UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

POSGRADO EN CIENCIAS DE LA TIERRA

INSTITUTO DE GEOFÍSICA
SISMOLOGÍA

ESTIMACIÓN DE LA ESTRUCTURA DE VELOCIDAD DE

ONDA DE CORTE DEL SUR DE LA CIUDAD DE MÉXICO A
PARTIR DE RUIDO SÍSMICO AMBIENTAL

TESIS
QUE PARA OPTAR POR EL GRADO DE:
MAESTRO EN CIENCIAS DE LA TIERRA

P R E S E N T A:
ANGEL BRUNO OLIVARES PALOMARES

TUTOR:
DR. JORGE AGUIRRE GONZÁLEZ
POSGRADO EN CIENCIAS DE LA TIERRA

Ciudad Universitaria, Cd. Mx., diciembre 2020

UNAM – Dirección General de Bibliotecas
Tesis Digitales
Restricciones de uso

DERECHOS RESERVADOS ©
PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL

Todo el material contenido en esta tesis esta protegido por la Ley Federal
del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México).

El uso de imágenes, fragmentos de videos, y demás material que sea

objeto de protección de los derechos de autor, será exclusivamente para
fines educativos e informativos y deberá citar la fuente donde la obtuvo
mencionando el autor o autores. Cualquier uso distinto como el lucro,
reproducción, edición o modificación, será perseguido y sancionado por el
respectivo titular de los Derechos de Autor.
A las mujeres de mi vida:

Susana, la mejor mamá

Karen y Paty,

Lucy,

<3 Janet <3

A mi padre.

A mi hermosa familia.
 Agradecimientos

A la Unidad de Instrumentación Sísmica del Instituto de Ingeniería de la UNAM y a todos los becarios
que participaron en la adquisición de los datos. Al Dr. Leonardo Ramírez Guzmán por las facilidades
otorgadas en el uso de los datos.

Al CONACYT por la Beca que me asignó (CVU: 927295) para la realización de mis estudios de
posgrado.

Al Dr. Jorge Aguirre por motivarme a estudiar un posgrado y darme total independencia en el
desarrollo de este trabajo.

A todos mis amigos, que no mencionaré por temor a olvidar a alguno.

La adquisición de los datos utilizados en este trabajo fue financiada por la Secretaria de Educación,
Ciencia, Tecnología e Innovación (SECITI) a través del proyecto “Sistema Integral de Monitoreo
Sísmico y Generación de Mapas de Intensidades y Daños en Tiempo Real de la Ciudad de México”,
con números de convenio: IISGCONV-181-2016, SECITI/073/2016, IISGCONV-181-2016/1 CM-
SECITI/107/2017 y CM-SECITI/075/2018.
 CÓDIGO DE ÉTICA

Declaro conocer el Código de Ética de la Universidad Nacional Autónoma de

México, plasmado en la Legislación Universitaria. Con base en las definiciones de
integridad y honestidad ahí especificadas, aseguro mediante mi firma al calce que
el presente trabajo es original y enteramente de mi autoría. Todas las citas de, o
referencias a, las obras de otros autores aparecen debida y adecuadamente
señaladas, así como acreditadas mediante los recursos editoriales
convencionales.

Angel Bruno Olivares Palomares

Índice

Resumen.............................................................................................................................................. 1
Introducción ........................................................................................................................................ 2
Capítulo 1. Marco Teórico ................................................................................................................... 5
1.1 Ondas Superficiales ................................................................................................................... 5
1.2 Dispersión .................................................................................................................................. 5
1.3 Microtremores .......................................................................................................................... 6
1.4 Correlaciones cruzadas de campos difusos............................................................................... 7
1.5 Correlaciones cruzadas de ruido sísmico ambiental ................................................................. 8
Capítulo 2. Zona de estudio ................................................................................................................ 9
2.1 Geología y estratigrafía ............................................................................................................. 9
2.2 Información de pozos profundos ............................................................................................ 14
2.3 Zonificación geotécnica ........................................................................................................... 16
2.4 Mapa de isoperíodos ............................................................................................................... 19
2.5 Algunos estudios previos......................................................................................................... 20
Capítulo 3. Datos ............................................................................................................................... 23
Capítulo 4. Análisis y procesamiento de datos ................................................................................. 27
4.1 Acondicionamiento de los registros ........................................................................................ 27
4.2 Funciones de densidad de energía .......................................................................................... 27
4.3 Matriz de coeficientes de correlación de densidad espectral ................................................ 31
4.4 Recuperación de la función de Green ..................................................................................... 34
4.4.1 Correlación cruzada de señales digitales ......................................................................... 35
4.4.2 Rotación de las componentes horizontales ..................................................................... 36
4.4.3 Selección de la longitud de las ventanas .......................................................................... 36
4.4.4 Normalización en tiempo ................................................................................................. 36
4.4.5 Normalización en frecuencias (whithening)..................................................................... 39
4.4.6 Algoritmo de selección de ventanas ................................................................................ 41
4.4.7 Relación señal ruido y apilado.......................................................................................... 45
4.4.8 Esquema de procesamiento seleccionado. ...................................................................... 48
4.5. Separación de arribos espurios de la función de Green ........................................................ 54
4.6 Cálculo de los tiempos de viaje ............................................................................................... 57
Capítulo 5. Tomografía ...................................................................................................................... 65
 5.1 Tomografía de tiempos de viaje .............................................................................................. 65
5.2 Prueba de resolución............................................................................................................... 67
5.3 Extracción de curvas de dispersión de velocidad de grupo .................................................... 67
5.4 Procedimiento por arreglo ...................................................................................................... 67
Capítulo 6. Cocientes espectrales HVSR............................................................................................ 73
6.1 Cocientes espectrales y campos difusos ................................................................................. 73
6.2 Cálculo de los cocientes espectrales HVSR ............................................................................. 74
Capítulo 7. Inversión a profundidad .................................................................................................. 79
7.1 Inversión conjunta de cocientes espectrales HVSR y curvas de dispersión de velocidad de
grupo de ondas Rayleigh o Love ................................................................................................... 79
7.2 Clustering de las frecuencias características. .......................................................................... 80
7.3 Procedimiento de inversión a profundidad ............................................................................ 85
Capítulo 8. Análisis de resultados, consideraciones y repositorio. ................................................... 91
8.1 Modelos de velocidad ............................................................................................................. 91
8.2 Consideraciones ...................................................................................................................... 99
8.3 Repositorio CDMX-VS ............................................................................................................ 104
Conclusiones ................................................................................................................................... 107
Referencias ...................................................................................................................................... 111
Anexo I. Funciones de densidad de energía (PSD) en cada arreglo. ............................................... 117
Anexo II Funciones de Green estimadas en todos los arreglos....................................................... 141
Anexo III. Cálculo de los tiempos de viaje por arreglo. ................................................................... 163
Anexo IV. Tomografías por arreglo. ................................................................................................ 201
Anexo V. Inversión por clúster. ....................................................................................................... 234
Anexo VI. Frecuencias características estimadas por estación ....................................................... 259
Anexo VII. Distribución espacial de las frecuencias características por arreglo ............................. 269
Resumen
En este trabajo se analizaron registros de ruido sísmico ambiental obtenidos en 383
estaciones triaxiales de banda intermedia, distribuidas en 22 arreglos de hasta 21 estaciones. En
cada arreglo se obtuvieron registros simultáneos de hasta 5 días de duración. El objetivo fue estimar
la estructura de velocidades del subsuelo de la Ciudad de México, específicamente en el área que
comprende la subcuenca del valle de Chalco en las alcaldías Xochimilco, Coyoacán, Iztapalapa y una
parte de Tláhuac. Para observar el contenido espectral del ruido sísmico se calcularon las funciones
de densidad de energía (PSD) de cada estación y de cada componente, observándose amplitudes
más grandes en la componente vertical. Además, se observó que en frecuencias menores a 0.8 Hz
el percentil 50 de las funciones PSD sigue la tendencia de las curvas NLNM y NHNM, e incluso en
algunas estaciones está dentro de los rangos formados por estas curvas. En frecuencias más altas
las funciones PSD tienen una tendencia creciente acentuándose en la componente vertical.
También, para verificar las propiedades difusivas del ruido sísmico fueron calculadas las matrices de
coeficientes de correlación de densidad espectral y se observó que en algunas estaciones existe
correlación entre frecuencias vecinas, indicando la no difusividad del ruido sísmico registrado.

Con el fin de observar trenes de onda entre pares de estaciones y calcular los tiempos de
viaje, fue implementado el método de la recuperación de la función de Green o interferometría
sísmica pasiva. Para encontrar el esquema de procesamiento adecuado se analizó exhaustivamente
la información, se contempló la normalización en tiempo y en frecuencias, algoritmos de selección
de ventanas, ponderación de cada función de correlación cruzada respecto a la relación señal ruido,
apilado selectivo. Una vez definido el esquema de procesamiento, se recuperaron las componentes
verticales, radiales y transversales de la función de Green en cada arreglo a partir de la correlación
cruzada de registros simultáneos. Para separar los arribos espurios en los pulsos de Rayleigh,
consecuencia de la no difusividad del ruido sísmico registrado, se implementó un método de
separación de señal ciega a partir del análisis de componentes independientes utilizando las
componentes radial y vertical de las funciones de Green recuperadas en todos los arreglos. En cada
arreglo fue elegido la componente donde se observó un pulso más claro y se calcularon los tiempos
de viaje. Se observó dispersión de ondas Love o Rayleigh en un rango entre 0.3 y 1.3 Hz.

Considerando que los trenes de onda que viajen entre cada par de estaciones siguen
trayectorias rectas, fueron estimadas tomografías de tiempos de viaje en los rangos donde fue
observada la dispersión. En cada tomografía se llevó a cabo una prueba de resolución donde se
consideraron sólo las trayectorias donde se obtuvo un pulso coherente, además del error asociado
al cálculo de los tiempos de viaje. Posteriormente, de las tomografías fueron extraídas curvas de
dispersión de velocidad de grupo de ondas Rayleigh o Love asociadas a áreas específicas. Se
calcularon los cocientes espectrales HVSR en cada estación utilizando el estimador cociente de los
promedios y con el fin de agrupar las formas de los cocientes espectrales similares entre sí, se llevó
a cabo un análisis de Clustering utilizando el método de k-means. En cada clúster se hizo al menos
una inversión conjunta entre las curvas de dispersión de velocidad de grupo y los cocientes
espectrales HVSR para obtener modelos de velocidad congruentes con la frecuencia característica
del sitio. En total se estimaron 180 modelos 1-D de velocidad de onda de corte y se alcanzaron
profundidades de investigación de hasta 300 m según los kernels de sensitividad calculados. Los
resultados obtenidos en este trabajo se pueden encontrar en un repositorio de acceso libre.

