración (o funciones de dispersión de puntos) solo para onda P (arriba a la izquierda), solo onda S (arriba a la derecha) y onda P y onda S (abajo a la derecha), incluida la derivada. ubicación (marcada por las líneas discontinuas) y una elipse de incertidumbre basada en el percentil 50 de las funciones de dispersión de puntos. Las formas de onda sintéticas utilizadas para generar la imagen de migración se muestran en la parte inferior izquierda. b, Un ejemplo observado de nuestro catálogo que muestra las formas de onda con las llegadas teóricas (izquierda) y la imagen de migración con la ubicación asociada (arriba a la derecha). Para cada caso, mostramos la serie temporal de la función de coalescencia utilizada para derivar el tiempo de origen.

a–f, Cada panel muestra: las formas de onda observadas, incluidos los tiempos de llegada teóricos de la onda P y la onda S a través del conjunto (izquierda), la imagen de migración (función de coalescencia), incluida la ubicación derivada (arriba a la derecha), y la serie de tiempo para la función de coalescencia de la que se deriva el tiempo de origen del evento (abajo a la derecha). Los paneles a y b muestran dos ejemplos de una ubicación similar con diferente calidad de datos.

Cada subfigura muestra el valor máximo de coalescencia en toda el área de migración, para cada muestra de tiempo a lo largo del día. a, 3 de febrero de 2022. b, 7 de marzo de 2022. c, 20 de mayo de 2022.

En esta fecha se observaron un total de tres hechos reales. Consulte Información complementaria para conocer el número total de verdaderos positivos y falsos positivos.

En esta fecha se observaron un total de 74 hechos reales. Consulte Información complementaria para conocer el número total de verdaderos positivos y falsos positivos.

En esta fecha se observaron un total de 15 hechos reales. Consulte Información complementaria para conocer el número total de verdaderos positivos y falsos positivos.

Las estimaciones de rendimiento superior (melocotón) se basan en una relación derivada de un catálogo de explosiones terrestres30. Las estimaciones de rendimiento más bajas (azul) se basan en la relación derivada del sitio de pruebas nucleares de Novaya Zemlya22.

El modelo de roca (melocotón) utiliza las mismas velocidades sísmicas que para la ubicación del evento (Tabla de datos ampliados 1), mientras que el modelo de sedimento (azul) corresponde a velocidades de corte mucho más bajas (Métodos).

Colección de funciones de dispersión de puntos. Funciones de dispersión de puntos que muestran la incertidumbre de ubicación teórica para cinco ubicaciones diferentes. Para cada ubicación, mostramos tres resultados: cuando solo está presente la onda P, cuando solo está presente la onda S y cuando están presentes tanto la onda P como la onda S.

Catálogo automatizado de eventos. Catálogo de eventos detectados a partir del apilamiento/migración automática entre el 1 de enero de 2022 y el 3 de noviembre de 2022.

Coordenadas del sensor del conjunto sísmico Malyn AKASG (PS45). Todos los sensores son sismómetros Güralp CMG-3ESPV de componentes verticales a excepción de AKBB, que es un sensor Güralp CMG-3T de tres componentes. La frecuencia de muestreo es de 40 Hz para todos los sensores.

Análisis de sensibilidad de detección para el 3 de febrero de 2022. Número total de verdaderos positivos, falsos positivos y TPR y FDR resultantes para diferentes umbrales de activación para el 3 de febrero de 2022. Se observaron un total de tres eventos verdaderos en esta fecha.

Análisis de sensibilidad de detección para el 7 de marzo de 2022. Número total de verdaderos positivos, falsos positivos y TPR y FDR resultantes para diferentes umbrales de activación para el 7 de marzo de 2022. Se observaron un total de 74 eventos verdaderos en esta fecha.

Análisis de sensibilidad de detección para el 20 de mayo de 2022. Número total de verdaderos positivos, falsos positivos y TPR y FDR resultantes para diferentes umbrales de activación para el 20 de mayo de 2022. Se observaron un total de 15 eventos verdaderos en esta fecha.

Explosiones terrestres para la estimación del rendimiento. Una lista de explosiones terrestres de la ref. 30. Esto se utilizó para estimar las estimaciones de rendimiento superior a partir de la magnitud sísmica.

Mapa animado de explosiones. Animación que muestra las ubicaciones de las explosiones detectadas para cada día, junto con la cronología de explosiones acumuladas según el catálogo automático de eventos.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Dando, BDE, Goertz-Allmann, BP, Brissaud, Q. et al. Identificación de ataques en el conflicto Rusia-Ucrania utilizando datos de conjuntos sísmicos. Naturaleza (2023). https://doi.org/10.1038/s41586-023-06416-7

Descargar cita

Recibido: 21 de febrero de 2023

Aceptado: 07 de julio de 2023

Publicado: 30 de agosto de 2023

DOI: https://doi.org/10.1038/s41586-023-06416-7

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.