1
Introducción

El sismo de Michoacán ocurrido el 19 de septiembre de 1985 y el desarrollo de investigaciones

posteriores (e.g. Singh et al., 1988; Bard et al., 1988; Campillo et al., 1988) hicieron evidente la
influencia de las condiciones locales del subsuelo en la distribución de los daños provocados en la
Ciudad de México (CDMX). El epicentro del sismo se localizó en las costas de Michoacán a una
distancia de 400 km de la CDMX. La ruptura tuvo un fallamiento de tipo inverso, característico de
los sismos de subducción (sismo interplaca) y una magnitud (𝑀𝑠) de 8.1 (UNAM Seismology group,
1986). Los daños ocasionados se concentraron principalmente en la zona de lago, donde depósitos
de arcillas de gran espesor dominan la geología superficial y en la cual se observan frecuencias
características en el movimiento del suelo menores a 1 Hz (períodos mayores a 1 s). En registros
obtenidos en la CDMX, Singh et al. (1988) observaron un incremento en el contenido espectral del
sismo en frecuencias menores de 0.5 Hz (períodos mayores a 2 s) y amplificaciones en el movimiento
del suelo de hasta 50 veces en la zona de lago respecto a la zona de lomas.
El 19 de septiembre de 2017 ocurrió un sismo de magnitud (𝑀𝑤) 7.1 consecuencia de una ruptura
dentro de la placa de Cocos (sismo intraplaca), tuvo un fallamiento de tipo normal y su epicentro se
localizó en el límite entre los estados de Puebla y Morelos, 12 km al sureste de Axochiapan, Morelos,
y a sólo 120 km de la CDMX (SSN, 2020). A diferencia del sismo de 1985, los daños se concentraron
en las zonas de transición (límites de la zona de lago) donde los depósitos de arcilla no superan los
20 m de espesor y las frecuencias características del suelo varían entre 1 y 2 Hz (períodos entre 0.5
y 1 s). Singh et al. (2018) explican que el contenido espectral de los registros debidos a movimientos
debidos a sismos intraplaca es enriquecido en altas frecuencias debido a parámetros físicos como
lo son: la distancia epicentral a la CDMX (< 250 km), la profundidad del sismo (40-80 km) y la caída
de esfuerzos (hasta 4 veces mayor que los sismos interplaca).
Independientemente de las propiedades de las fuentes sísmicas que representan el peligro sísmico
de la Ciudad de México, es imprescindible conocer las características del subsuelo y su distribución
espacial para entender, estimar y predecir la respuesta sísmica de un sitio para diferentes
escenarios. Cultrera et al. (2019) mencionan que los perfiles de velocidad de onda de corte como
función de la profundidad, la frecuencia característica, la geología superficial, la profundidad del
basamento rocoso e ingenieril y el tipo de suelo son los indicadores más importantes para
caracterizar un sitio.

2
Desde los trabajos de Aki (1957), se han desarrollado y aplicado a diferentes escalas, métodos
geofísicos de prospección sísmica pasiva que utilizan la información contenida en los microtremores
o ruido sísmico ambiental para estimar la estructura de velocidades del subsuelo. La aplicación de
estos métodos ha sido popular en áreas urbanas porque son métodos no invasivos, la adquisición
de datos es fácil de llevar a cabo, son más económicos que los sondeos geotécnicos y aprovechan
las propiedades del ruido sísmico ambiental presente de manera continua en cualquier lugar.
Campillo y Paul (2003) mostraron que es posible estimar la función de Green a partir de la
correlación cruzada en el dominio del tiempo de campos de ondas difusos. Posteriormente, Shapiro
y Campillo (2004) aplicaron la técnica de correlaciones cruzadas a registros de ruido sísmico
ambiental considerándolos como campos aleatorios y lograron recuperar la función de Green.
Además, observaron trenes de onda coherentes emerger en un rango amplio de frecuencias y
determinaron que corresponden al modo fundamental de ondas Rayleigh. Estas aportaciones han
permitido calcular tiempos de viaje de ondas entre dos lugares y posteriormente, con múltiples
trayectorias, obtener imágenes tomográficas que muestran la distribución lateral de velocidades de
grupo de ondas superficiales y perfiles de velocidad de ondas de corte (Vs), en diferentes escalas
(e.g., Sabra et al., 2005; Shapiro, 2005; Picozzi et al., 2009)
Por otro lado, el Instituto de Ingeniería a través del proyecto “Sistema integral de monitoreo sísmico
y generación de mapas de intensidades y daños en tiempo real de la Ciudad de México (SIM-CDMX)”
se dio a la tarea de instalar sismómetros triaxiales de banda intermedia (0.033-100 Hz) para obtener
registros de ruido sísmico ambiental en 383 lugares, distribuidos en 22 arreglos de hasta 21
estaciones y con registros simultáneos de hasta 5 días de duración. Las estaciones se localizaron en
las delegaciones Xochimilco, Coyoacán, Tláhuac e Iztapalapa. Las distancias entre estaciones
variaron de 0.2 a 6 km aproximadamente.
El objetivo principal de este trabajo es estimar modelos unidimensionales de velocidad de onda de
corte utilizando los registros de ruido sísmico ambiental del proyecto SIM-CDMX. La estructura del
trabajo consta de 8 capítulos.
En el capítulo 1 se hace una revisión bibliográfica breve de los fundamentos teóricos básicos de las
ondas superficiales y su dispersión. Se definen a los microtremores o ruido sísmico ambiental y se
revisan las suposiciones adyacentes en el método de la recuperación de la función de Green.
La Ciudad de México se encuentra en la cuenca de México, que a su vez se localiza al oriente de la
Faja Volcánica Transmexicana (FVTM), limitada por las cordilleras volcánicas conocidas como la

3
Sierra de las cruces, Sierra Nevada, Sierra del Chichinautzin y por el campo volcánico Apan-
Tezontepec.
En el capítulo 2 se exponen las características geológicas y estratigráficas de la cuenca de México
basadas en el mapa geológico más reciente, elaborado por Arce et al. (2019). También, se
mencionan los aspectos técnicos más relevantes de las propiedades físicas del suelo tomados en
cuenta por el reglamento de construcción actual de la CDMX, como son los mapas de zonificación
geotécnica y mapas de isoperiodos, así como algunos estudios geofísicos previos.
En el capítulo 3 se hace una breve descripción del conjunto de datos, de la adquisición, la
instrumentación, la distribución espacial de las estaciones y las características de cada arreglo.
El análisis y procesamiento de datos corresponde al capítulo 4, en el cual se discuten: el
acondicionamiento de los registros, el contenido espectral y las propiedades difusivas del ruido
sísmico registrado, la recuperación de la función de Green en las componentes vertical, radial y
transversal, la separación de arribos espurios en los pulsos de ondas Rayleigh a partir del análisis de
componentes independientes utilizando las componentes radial y vertical de la función de Green, y
por último, el cálculo los tiempos de viaje de los trenes de onda en cada par de estaciones.
En el capítulo 5 se implementa un método de inversión a los tiempos de viaje para obtener imágenes
tomográficas que muestran la distribución lateral de velocidades de grupo de ondas Love o Rayleigh
y son extraídas curvas de dispersión de velocidad de grupo representativas de lugares específicos.
Con la finalidad de tener la mayor cantidad de información disponible en el capítulo 6 se calculan
los cocientes espectrales (HVSR) en cada estación y se elaboran mapas que muestran la distribución
espacial de las frecuencias características calculadas en cada arreglo.
La inversión a profundidad es implementada en el capítulo 7, partiendo un análisis de clustering con
las frecuencias características estimadas en los HVSR. En cada clúster se hace mínimo una inversión
conjunta entre los cocientes espectrales HVSR y una curva de dispersión de velocidad de grupo para
utilizar el modelo resultante como modelo inicial al invertir el resto de las curvas de dispersión
localizadas en el clúster. Para obtener una medida confiable de la profundidad de investigación
alcanzada se calculan los kernel de sensitividad en cada modelo.
Por último, en el capítulo 8 se hace un breve análisis de los resultados, se mencionan algunas
consideraciones respecto a los métodos utilizados y suposiciones hechas como lo son: la
profundidad de investigación, los modos superiores de las ondas superficiales en el ruido sísmico
ambiental registrado, entre otras. Además, se hace mención del repositorio CDMX-VS de acceso
libre donde se podrán encontrar los resultados obtenidos en este trabajo.

4
Capítulo 1. Marco Teórico

1.1 Ondas Superficiales

Las ondas superficiales se forman cuando las ondas de cuerpo interactúan con la superficie libre, se
propagan de manera paralela a la superficie y su amplitud decrece con la profundidad. Su energía
se propaga en dos dimensiones y disminuye a una distancia 𝑟 con un factor 𝑟 −1 , mientras que la
energía de las ondas de cuerpo se propaga en tres dimensiones y decae con un factor 𝑟 −2 . Por este
motivo las ondas superficiales son dominantes en los registros de fuentes lejanas (Stein y Wysession,
2003).
Existen dos tipos de ondas superficiales: las ondas Love y las ondas Rayleigh. Bajo ciertas condiciones
de frontera, en una capa sobre un semi espacio las ondas Love se originan a partir de ondas SH
atrapadas cerca de la superficie, para luego originar múltiples reflexiones entre el semi espacio y la
superficie libre. Los desplazamientos ocurren en el plano transversal. Las ondas Love se generan en
medios donde la velocidad aumenta con la profundidad. En un medio estratificado las ondas
Rayleigh se producen al inducir un movimiento en la superficie libre en el plano vertical. Las ondas
Rayleigh son una combinación de desplazamientos en el sistema P-SV, inducen desplazamientos en
planos radial y vertical. Los desplazamientos producidos por las ondas Rayleigh tienen una
trayectoria elíptica con una componente retrógrada en el plano de propagación. La profundidad de
los desplazamientos producidos por la propagación de ondas Rayleigh son proporcionales a la
longitud de onda horizontal (Stein y Wysession, 2003).

1.2 Dispersión

Se le conoce como dispersión a la variación de la velocidad de propagación con la frecuencia. En las

ondas de Rayleigh la dispersión se puede observar cuando las ondas se propagan en un medio
estratificado, se modela a partir de las condiciones de frontera de cada interfaz. La dispersión de
ondas Love se puede explicar cómo ondas SH propagándose en una capa sobre un semi espacio, con
la condición de que la energía no viaja a través del semi espacio en forma de una onda. La velocidad
de fase de cada frecuencia es dada por la siguiente expresión:
𝑐 = 𝜔/𝑘,
(1)

5
donde 𝑐 es la velocidad de fase, 𝑘 es el número de onda de onda y 𝜔 la frecuencia angular.
Cuando diferentes componentes viajan a velocidades de fase diferentes las formas del pulso
cambian, se dispersan a medida que las frecuencias se separan. Esto produce efectos que destruyen
la energía en algunos momentos (interferencia destructiva), mientras que en otros la suma
(interferencia constructiva). El resultado de la interferencia constructiva es una onda moduladora
que envuelve a un conjunto de fases y que viaja a una velocidad de grupo dada por la siguiente
expresión (Shearer, 2009):
𝑈 = 𝛿𝜔/𝛿𝑘. (2)

A la representación gráfica de la variación de la velocidad de grupo o fase con la frecuencia se les

conoce como curvas de dispersión.

1.3 Microtremores

También conocidos como ruido sísmico ambiental. Los microtremores como vibraciones constantes
en la superficie de la Tierra (Okada, 2003). Los desplazamientos inducidos son imperceptibles para
el ser humano, varían de 10-4 a 10-2 mm. De manera general, para frecuencias bajas (< 1 Hz) se les
atribuye un origen natural (fenómenos climáticos y oceánicos), mientras que para frecuencias altas
(> 1 Hz) un origen antropogénico.
Con el fin de determinar la composición de los microtremores Boneffoy-Claudet et al. (2006) hacen
una extensa revisión bibliográfica, encontrando mucha variabilidad en los resultados. Entre sus
conclusiones mencionan que en bajas frecuencias (< 1Hz) los microtremores están compuestos por
ondas superficiales en su modo fundamental y en altas frecuencias se espera una mezcla de ondas
de cuerpo y ondas superficiales (modo fundamental y modos superiores). También observaron que
existe un 40% de probabilidades que la contribución de ondas Love sea mayor al 50%. Sin embargo,
plantean que la composición del campo de ondas de microtremores puede cambiar de acuerdo con
las características de cada sitio.
Una de las primeras descripciones de los microtremores la podemos encontrar en Aki (1957), quien
los representa como un fenómeno estocástico en tiempo y en espacio. Recientemente Sánchez-
Sesma et al. (2011) proponen como hipótesis que los microtremores son un campo difuso, formado
por las difracciones múltiples consecuencia de la interacción de ondas sísmicas (generadas por una

6
distribución aleatoria de fuentes en la superficie y en el interior de la Tierra) y las heterogeneidades
de la corteza terrestre.

1.4 Correlaciones cruzadas de campos difusos.

Las investigaciones en acústica de Lobkis y Weaver (2001) demostraron que la correlación cruzada
de campos de onda difusos es equivalente a la función de Green. Posteriormente, Campillo y Paul
(2003) utilizaron codas de sismos ocurridos en México para mostrar que campos difusos originados
por fuentes distantes son suficientes para recuperar ondas directas entre dos puntos de
observación. Ellos demostraron que el promedio de las funciones de correlación cruzada entre dos
puntos son una aproximación a la función de Green elastodinámica. Además, los pulsos que
recuperaron tenían la velocidad de grupo de las ondas superficiales esperadas entre ambos sitios.
Un campo difuso dentro de un cuerpo elástico es representado de forma modal como (Lobkis y
Waver, 2001):

Φ(𝑥, 𝑡) = ∑ 𝑎𝑛 𝑢𝑛 (𝑥)𝑒 −𝑖𝜔𝑛 𝑡 , (3)

𝑛

donde 𝑥 es la posición, 𝑡 es el tiempo, 𝑢𝑛 son las formas modales reales ortogonales, 𝑎𝑛 son
amplitudes modales complejas y 𝜔𝑛 son frecuencias características.
En un campo difuso las amplitudes modales (𝑎𝑛 ) son variables aleatorias no correlacionadas:

∗ 〉
〈𝑎𝑛 𝑎𝑚 = 𝛿𝑛𝑚 𝐹(𝜔𝑛 ),
(4)

donde 𝐹(𝜔) es el espectro de densidad de energía y 𝛿𝑛𝑚 es la delta de Kronecker.

En la correlación cruzada entre dos campos de ondas localizados en 𝑥 y 𝑦, respectivamente, los
términos cruzados desaparecen por la ecuación (4). Así, se puede expresar como (Shapiro y
Campillo, 2004):

1
𝐶(𝑥, 𝑦, 𝜏) = 〈Φ(𝑥, 𝑡)Φ(𝑦, 𝑡 + 𝜏)〉 = ∑ 𝐹(𝜔𝑛 ) 𝑢𝑛 (𝑥)𝑢𝑛 (𝑦)𝑒 −𝑖𝜔𝜏 .
2 (5)
𝑛

𝜏
Si 𝐹 se aproxima a una constante y se obtiene la antiderivada ∫0 () 𝑑𝜏 la expresión es similar a la
función de Green 𝐺𝑥𝑦 que gobierna la propagación del punto 𝑥 al punto 𝑦 (Lobkis y Weaver, 2001):

7
 sin(𝜔𝑛 𝜏)
𝐺𝑥𝑦 (𝜏) = ∑ 𝑢𝑛 (𝑥)𝑢𝑛 (𝑦) .
𝜔𝑛 (6)
𝑛

La función de Green y su derivada temporal, equivalente a la expresión 5, difieren en amplitud.

Además, se tiene que tomar en cuenta que la correlación cruzada considera una parte no causal. Sin
embargo, este resultado tiene implicaciones importantes: la función de Green entre dos lugares, o
al menos los tiempos de arribo de diferentes trenes de onda, pueden ser extraídos mediante la
correlación cruzada de campos de onda difusos, si se tienen registros con longitud de tiempo
suficiente (Shapiro y Campillo, 2004).

1.5 Correlaciones cruzadas de ruido sísmico ambiental

Shapiro y Campillo (2004) consideran que para períodos largos de tiempo la distribución de las
fuentes que dan origen a los microtremores es aleatoria y, por lo tanto, el campo de ondas de
microtremores es aleatorio y satisface las ecuaciones (3) y (4). Lo anterior implica que la función de
Green puede ser extraída a partir de la correlación cruzada de registros de microtremores de dos
sitios. La ventaja principal es que los microtremores están presentes en cualquier momento y en
cualquier lugar, por lo que se podría obtener la función de Green en lugares sin sismicidad. En su
trabajo recuperan la función de Green para registros de hasta 30 días de duración del componente
vertical, en diferentes pares de estaciones, y demuestran que los pulsos recuperados corresponden
al modo fundamental de ondas Rayleigh. Estas aportaciones permitieron estimar curvas de
dispersión de velocidad de grupo y tiempos de viaje de trenes de onda entre dos lugares.
Sabra et al. (2005) aplicaron la técnica de las correlaciones cruzadas a registros de ruido símico
ambiental de una red con 148 estaciones ubicada al Sureste de California para estimar la función de
Green, y lograron obtener un mapa tomográfico de alta resolución de velocidad de grupo de ondas
Rayleigh a partir de la inversión de los tiempos de viaje. Análogamente, Shapiro et al. (2005)
obtienen mapas tomográficos de ondas superficiales aplicando la técnica de correlaciones cruzadas
de ruido sísmico ambiental. A partir de entonces existen numerosos trabajos alrededor del mundo
que se basan en la recuperación de la función de Green a partir de correlaciones cruzadas de
microtremores para estimar la estructura de velocidades.

8
 Capítulo 2. Zona de estudio

La cuenca de México (CM) es una entidad geomorfológica endorreica que se ubica en la porción
centro-oriental de la Faja Volcánica Transmexicana (FVTM), entre las coordenadas 18° 48’ y 19°32’
latitud norte y 98°37’ y 99°32’ longitud oeste. Tiene una superficie de aproximadamente 9620 km2
y la planicie central presenta una altura promedio de 2240 msnm. Como se observa en la Figura 1,
la CM es limitada por la sierra de las cruces al oeste; por la Sierra Nevada al este, que incluye
volcanes como el Popocatépetl e Iztaccíhuatl; por la Sierra de Chichinautzin al sur; y al norte por el
campo volcánico Apan-Tezontepec (Arce et al. 2019). La CM se considera una depresión profunda
que se originó en respuesta de la actividad volcánica y tectónica de la región, y que los materiales
que la rellenan son dominantemente volcánicos. En forma general, el relleno de la CM está
conformado por depósitos lacustres en la parte superior, y derrames de lava, materiales epiclásicos
y depósitos piroclásticos en la parte inferior (Gonzáles-Torres et al., 2015).
El estudio de la CM es muy importante porque en una porción se edificó la CDMX y su área
metropolitana. Aunque la zona urbana de la CM representa sólo el 16% de su superficie (Gonzáles-
Torres et al., 2015), en ella viven más de 20 millones de personas, aproximadamente el 17% de la
población total de México (OCDE, 2020).

2.1 Geología y estratigrafía

En la cuenca de México se pueden distinguir tres tipos de geomorfologías: 1) Cordilleras volcánicas,

compuestas de volcanes poligenéticos y monogenéticos; 2) Colinas localizadas en la base de cada
cordillera volcánica compuestas de una intercalación de depósitos piroclásticos y epiclásticos; 3)
Tierras planas resultado de la acumulación de depósitos lacustres con espesores variables de 70 a
300 metros intercalados con capas de tefra. Arce et al. (2019) elaboraron el mapa geológico más
reciente de la cuenca de México (Figura 2), incorporaron estudios previos, información de pozos
profundos y, además, hicieron una nueva datación geocronológica utilizando el método argón-
argón. A continuación, se incluye una síntesis de la descripción de las unidades estratigráficas
realizada en su trabajo.

9
Figura 1. Localización de la Cuenca de México, modelo de elevación. Se muestran los contornos de
la CM y la CDMX (Distrito Federal en la imagen). 1) Sierra de las Cruces. 2) Sierra Nevada. 3) Sierra
del Chichinautzin. 4) Sierra de Guadalupe. 5) Sierra de Pachuca. 6) Tepoztlan, Morelos. Aquí se
encuentran los primeros episodios volcánicos de la FVTM. 7) Huautla, Morelos. 8) Caldera de
Tizapotla. 9) Taxco, Guerrero. Tomada de Gonzáles-Torres et al. (2015).

10
Unidades estratigráficas

Rocas del cretácico.

Formación Morelos: Compuesta de calizas marinas poco profundas y dolomitas del Albiano-
Cenomaniano, con nódulos de chert y un espesor máximo de 900 metros. En los pozos profundos
Mixhuca 1 y Tulyehualco 1 se describió a 1500 y 1800 m, respectivamente. En la siguiente sección
se detallará un poco sobre los pozos mencionados en esta parte.
Formación Mexcala: Dominada por calizas arcillosas con abundantes foraminíferos, calcisferúlidos
y radiolarios, intercalada gradualmente hacia arriba con lutitas, limolitas y areniscas. Tiene su origen
en el turoniano y se estima que tiene un espesor máximo de 1500 m.

Eoceno, grupo Balsas

Corresponde a la sucesión de depósitos continentales, constituidos por conglomerados, areniscas,
limolitas, depósitos piroclásticos menores y flujos de lava. Su espesor total es de 500 metros. En el
pozo Texcoco se localizó a 2680 m de profundidad.

Oligoceno, Formación Tilzapotla

Es una secuencia de riolitas, riodacitas, lavas dacitícas e ignimbritas del oligoceno temprano. En el
pozo Mixhuca 1 fue encontrada a una profundidad de 1281 m, mientras que en el pozo Roma 1 se
localizó a una profundidad de 2210 m.

Mioceno Formación Tepoztlán

Se trata de una secuencia de escombros volcánicos de composición andesítica con un espesor
máximo de 800 m. Rocas correlacionadas a esta formación fueron encontradas en el pozo Texcoco
1 en profundidades de hasta 920 m; en el pozo Mixhuca en profundidades de 1190 m; Tulyehualco
1 en profundidades de 1740 y 930 m; Copilco 1 a 1580 m de profundidad; en San Lorenzo Tezonco
se encontraron en profundidades entre 950 y 2008 m.

Volcanismo del Plioceno-Holoceno

Secuencia volcánica de la Sierra de las Cruces: La Sierra de las Cruces es una cordillera volcánica con
una longitud de 11 km. La constituyen los volcanes de La Catedral, La Bufa, Iturbide, Chimalpa,
Salazar, San Miguel, Ajusco, La Corona, Zempoala y otras estructuras pequeñas. La parte alta del

11
relieve es dominada por flujos de lava y domos, mientras que el relieve bajo por depósitos
piroclásticos intercalados con depósitos de lahar y avalancha de detritos. El volcán más antiguo es
La Catedral con 3.7 Ma. Los volcanes de La Corona y Zempoala son los más jóvenes con 0.4 Ma
Secuencia volcánica de Sierra Nevada: Está compuesta por los estratovolcanes Tláloc, Telapón,
Iztaccíhuatl y Popocatépetl. Tláloc y Telapón son las estructuras más antiguas con 1.8 y 1.4 Ma,
respectivamente. El flujo de lava más reciente del Iztaccíhuatl es datado en 9 mil años de
antigüedad. El volcán Popocatépetl actualmente está activo. Los volcanes Tláloc y Telapón están
compuestos principalmente de andesita y riolita, mientras que el Iztaccíhuatl y Popocatépetl
abarcan de la andesita a la dacita. La topografía alta de la Sierra Nevada es dominada por flujos y
lomos de lava intercalados con depósitos piroclásticos, las partes bajas las constituyen una
intercalación de depósitos piroclásticos y epiclásticos, así como depósitos de avalanchas.
Campo volcánico de Chichinautzin: Está compuesto por más de 220 estructuras monogenéticas con
edades de 1.2 a 0.0016 Ma. La composición química abarca desde basaltos andesíticos, basaltos,
andesitas y dacitas.
Depósitos lacustres: Los depósitos lacustres han sido estudiados en pozos con profundidades entre
30 y 500 m, y edades entre 0.22 Ma a actual. En San Lorenzo Tezonco los depósitos aparecen hasta
600 m debajo de la superficie, intercalados con rocas volcánicas.

Características Tectónicas
En la cuenca de México se distinguen cuatros sistemas tectónicos principales.
Cañón de lobos: Se trata de una falla inversa con orientación N-S que afecta a las formaciones
sedimentarias del cretácico, relacionada a la orogenia Laramide.
Falla Mixhuca: Es una falla normal orientada en la dirección NW-SE, sumergiéndose hacia el oeste.
Produce la fosa Roma, que es una depresión de cerca de 1500 m llena de depósitos sedimentarios.
Mega zona de cizalla Tenochtitlan: Son una serie de fallas normales y dextrales con orientación NE-
SW. Es probable que su origen haya ocurrido en el Plioceno-Pleistoceno tardío.
Fallas normales E-W: Es el sistema de fallas más joven incluye fallas como La Pera, Xochimilco,
graben de Santa Catarina y Tenango.

12
Figura 2. Mapa geológico de la cuenca de México. Modificado de Arce et al. (2019)

13
2.2 Información de pozos profundos

Actualmente la CM cuenta con información obtenida de 9 pozos profundos. La perforación del

primer pozo, Texcoco-1, ocurrió entre 1966 y 1969 y alcanzó una profundidad de 2065 m (González-
Torres et al., 2015). Con el objetivo de conocer las características, composición y estructura del
subsuelo de la CDMX, entre 1986 y 1987, Petróleos Mexicanos (PEMEX) llevó a cabo un estudio de
reflexión sísmica y la perforación de 4 pozos de sondeo estratigráfico. Los pozos fueron llamados
Copilco-1, Tulyehualco-1, Mixhuca-1 y Roma-1; alcanzaron profundidades máximas de 2250 m, 3000
m, 2452 m y 3200 m, respectivamente. En las columnas litológicas se puede observar gran variedad
incluyendo: arcillas lacustres, arcillas tobáceas, arenas, conglomerados tobáceos, conglomerados
volcánicos, brechas volcánicas, basaltos, andesitas, brechas calcáreas y calizas marinas (Pérez-Cruz,
1988).
Para apoyar la gestión del agua, en 2012, el Sistema de Aguas de la Ciudad de México (SACMEX)
perforó el pozo San Lorenzo Tezonco (SLT) en la Alcaldía de Iztapalapa. El pozo alcanzó una
profundidad de 2008 m. La columna litológica recuperada de este pozo está conformada en su parte
superior por sedimentos lacustres y fluviales hasta 70 m de profundidad, y el resto por material
volcánico (Arce et al., 2015). Los resultados obtenidos en SLT motivaron el desarrollo de un
programa de exploración profunda en convenio con la Comisión Nacional del Agua (CONAGUA) y
PEMEX. Como parte de este programa se perforaron los pozos Agrícola Oriental 2B (AO2B), Agrícola
Oriental 2C (AO2C) y Santa Catarina 3A (SC3A).
Los pozos AO2B y AO2C fueron perforados en el 2016, alcanzaron una profundidad de 2000 y 1570
m, respectivamente. Los dos pozos se localizan en la alcaldía de Iztacalco, en la zona conocida como
magdalena Mixhuca. El pozo Santa Catarina, perforado en 2017, se encuentra en el sur de la CDMX,
en la alcaldía de Xochimilco y alcanzó una profundidad de 1912 m. Cabe resaltar que la
interpretación en estos tres últimos pozos se apoyó en registros geofísicos de pozo, adquiridos por
PEMEX. En el boletín número 121 del Instituto de Geología (Morales-Casique et al., 2018a) se puede
encontrar información detallada acerca del análisis estratigráfico de los pozos AO2B y AOEC,
mientras que para el pozo SC3A, la información se encuentra en el boletín número 123 (Morales-
Casique et al., 2018b). En la Figura 3 se muestran las columnas estratigráficas conformadas a partir
de los pozos Texcoco-1, Copilco-1, Tulyehualco-1, Mixhuca-1, Roma-1 y SLT. En la Figura 4 se
muestra la columna estratigráfica obtenida de los pozos AO2B y AO2C.

14
Para el pozo SC3A no se cuenta con una representación gráfica de su columna estratigráfica, pero
se hace un breve resumen de su descripción presentada por Morales-Casique et al. (2018). Es
necesario mencionar que la perforación fue direccional (tipo “J”), el desplazamiento horizontal fue
de 520 m y alcanzó 2026 metros desarrollados (md), equivalentes a una profundidad vertical de
1912 m. El desplazamiento horizontal inicio a los 567 md y alcanzó una inclinación de 26.9°. Además,
no se cuenta con información de los primeros 500 metros. A continuación, se describe la litología
encontrada en el pozo:

o 510 a 789 md. Andesitas, probablemente fracturadas, alteradas en la cima y más

competentes; menos alteradas en la base.
o 789 a 887 md. Ignimbrita color rosado.
o 887 a 919 md. Flujo tipo lahar, principalmente cenizas.
o 919 a 1141 md. Lahar color rojizo, alterado con matriz arcillosa y fragmentos de roca
redondeados de tamaño entre 2 y 35 mm.
o 1141 a 1347 md. Flujo piroclástico poco alterado y permeable.
o 1347 a 1647 md. Depósitos de lahar heterogéneos, con diferentes condiciones de depósito
o diferentes fuentes.
o 1647 a 2026 md. Depósitos de lahar. Formación competente.

Figura 3. Columnas estratigráficas de los pozos profundos de la Cuenca de México. Tomada de

Gonzáles-Torres et al. (2015).

15
Figura 4. Columna estratigráfica interpretada a partir de los pozos AO2B y AO2C. Tomada de
Morales-Casique (2018).

2.3 Zonificación geotécnica

16
El artículo 170 del capítulo VIII del reglamento general de construcciones de la Ciudad de México
divide a la CDMX en tres zonas (Figura 5) cuyas características son (NTC-DC, 2017):

a) Zona I. Lomas formadas por rocas o suelos generalmente firmes que fueron depositados
fuera del ambiente lacustre, pero en la que pueden existir, superficialmente o intercalados,
depósitos arenosos en estado suelto o cohesivos relativamente blandos. En esta zona es
frecuente la presencia de oquedades en rocas, cavernas y túneles excavados en suelos para
explotar minas de arena y rellenos artificiales no controlados.
b) Zona II. Transición, donde los depósitos se encuentran a 20 m de profundidad, o menos, y
que está constituida predominantemente por estratos arenosos y limo arenosos
intercalados con capas de arcilla lacustre, el espesor de esta es variable entre decenas de
centímetros y pocos metros.
c) Zona III. Lacustre, integrada por potentes depósitos de arcilla altamente compresibles,
separados por capas arenosas con contenido diverso de limo o arcilla. Estas capas arenosas
son en general medianamente compactas a muy compactas y de espesor variable de
centímetros a varios metros. Los depósitos lacustres suelen estar cubiertos
superficialmente por suelos aluviales, materiales desecados y rellenos artificiales; el espesor
de este conjunto puede ser superior a 50 metros.

17
Figura 5. Zonificación geotécnica de la Ciudad de México. (Gobierno de la Ciudad de México, 2017)

18
2.4 Mapa de isoperíodos

Figura 6. Mapa de isoperíodos. Tomado de Martínez et al. (2015).

El periodo natural del suelo (𝑇𝑠) es un parámetro importante en la respuesta de sitio,

principalmente porque las amplificaciones del movimiento del suelo son mayores en periodos
cercanos (Vijayendra et al., 2015). Además, es considerado en el reglamento de construcción de la
Ciudad de México (NTC-DS, 2017) para el diseño por sismo de edificios.
Lermo et al. (1988), utilizando microtremores y acelerogramas, elaboraron un mapa en el que
mostraron la distribución espacial de periodos naturales del suelo en la Ciudad de México y los
relacionaron con la zonificación geotécnica conocida entonces. Encontraron que en la zona de lago

19
los periodos naturales son mayores a 1.3 s y en la zona de transición son entre 0.5 y 1.3 s. Mendoza
et al. (1992) observan una relación entre el espesor de la capa de arcillas y los períodos mayores a
1 s. Posteriormente, el mapa de isoperíodos fue complementado con más estudios. Hoy es aceptado
que en la zona de lago los períodos dominantes son mayores a 1 s, y en la zona de transición varían
entre 1 y 0.5 s. En la Figura 6 se muestra el mapa de isoperíodos elaborado por Martínez et al.
(2015), la zona I corresponde a zona lomas, la II a zona de transición y la III a zona de lago.

2.5 Algunos estudios previos

Existen estudios realizados en la CDMX que utilizaron ruido sísmico ambiental para estimar modelos
unidimensionales de velocidad de onda de corte. Kawaga (1996) instaló arreglos de sismómetros
para registrar microtremores en tres sitios de la Ciudad de México, uno para cada zona geotécnica.
Obtuvo curvas de dispersión de velocidad de fase de ondas Rayleigh en cada sitio, en la zona de
lomas observó velocidades de 2 km/s en 1 Hz, mientras que en la zona de transición de 1 km/s y
zona de lago 0.3 km/s, para la misma frecuencia.

Chávez-García y Aguirre (2012) registraron microtremores en la zona de lago y utilizaron la técnica

SPAC e interferometría sísmica para observar la dispersión de ondas Rayleigh. Las distancias entre
estaciones que utilizaron variaron de 10 m a 2 km. Con base en sus resultados sugirieron que no era
posible recuperar ondas Rayleigh para distancias entre estaciones mayores a 1 km. Sin embargo,
cabe mencionar que los registros tenían una hora de duración. Observaron grandes
heterogeneidades laterales, por ejemplo, para 1.5 Hz las velocidades de fase varían de 50 a 250 m/s.

Cárdenas-Soto y Escobedo-Zenil (2019), instalaron estaciones sísmicas en la zona de transición y

realizaron una tomografía de ruido sísmico ambiental a partir de la dispersión de ondas Rayleigh. En
sus modelos de velocidad de onda de corte obtenidos observan un alto contraste de impedancias
entre los depósitos vulcano-sedimentarios (200 m/s) y el basamento ingenieril (700 m/s), que existe
a una profundidad de 10 m aproximadamente.

También, se han realizado estudios de sísmica de fuente activa, destaca el trabajo de Pérez-Cruz
(1988) quien propone un modelo geológico del subsuelo de la Ciudad de México basado en un
estudio de reflexión sísmica y pozos profundos perforados por Pemex, entre sus resultados reporta
velocidades de ondas P entre 800 y 1550 m/s y densidades de 1.250 kg/m 3 para los depósitos
lacustres. Por otro lado, Ramos-Martínez et al. (1997) realizaron estudios de refracción sísmica para

20
determinar las características elásticas y anelásticas del subsuelo en la zona de lago. A partir de un
análisis en el dominio 𝜏 − 𝑝 estimaron un modelo unidimensional de velocidad de onda de corte en
el que se observan velocidades de 40 m/s hasta una profundidad de 30 m.

Por último, el Centro Nacional para la Prevención de Desastres (CENAPRED,1996) realizó

perforaciones con la finalidad de conocer las propiedades elásticas y estratigráficas del subsuelo en
6 sitios, distribuidos en la zona centro de la Ciudad de México y que corresponden a zona de lago
según la zonificación geotécnica. Entre los resultados destaca que, en promedio, hasta 50 m de
profundidad se observan velocidades de onda de corte menores a 200 m/s.

Los trabajos mencionados son locales y distantes, por lo que no se han integrado en un modelo
regional.

21
Capítulo 3. Datos

El Instituto de Ingeniería a través del proyecto “Sistema integral de monitoreo sísmico y generación
de mapas de intensidad y daños en tiempo real de la Ciudad de México” instaló estaciones sísmicas
temporales con la finalidad de registrar microtremores en 383 lugares, ubicados en las delegaciones
Xochimilco, Coyoacán, Tláhuac e Iztapalapa. Las estaciones se distribuyeron en 22 arreglos de hasta
21 estaciones con registros simultáneos, en 21 arreglos las estaciones registraron mínimo 75 horas
simultáneamente. La distancia entre estaciones varió entre 0.2 y 6 km aproximadamente. En la Tabla
1 se resumen las características de cada arreglo.
Los sitios de instalación fueron principalmente jardines de escuelas, iglesias y casas. En la Figura 7
se muestran algunos ejemplos de la instalación de los sismómetros. Se utilizaron sismómetros
triaxiales de banda intermedia (30 s – 100 Hz) Guralp ® modelo CMG-6TD sincronizados a través de
una antena GPS. En los lugares donde fue posible fueron enterrados hasta 1 m de profundidad,
todos fueron nivelados y orientados al norte magnético. El intervalo de muestreo en el que fueron
configurados los equipos fue de 0.01 segundos. En la Figura 8 se muestra la distribución espacial de
las estaciones.

Figura 7. Instalación de las estaciones temporales.

23
 Tabla 1. Características de los arreglos.
Arreglo No. de No. de pares Tiempo de registro continuo Distancia entre Zona
estaciones formados promedio [horas] estaciones [m] geotécnica
A1 18 153 99.58 ± 10.12 297 - 3829 I, II, III
A2 18 153 93.86 ± 1.99 259 - 6296 III
A3 18 153 93.88 ± 1.78 191 - 6369 II, III
A4 18 153 94.55 ± 1.78 248 - 5101 III
A5 18 153 95.58 ± 6.72 210 - 2635 III
A6 15 105 91.30 ± 7.72 293 - 4288 III
A7 6 15 11.50 ± 0.63 344 - 1032 III
A8 17 136 75.91 ± 14.83 462 - 5001 III
A9 17 136 100.02 ± 10.19 206 - 2883 III
A10 18 153 101.08 ± 11.49 280 - 2850 II, III
A11 18 153 104.13 ± 18.45 191 - 2943 II, III
A12 18 153 109.30 ± 11.35 180 - 3374 II
A13 18 153 115.94 ± 7.98 322 - 3051 I, II, III
A14 18 153 114 ± 8.77 314 - 3568 III
A15 18 153 140.38 ± 5.08 349 - 4053 II, III
A16 18 153 109.41 ± 12.15 252 - 4864 II, III
A17 18 153 118.50 ± 1.44 348 - 3667 I, II, III
A18 18 153 116.50 ± 7.56 202 - 4287 III
A19 18 153 114.80 ± 7.99 149 - 2767 II
A20 18 153 118.13 ± 7.29 351 - 3460 I
A21 18 153 117.08 ± 2.05 151 - 3708 I, II
A22 21 210 120.57 ± 11.87 230 - 3510 II, III

24
Figura 8. Distribución de las estaciones y los arreglos.

25
Capítulo 4. Análisis y procesamiento de datos

4.1 Acondicionamiento de los registros

Para cada arreglo, los registros de ruido sísmico ambiental fueron extraídos de la memoria de los
sensores en segmentos de 30 minutos y en formato GCF, nativo del fabricante. Posteriormente,
fueron convertidos a formato SAC y con la ayuda del software SAC (Goldstein et al., 2003) fue
removida la media, la tendencia y la respuesta instrumental de los registros completos de cada
estación y de los tres componentes. Se verificó que para cada estación se tuviera el mismo tiempo
de registro en los tres componentes, los huecos fueron reemplazados con ceros. Las señales fueron
decimadas a un factor de 4, el intervalo de muestreo resultante fue de 0.04 s.

4.2 Funciones de densidad de energía

Con el objetivo de observar el contenido de frecuencias del ruido sísmico, se calcularon las funciones
de densidad de energía PSD (Power Spectral Density, en inglés) para los registros de cada estación
y cada componente. Las funciones de densidad de energía son una medida del contenido de energía
de la señal en el dominio de las frecuencias. Se utilizaron los registros completos dividiéndolos en
ventanas de 120 segundos con un traslape del 50%. Fueron calculadas, para cada ventana de
tiempo, siguiendo la aproximación para datos sísmicos aleatorios estacionarios de McNamara y
Buland (2003), de la siguiente manera:
2Δ𝑇
𝑃𝑆𝐷𝐾 = |𝑌 |2 , (7)
𝑁 𝑘

donde Δ𝑇 es el intervalo de muestro, 𝑁 es el número de muestras en cada ventana de tiempo y |𝑌𝑘 |

es el espectro de amplitudes de la señal. A cada ventana de tiempo se le aplicó un cosine taper del
5% antes de calcular la transformada rápida de Fourier.
En cada estación y en cada componente, se obtuvo una curva que representaba el percentil 50 de
las funciones PSD calculadas considerando todas las ventanas. Para analizar el contenido espectral
por arreglo se representaron gráficamente todas las curvas que correspondían al mismo arreglo,
además se calcularon y representaron las curvas de los percentiles 10 y 90.

27
En la mayoría de las estaciones se observó un comportamiento similar en el percentil 50 de las
funciones PSD en frecuencias menores a 0.8 Hz. Sin embargo, para frecuencias cercanas y mayores
a 0.8 Hz presentaban comportamientos distintos, incluso se observaron grandes cambios de
amplitud entre los registros de estaciones vecinas. En algunos casos, las curvas de diferente
percentil de estaciones cercanas se mezclaban. Además, en general la componente vertical
presentaba cambios más abruptos y amplitudes más grandes respecto a las componentes
horizontales, principalmente en frecuencias mayores a 0.8 Hz. También, había una mayor diferencia
de amplitudes entre los percentiles 10 y 90 en las componentes verticales.
Cabe mencionar que el comportamiento de las curvas fue diferente entre los arreglos, en algunos
casos, como el arreglo A9, el comportamiento fue más aleatorio. Por otro lado, en otros arreglos
como en el arreglo 20 fue más uniforme. Sin embargo, en los demás arreglos predominó el
comportamiento aleatorio.
En la Figura 9 se muestran el percentil 10 (línea punteada en rojo), 50 (línea sólida negra) y 90 (línea
punteada en cian) de las componentes este, norte y vertical, de todas las estaciones que forman el
arreglo A9. Las curvas PSD calculadas con las estaciones en este arreglo presentan diferencias
notables entre sí, además de un incremento considerable en las amplitudes del componente
vertical. Basándose en registros de más de 70 estaciones sísmicas en el mundo, Peterson (1993)
calculó las curvas NHNM y NLNM para representar los niveles de ruido altos y bajo. Para tener una
referencia de los niveles de ruido observados en, se graficaron también las curvas NHNM y NLNM.
En la Figura 9 también se puede observar que el percentil 50 de las curvas PSD en frecuencias
menores a 0.8 Hz sigue la misma tendencia e incluso está dentro del rango formado por las curvas
NLNM y NHNM.
En la Figura 10 se muestran el percentil 10 (línea punteada en rojo), 50 (línea sólida negra) y 90
(línea punteada en cian) de las componentes este, norte y vertical, de todas las estaciones que
forman el arreglo A20, en este caso, se observa un comportamiento uniforme en todos
componentes y en un mayor rango de frecuencias. En este caso es más notorio que el percentil 50
de las curvas PSD sigue la misma tendencia que las curvas NLNM y NHNM en frecuencias menores
a 0.8 Hz. En el Anexo I se muestran las funciones de densidad de energía estimadas en las estaciones
que forman cada arreglo y en los tres componentes.

28
 a)

b)

c)
Figura 9. Funciones de densidad de energía de los registros que forman el arreglo 9. En negro, el
percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas punteadas
rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido NHNM y
NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental según el
fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

29
 a)

b)

c)
Figura 10. Funciones de densidad de energía de los registros que forman el arreglo 20. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

30
4.3 Matriz de coeficientes de correlación de densidad espectral

Recuperar la función de Green de manera precisa requiere que los campos de ondas que forman el
ruido sísmico ambiental sean completamente difusos. Según la representación modal (sección 1.4),
un campo totalmente difuso es estacionario en tiempo, también, implica que los modos de ondas
de diferentes eigenfrecuencias no estén correlacionados y que se propaguen en todas las
direcciones con la misma energía. Por otro lado, un campo no difuso sería el resultado de fuerzas
puntuales aisladas que no están continuamente distribuidas en todas direcciones o no son
estacionarias en tiempo. Además, las fuentes puntuales tendrán espectros de fuente anchos, lo que
introducirá correlaciones entre frecuencias vecinas del campo de ondas que forman el ruido sísmico
ambiental (Liu y Ben-Zion, 2016).
Para estimar las desviaciones de un campo observado respecto a un campo aleatorio de ruido
completamente difuso, Liu y Ben-Zion (2016) desarrollaron una técnica basada en el cálculo de una
matriz de coeficientes de correlación de densidad espectral (MCE) en diferentes frecuencias.
En un campo difuso (ecuación 3) las amplitudes modales no están correlacionadas. La media, la
pseudo-covarianza y la covarianza de las amplitudes modales son (Weaver y Lobkis, 2004):

𝐸[𝑎𝑛 ] = 0
𝐸[𝑎𝑛 𝑎𝑚 ] = 0
∗ ]
𝐸[𝑎𝑛 𝑎𝑚 = 𝐹(𝜔𝑛 )𝛿𝑛𝑚 (8)

La delta de Kronecker indica que las amplitudes modales en frecuencias cercanas son delta-
correlacionadas. El cálculo de la matriz MCE supone que las amplitudes modales en frecuencias
vecinas pueden estar correlacionadas y que su covarianza está dada por:

∗ ]
𝐸[𝑎𝑛 𝑎𝑚 = 𝑔(𝜔𝑛 , 𝜔𝑚 ), (9)

donde 𝑔(𝜔𝑛 , 𝜔𝑚 ) es una función generalmente compleja y las amplitudes modales son asumidas
como variables aleatorias Gaussianas complejas.
A partir de la covarianza de los absolutos cuadrados de las amplitudes modales, Liu y Ben-Zion
(2016) relacionan la función 𝑔(𝜔𝑛 , 𝜔𝑚 ) con la matriz de correlación de valores de densidad
espectral:

31
 𝐶𝑜𝑣[|𝑎𝑛 |2 , |𝑎𝑚 |2 ] = 𝐸[|𝑎𝑛 |2 , |𝑎𝑚 |2 ] − 𝐸[|𝑎𝑛 |2 ]𝐸[|𝑎𝑚 |2 ]
∗ ]𝐸[𝑎 ∗ 2
= 𝐸[𝑎𝑛 𝑎𝑚 𝑛 𝑎𝑚 ] = |𝑔(𝜔𝑛 , 𝜔𝑚 )| (10)

Liu y Ben-Zion (2016) demuestran que si la función de covarianza |𝑔(𝜔𝑛 , 𝜔𝑚 )| es cercana a una
constante que multiplica a la delta de Kronecker la derivada de la correlación con respecto a la
diferencia de tiempo puede aproximarse a la función de Green entre dos puntos. Además,
mencionan que, en campos de ruido aleatorio locales en sistemas abiertos, si las frecuencias vecinas
no son delta-correlacionadas o el ruido no es estacionario, el campo no es completamente difuso.
De manera que para un campo completamente difuso los valores en la diagonal de la matriz MCE
serán 1 y los demás 0 (ver Figura 11). Un campo no difuso tendrá valores no diagonales diferentes
de cero, implicando la correlación entre diferentes frecuencias.

Figura 11. Representación gráfica de la matriz de coeficientes de correlación de densidad espectral

de un campo completamente difuso.

Para conocer las características de difusividad del ruido sísmico ambiental registrado en las
estaciones, se calcularon las matrices de coeficientes de correlación de densidad espectral en todas
las estaciones y en los tres componentes. En cada caso el procedimiento fue:

1. Se dividieron los registros en ventanas de 120 s, entre ventanas consecutivas se dejó un gap
del 10% del tamaño de la ventana, como lo sugiere Liu y Ben-Zion (2016).
2. Se calcularon los espectros cruzados entre ventanas consecutivas utilizando la transformada
rápida de Fourier
3. Utilizando la función en MATLAB® xspecmatStats (Liu y Ben-Zion,2016) se estimaron las
matrices de coeficientes de correlación de densidad espectral.

32
En algunos casos, las MCE mostraron correlación entre frecuencias vecinas, posiblemente debidas
a fuentes cercanas a las estaciones. En cada estación los resultados fueron consistentes en los tres
componentes, aunque en la mayoría de los casos se observaba mayor correlación de frecuencias
vecinas en la componente vertical (ver Figura 12). Las matrices MCE de las estaciones que
pertenecían al mismo arreglo mostraron similitudes respecto al rango de frecuencias vecinas
correlacionadas (ver Figura 13). En general, se observó que el campo de ondas registrado no es
completamente difuso.

Figura 12. Matriz de coeficientes de correlación de densidad espectral de los tres componentes de
la estación CM143. Izquierda, este; centro, norte; derecha, vertical. Se observa que en los tres
componentes hay correlación entre frecuencias vecinas en un rango de 0.2 a 0.8 Hz, hay mayor
correlación en la componente vertical.

33
Figura 13. Matrices de coeficientes de correlación de densidad espectral para 6 estaciones
pertenecientes al arreglo A9. Se observan rangos similares donde existe correlación entre
frecuencias vecinas.

4.4 Recuperación de la función de Green

En este trabajo se analizaron diferentes esquemas de procesamiento para obtener una buena
aproximación a la función de Green entre dos puntos. Bensen et al. (2007) describen una secuencia
de procesamiento que se basa en normalizar en tiempo y en frecuencias los registros para suprimir
efectos de fuentes energéticas cercanas a las estaciones. Por otro lado, Gross et al. (2012)
mencionan que una selección adecuada de los datos de entrada puede sustituir a las
normalizaciones no lineales en el dominio del tiempo.
Para los datos utilizados aquí es necesario considerar que las estaciones fueron instaladas en un
ambiente urbano, las matrices de coeficientes de correlación de densidad espectral sugieren que
posiblemente los registros estén influenciados por fuentes transitorias en alguna de las estaciones,
fuentes cercanas a las dos estaciones y fuentes monocromáticas persistentes en una o más
estaciones durante todo o gran parte del registro. Además, por las distancias entre estaciones los
rangos de frecuencias donde se buscarán arribos de trenes de onda son considerablemente más

34
altos que los estudios regionales. Es probable que para este rango de frecuencias el ruido sísmico
ambiental tenga su origen dentro de la ciudad.
La elección de la secuencia de procesamiento consideró: normalización en tiempo, normalización
en frecuencias, selección de ventanas de acuerdo con parámetros estadísticos, relación señal ruido
y ponderación de funciones de Green individuales. Como se explica más adelante, la longitud de las
ventanas se determinó considerando las velocidades reportadas en los estudios previos. Se
probaron más de 40 esquemas de procesamiento variando el orden y tipo de los procesos. Para las
pruebas se utilizaron las componentes verticales de todos los pares de estaciones posibles del
arreglo A11, en esta sección se muestran las imágenes de las pruebas en tres pares de estaciones:
CM145-CM146, separadas 838 m; CM145-CM156, separadas 1360 m y CM145-CM160, separadas
2944 m. En la Figura 14 se muestra un diagrama que resume las secuencias de procesamiento
aplicadas.

Figura 14. Secuencias de procesamiento probadas en este trabajo. FCC significa Función de
Correlación Cruzada.

4.4.1 Correlación cruzada de señales digitales

En el dominio del tiempo, la función de correlación cruzada insesgada de dos series de tiempo 𝑥 y
𝑧, de tamaño 𝑁 es calculada como (Gross, 2010):

35
 𝑁−𝑟
1
𝐹𝐶𝐶(𝑟) = ∑ 𝑥𝑛+𝑟 𝑧𝑛∗ (11)
𝑁 − |𝑟|
𝑛=0

1
El término 𝑁−|𝑟| toma en cuenta el número decreciente de multiplicaciones para retrasos 𝑟 mayores.

Las correlaciones cruzadas fueron calculadas en MATLAB®, el algoritmo que utiliza es equivalente a
la ecuación (11) en el dominio de las frecuencias.

4.4.2 Rotación de las componentes horizontales

Para cada par de estaciones, de cada arreglo, fue calculado el acimut (𝜃). Las componentes radiales
(𝑅) y transversales (𝑇) fueron estimados de la siguiente manera:

𝑅 = cos(𝜃) ∗ 𝑁 + 𝑠𝑒𝑛(𝜃) ∗ 𝐸,
𝑇 = −𝑠𝑒𝑛(𝜃) ∗ 𝑁 + cos(𝜃) ∗ 𝐸, (12)

donde 𝐸 y 𝑁 son las componentes este-oeste y norte-sur, respectivamente.

4.4.3 Selección de la longitud de las ventanas

Gross (2015) recomienda que la longitud de las ventanas sea de 4 a 6 veces el máximo tiempo de
retraso esperado, en el caso de que no se considere un traslape. Mientras que para ventanas
traslapadas menciona que la longitud de las ventanas puede ser igual al máximo tiempo de retraso
esperado. El máximo tiempo de retraso esperado fue de 127 s, el cual se calculó a partir de la
velocidad de onda de corte mínima reportada en los estudios previos (50 m/s) y la máxima distancia
entre estaciones (6369 m). Se decidió utilizar ventanas de 120 segundos. Las primeras pruebas
mostraron que las FCCs no cambiaban significativamente para traslapes mayores al 75%.

4.4.4 Normalización en tiempo

La normalización en tiempo tiene como objetivo eliminar los efectos de fuentes energéticas como
pueden ser sismos, irregularidades instrumentales y fuentes de ruido no estacionarias (Bensen et

36
al., 2007). Para el conjunto de datos de este trabajo este procedimiento fue fundamental, no se
consiguieron buenos resultados cuando se omitió. Se probaron 3 tipos diferentes de normalización
en tiempo:

Normalización 1-bit: Consiste en transformar la señal original definida en un conjunto de números

reales a una señal digital en un rango de -1 a 1, de la siguiente manera:

1 𝑠𝑖 𝑥 > 0
𝑠𝑔𝑛(𝑥) = { (13)
−1 𝑠𝑖 𝑥 < 0

Hanasogue y Branicki (2012) hicieron una extensa investigación en la que evaluaron las propiedades
estadísticas de la correlación cruzada de microtremores usando datos crudos y la normalización 1-
bit. Concluyeron que la normalización 1-bit es una medida más estable, eficaz para eliminar señales
de gran amplitud debidas a fuentes esporádicas. Incluso sus observaciones fueron válidas mitigar el
efecto de fluctuaciones debidas a procesos aleatorios estacionarios y no estacionarios.

Normalización Runnig-Absolut-Mean (RAM): Este método calcula el promedio móvil del valor
absoluto de la forma de onda en una ventana de tiempo de normalización de longitud fija y pondera
la forma de onda en el centro de la ventana por el inverso de este promedio, la ponderación de la
normalización, o los pesos, 𝑤𝑛 para un tiempo 𝑛 son calculados como (Bensen et al., 2007):

𝑛+𝑁
1
𝑤𝑛 = ∑ |𝑑𝑗 |, (14)
2𝑁 + 1
𝑗=𝑛−𝑁

la señal normalizada se obtiene al dividir la ventana de tiempo entre los pesos 𝑤𝑛 . Bensen et al.
(2007) recomiendan una longitud de ventana igual a la mitad del máximo período del filtro pasa
bandas, en este trabajo se utilizó una ventana de 5 segundos.

Normalización respecto a la máxima amplitud (MA): El objetivo de esta normalización es preservar

la forma de onda y mitigar el efecto que pueda existir al ser una estación más energética que otra.
Simplemente consiste en dividir la ventana de tiempo entre el valor máximo del valor absoluto de
la señal.

37
En este trabajo no se observaron diferencias significativas entre la normalización 1-bit y RAM,
incluso la normalización con respecto de la máxima amplitud dio resultados similares. En la Figura
15 se muestran las funciones de Green recuperadas en los pares de prueba, como se puede observar
apenas son distinguibles las diferencias entre la normalización 1-bit y RAM, líneas negra y roja,
respectivamente.

Figura 15. Comparación entre las funciones de Green recuperadas al normalizar las señales en el
dominio del tiempo, utilizando 1-bit (línea negra), RAM (línea roja), MA (línea verde). Se muestra
también el resultado obtenido sin normalizar la señal (línea punteada). Las funciones de Green están
filtradas en un rango de 0.4 a 1 Hz.

Después de analizar las 153 funciones de Green recuperadas, para cada tipo de normalización en
tiempo, se observó que con los métodos 1-bit y RAM mejoraba la simetría de algunos pares.
Debido a que los tiempos de cálculo son más rápidos con la normalización 1-bit, se consideró más
conveniente.

38
4.4.5 Normalización en frecuencias (whithening)

De la misma manera que la normalización en tiempo, la normalización en frecuencias es un proceso

no lineal. Su objetivo principal es mitigar la influencia de fuentes monocromáticas (Bensen et al.,
2007). Consiste en obtener el espectro de Fourier, multiplicarlo por una ventana de Hanning,
normalizar su amplitud y calcular la transformada inversa. La señal resultante tendrá un espectro
de frecuencias plano.
Se probaron tres tipos de esquemas: aplicando la normalización en frecuencias antes de la
normalización en tiempo, después de la normalización en tiempo y a cada función de correlación
cruzada (FCC) antes del apilado. Se observó una relación entre el traslape de las ventanas y los
efectos del blanqueamiento espectral. En la Figura 16 se muestran las funciones de Green
recuperadas para los tres pares de la sección anterior con los tres tipos de esquemas, aplicando la
normalización 1-bit y para traslapes del 50% y 75%, se puede notar que utilizado un traslape del
75% las variaciones son mínimas. En general no se obtuvieron variaciones significativas entre los
tres tipos de esquemas, incluso no se observaron diferencias importantes entre las funciones de
Green que fueron recuperadas utilizando blanqueamiento espectral y las que sólo fueron
normalizadas en tiempo (Figura 17).
Con base en las observaciones hechas se decidió prescindir de la normalización en frecuencias.

39
Figura 16. Funciones de Green recuperadas normalizando las señales en frecuencia, antes de la
normalización en tiempo (verde), después de la normalización en tiempo (negro) y antes del apilado
(rojo). En la columna de la izquierda se utilizó un traslape de ventanas del 50%, mientras que para
la columna de la derecha del 75%. Se puede observar que la variación es mínima para traslapes del
75%. Las funciones de Green están filtradas en un rango de 0.4 a 1 Hz.

40
Figura 17. Comparación de las funciones de Green recuperadas de tres pares cuando las señales son
normalizadas en frecuencia y en tiempo y cuando sólo son normalizadas en tiempo, utilizando
ventanas de 120 segundos y traslape del 75%. Es notorio que los efectos de la normalización en
frecuencias son imperceptibles. Las funciones de Green están filtradas en un rango de 0.4 a 1 Hz.

4.4.6 Algoritmo de selección de ventanas

El ruido sísmico urbano puede ser descrito como una superposición de señales emitidas por
numerosas fuentes independientes distribuidas aleatoriamente, muchas de estas señales son
deterministas, pero sus parámetros físicos son desconocidos. El ruido sísmico (urbano) pude ser
considerado como un proceso aleatorio no estacionario en tiempo y en espacio. En el caso ideal de
un número infinitamente grande de contribuciones de señales independientes el ruido sísmico
tendría una distribución Gaussiana (Gross et al., 2009).

41
La selección de ventanas tiene como objetivo descartar ventanas de tiempo que estén dominadas
por eventos transitorios. El algoritmo utilizado se basó en la clasificación estadística del ruido
sísmico presentada por Gross et al. (2012) con unas ligeras modificaciones. Está clasificación utiliza
relaciones de intervalos de amplitud de series de tiempo y percentiles para identificar y cuantificar,
variaciones en el histograma de las series de tiempo respecto a una distribución Gaussiana. Los
parámetros utilizados en este trabajo fueron: factor pico (𝑓𝑝), que representa la relación entre los
intervalos 99.73% y 95.45%,
𝑓𝑝 = 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜(99.73%)/𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜(95.45%); (15)
SI68, representa la relación entre la frontera inferior y superior del intervalo que agrupa el 68% de
las muestras o la relación entre el percentil 84 y el percentil 16,
𝑆𝐼68 = |𝑃84/𝑃16|; (16)
SI95, representa la relación entre la frontera inferior y superior intervalo que agrupa el 95% de las
muestras,
𝑆𝐼95 = |𝑃97.725/𝑃2.275|. (17)
El factor 𝑓𝑝 es una medida de la normalidad de la muestra, mientras que 𝑆𝐼68 y 𝑆𝐼95 de simetría.
En la Figura 18 se muestra gráficamente el significado de los intervalos y percentiles en una
distribución Gaussiana. Los valores esperados para una distribución normal se resumen en la Tabla
2, también se muestra el rango de valores que pueden tener los parámetros para que una muestra
(en este caso una ventana de tiempo) pueda ser considerada aproximada a una distribución normal.

Figura 18. Histograma de amplitudes estandarizadas de una ventana de tiempo con distribución
normal. Se muestran los intervalos que comprenden el 99.73%, 95.54% y el 68%, del total de las
muestras. La línea roja representa la función de distribución de probabilidad. Imagen basada en
Gross et al. (2012).

42
Los registros de ruido ambiental presentaban variaciones importantes en amplitud entre la mayoría
de las estaciones. Por esta razón, en el proceso de selección, las ventanas de tiempo fueron
estandarizadas, y se aproximaron a una distribución normal 𝑁(𝜇 = 0, 𝜎 = 1). Para que las ventanas
de tiempo fueran utilizadas los tres parámetros tenían que estar dentro del rango de valores
aceptados, en ambas estaciones. Gross et al. (2012) consideran que las ventanas de tiempo
seleccionadas tienen influencia de pocos eventos transitorios. El objetivo principal de este
procedimiento es sustituir la normalización en tiempo.

Tabla 2. Parámetros utilizados en la selección de ventanas.

Parámetro Valor esperado Valores aceptados
Factor pico (𝑓𝑝) 1.5 1.4 < 𝑓𝑝 <= 1.7
𝑆𝐼68 1 1 ± 0.05
𝑆𝐼95 1 1 ± 0.05

Al utilizar el algoritmo de selección de ventanas se observó que los pulsos principales coincidían en
las funciones de Green donde los registros fueron normalizados en tiempo. En la Figura 19 se
comparan las funciones de Green recuperadas con el algoritmo de selección de ventanas y las
recuperadas con el procedimiento de normalización en tiempo 1-bit. Aunque hay similitudes, en
algunos casos se observó que con la selección de ventanas las amplitudes de la coda son mayores,
es decir, la relación señal ruido es menor. Otro aspecto importante de la selección de ventanas es
la cantidad de información que el algoritmo descarta, existen pares de estaciones en donde se
desechó hasta el 95% de las ventanas. El algoritmo no mejoró las funciones de Green en la mayoría
de los pares.

43
Figura 19. Comparación entre las funciones de Green recuperadas al aplicar el algoritmo de
selección de ventanas (línea roja) y las recuperadas al normalizar en tiempo con 1-bit (línea negra).
Se puede notar que las funciones de Green tienen codas de mayor amplitud al seleccionar las
ventanas.

Para las funciones de Green mostradas en la Figura 19 es necesario mencionar que para el par 145-
146 se descartó el 91% de las ventanas evaluadas, para el par 145-156 el 82% y para el par 145-160
el 88%. En general, para las 153 funciones de Green recuperadas con el algoritmo de selección de
ventanas se descartaron más del 80% de las ventanas.
Considerando las variaciones en los resultados mostradas en la Figura 19 se evaluó la aplicabilidad
de la normalización en frecuencias al utilizar selección de ventanas. En la Figura 20 se muestran las
funciones de Green para los mismos pares al aplicar la normalización en frecuencias a las ventanas
seleccionadas antes y después de la correlación cruzada. Se observó una ligera mejoría en la relación
señal ruido cuando se utilizó la normalización en frecuencias antes de la correlación cruzada.

44
Figura 20. Comparación de las funciones de Green recuperadas con el algoritmo de selección de
ventanas sin normalización en frecuencias (azul), con la normalización antes de la correlación
cruzada (roja) y con la normalización después de la correlación cruzada (negra).

4.4.7 Relación señal ruido y apilado

La relación señal ruido (SNR, por sus siglas en inglés) es utilizada para cuantificar la calidad de las
FCCs. Existen diferentes maneras de calcularla, Gross (2015) dividió el pico máximo de la FCC entre
el nivel de la raíz cuadrática media (Root-Mean-Square Level, en inglés) o rms de la FCC completa.
En su trabajo, las FCCs más confiables tenían valores de SNR superiores a 13. Por otro lado, Oliver
(2015) calcula la SNR como el cociente entre el rms de la ventana de tiempo donde se espera el
arribo del tren de ondas y el rms de la coda. La ventana de tiempo donde espera la señal es estimada

45
en el rango [𝑑/(0.7 ∗ 𝑉), 𝑑/(1.3 ∗ 𝑉)], donde 𝑉 representa una velocidad esperada y 𝑑 la distancia
entre estaciones. En su trabajo, las FCCs más confiables tenían valores de SNR superiores a 4.
En este trabajo la SNR fue calculada combinando los métodos anteriores, se calculó el cociente del
rms de la ventana de tiempo donde se esperaba el arribo del tren de ondas y el rms de la coda y la
ventana entre el tiempo desde el retraso cero y el inicio de la ventana con la señal esperada. La
ventana de tiempo de la señal esperada se estimó en el rango [𝑑/50, 𝑑/900], con la distancia en m.
Este rango fue elegido tomando en cuenta los estudios previos. Las FCCs que tenían valores mayores
a 1.6 se consideraron más confiables. Cabe mencionar que parámetros como el intervalo de
muestreo y la longitud de las ventanas influyen en los valores rms, por esta razón el umbral que
considera a las FCCs de mejor calidad es menor al que calculó Oliver (2015).
A partir de la SNR se probaron dos tipos de apilado:

 Apilado ponderado: Consistió en multiplicar, antes del apilado, las FCCs individuales por el
cuadrado del valor SNR, siempre y cuando este sea mayor o igual a 1.6.
 Apilado selectivo: Se basó en el trabajo de Oliver (2015), consistió en apilar solo aquellas
FCCs que tuvieran valores SNR mayores o iguales a 1.6.

En la Figura 21 se muestran tres funciones de Green recuperadas considerando la normalización 1-

bit y el apilamiento ponderado. Se observa que el apilamiento ponderado no contribuye a mejorar
la función de Green e incluso realza los pulsos alrededor del tiempo cero. Las funciones de Green
recuperadas considerando el algoritmo de selección de ventanas y la normalización en frecuencias
antes del apilado no mostraron mejoras en su forma, incluso en algunos casos se perdieron los
pulsos de mayor amplitud, estas funciones se muestran en la Figura 22.

En la Figura 23 se muestran tres funciones de Green recuperadas considerando la normalización 1-

bit y el apilamiento selectivo. Tampoco se observa una mejoría significativa, además, se descarta
más del 90% de la información en la mayoría de los pares. Sin embargo, es importante resaltar que
se logran resultados similares apilando menos del 5% de las FCCs, en todos los casos.

46
Figura 21. Comparación de funciones de Green recuperadas considerando la normalización 1-bit y
el apilamiento ponderado (línea negra) y solo normalización 1-bit (línea roja). No se observa una
diferencia significativa

Figura 22. Comparación entre las funciones de Green recuperadas utilizando el algoritmo de
selección de ventanas y la normalización espectral (línea roja) y las recuperadas añadiendo el

47
procedimiento más el apilamiento ponderado (línea negra). Es notorio que las funciones de Green
no mejoraron e incluso las amplitudes la coda son mayores.

Figura 23. Comparación de funciones de Green recuperadas considerando la normalización 1-bit y

el apilamiento selectivo (línea negra) y solo normalización 1-bit (línea roja).

4.4.8 Esquema de procesamiento seleccionado.

Con base en las observaciones hechas en esta sección se eligió el esquema de procesamiento
mostrado en la Figura 24 para calcular las correlaciones cruzadas de todos los pares de estaciones y
de todos los arreglos, utilizando las componentes vertical, radial y transversal.

Figura 24. Esquema de procesamiento utilizado para la estimación de todas las funciones de Green.

48
Al tratarse del mismo tipo de ondas (ondas Rayleigh) se esperaban resultados similares en las
funciones de Green recuperadas en las componentes radial y vertical. Sin embargo, se obtuvieron
diferencias importantes, incluso en amplitud, sin una clara tendencia general que indicara un
componente específico donde la función de Green fuera estimada con mayor precisión, en algunos
arreglos se obtuvieron mejores resultados en la componente radial y en otros en el vertical. En la
Figura 25 se comparan las funciones Green recuperadas en las componentes vertical y radial de 4
pares de estaciones.

Figura 25. Comparación de la función de Green recuperada en la componente radial y vertical en 4

pares de estaciones. Arriba, en los pares CM196-CM197 y CM196-CM198, pertenecientes al arreglo
7 se observa mejor definida la función de Green en la componente vertical. Abajo, en los pares
CM145-CM150 y CM148-CM151, pertenecientes al arreglo 11 se observa mejor definida la función
de Green en la componente radial.

Por otro lado, en algunos arreglos se observaron pulsos más claros en la componente transversal de
la función de Green recuperada. En las Figuras 26,27,28 y 29 se muestran las funciones de Green
recuperas en los arreglos 5, 9, 17 y 21, respectivamente, graficadas con la distancia correspondiente
para cada par de estaciones. En el Anexo II se pueden encontrar todas las funciones de Green
recuperadas para todos los pares de estaciones en todos los arreglos.

49
Figura 26. Funciones de Green estimadas en el arreglo 5, filtradas de 0.4 a 0.8 Hz.

50
Figura 27. Funciones de Green estimadas en el arreglo 9, filtradas de 0.4 a 0.8 Hz.

51
Figura 28. Funciones de Green estimadas en el arreglo A17, filtradas de 0.4 a 0.8 Hz.

52
Figura 29. Funciones de Green estimadas en el arreglo A21, filtradas de 0.4 a 0.8 Hz.

53
4.5. Separación de arribos espurios de la función de Green

Como se observa en el Anexo II, existen algunos arreglos (1, 2, 3, 6, 11, 14 y 15) donde no se distingue
un pulso claro que muestre la propagación de un tren de ondas, en ninguno de los componentes.
Las matrices de coeficientes de correlación de densidad espectral calculadas hicieron evidente que
el campo de ondas registrado no es totalmente difuso en algunas estaciones. Es decir, que
posiblemente existen eventos transitorios contenidos en el ruido sísmico produciendo arribos
espurios en las funciones de Green recuperadas e impidiendo observar un pulso claro. Liu et al.
(2019) introdujeron un método de separación de señal ciega para separar la componente espurio
del campo de ondas no difuso a las contribuciones de ondas Rayleigh. En la separación de señal
ciega, las señales de múltiples fuentes arriban simultáneamente a un arreglo de receptores, de
manera que cada receptor registra una mezcla de las señales fuente. Los conjuntos de las señales
registradas son procesados para identificar las señales de la fuente o el sistema de mezcla. El
término “ciego” se refiere al hecho de que no se dispone de un conocimiento explícito de las señales
fuente o del sistema de mezcla (Kumari, 2009).

Liu et al. (2019) utilizan el análisis de componentes independientes (ICA, por sus siglas en inglés) con
las funciones de Green recuperadas en las componentes radial y vertical para separar las
contribuciones espurias del pulso de ondas Rayleigh. El ICA es capaz de encontrar factores o
componentes subyacentes a partir de datos estadísticos multivariables. Este método supone que el
pulso de ondas Rayleigh y las contribuciones espurias son estadísticamente independientes y no
Gaussianos. Sin embargo, su mezcla de acuerdo con el teorema del límite central puede ser
Gaussiana. Este método primero blanquea los datos de entrada a vectores de datos no
correlacionados aplicando la descomposición de valores singulares. Luego estima una matriz de
descomposición de 2 × 2 (el inverso de la matriz de mezcla) y maximiza la no Gaussianidad de las
componentes independientes separados. La no Gaussianidad se mide por la negentropía, que es
una medida de la distancia a la normalidad.

En la separación de los componentes, es importante que la fuente espuria no difusa esté fuera de
la zona de fase estacionaria y genere una respuesta independiente. Las fuentes dentro de la zona
de fase estacionaria interfieren constructivamente y una fuente no difusa dentro de esa zona es
inseparable de las fases producidas por la interferencia constructiva de las fuentes de ruido difuso.
Siguiendo a Liu et al. (2019) se aplicó el análisis de componentes independientes a las funciones de

54
Green recuperadas en los planos radial y vertical. Se utilizó la función fastICA (More, 2020) escrita
en MATLAB® y el algoritmo de FastICA incluido en la librería scikit-learn (Buitinck et al., 2013) de
Python obteniendo resultados similares en las primeras pruebas. Por practicidad y automatización,
se utilizó solo la función fastICA en todos los arreglos. Para la implementación del análisis se
utilizaron las funciones de Green sin normalizar y en el rango completo de frecuencias (0.1 a 1.5 Hz)
según el filtro pasa bandas de la Figura 13.

El orden de los resultados del análisis ICA es aleatorio, es decir, en ocasiones la componente difuso
es el primer resultado y en otras el segundo. Por este motivo no fue posible observar las funciones
de Green según su distancia como en la Figura 29. Sin embargo, al analizar las funciones de Green
individualmente, en algunas se apreciaron pulsos más definidos en las soluciones del análisis ICA.
En las Figuras 30-33 se muestran cuatro ejemplos con los resultados del análisis ICA. Estos resultados
fueron utilizados para calcular los tiempos de viaje en varios arreglos.

Figura 30. Análisis de componentes independientes (ICA) de las funciones de Green recuperadas en
el plano radial y vertical para el par CM001-CM009. En el recuadro rojo se muestra el pulso de ondas
Rayleigh esperado. En esta imagen las señales fueron filtradas en un rango de 0.2 a 1 Hz.

55
Figura 31. Análisis de componentes independientes (ICA) de las funciones de Green recuperadas en
el plano radial y vertical para el par CM091-CM097. En el recuadro rojo se muestra el pulso de ondas
Rayleigh esperado. En esta imagen las señales fueron filtradas en un rango de 0.2 a 1 Hz.

Figura 32. Análisis de componentes independientes (ICA) de las funciones de Green recuperadas en
el plano radial y vertical para el par CM091-CM097. En el recuadro rojo se muestra el pulso de ondas
Rayleigh esperado. En esta imagen las señales fueron filtradas en un rango de 0.4 a 0.8 Hz.

56
Figura 33. Análisis de componentes independientes (ICA) de las funciones de Green recuperadas en
el plano radial y vertical para el par CM196-CM200. En el recuadro rojo se muestra el pulso de ondas
Rayleigh esperado. En esta imagen las señales fueron filtradas en un rango de 0.4 a 0.8 Hz.

control

4.6 Cálculo de los tiempos de viaje

Para calcular los tiempos de viaje de los trenes de onda que viajan entre dos estaciones se aplicó un
filtrado múltiple a las funciones de Green recuperadas. Este procedimiento consiste en la aplicación
de filtros de banda estrecha en una frecuencia central. En este trabajo los valores de la frecuencia
central variaron de 0.2 a 1.5 Hz con un avance logarítmico, el ancho del filtro fue de 0.1 Hz.
Posteriormente, se implementó un análisis FTAN siguiendo a Granados et al. (2019). En este análisis
se obtiene la envolvente, a partir de la transformada Hilbert, de las funciones de Green filtradas. En
un caso ideal, el tiempo de viaje en una frecuencia dada es el tiempo de retraso de la máxima
amplitud de la envolvente.

Similar a la forma en la que se construyen los espectrogramas, se crearon imágenes de dispersión a

partir de una matriz donde cada columna representa la envolvente obtenida en una frecuencia
central. De esta manera la amplitud de las envolventes permite estimar una curva de dispersión de
velocidad de grupo que representa la propagación de ondas entre dos puntos. La velocidad en las

57
imágenes de dispersión es estimada a partir de los tiempos de retraso posibles, que dependen de la
longitud de ventana utilizada en la correlación cruzada. Estas curvas pueden ser picadas de forma
manual o automática para estimar los tiempos de viaje (𝑡𝑖𝑒𝑚𝑝𝑜 = 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎/𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑) en un
rango de frecuencias específico. Aunque el análisis de componentes independientes permitió
mejorar las funciones de Green recuperadas en algunos pares, en otros aún eran visibles arribos que
no correspondían al pulso de ondas esperado e incluso estos arribos tenían ganancias de amplitud
en algunas frecuencias centrales. Por este motivo, en este trabajo se realizó un picado manual de
las curvas de dispersión.

Según las imágenes del Anexo II, para calcular los tiempos de viaje en cada arreglo se eligió la
componente donde el pulso de ondas emergía de manera más clara. En aquellos arreglos donde no
era visible un pulso emergente de manera clara y congruente en ningún componente fueron
analizados los tres componentes (vertical, radial y transversal), además de los resultados obtenidos
del análisis de componentes independientes.

En el arreglo 1 se utilizó la componente radial de la función de Green, de 153 pares de estaciones se

observó un pulso coherente en 93. Los tiempos de viaje fueron estimados en un rango de
frecuencias entre 0.31 y 0.9 Hz. Se observó una relación entre la orientación de los pares de
estaciones y la recuperabilidad de la función de Green. Más del 90% de los pares de estaciones
donde no se recuperó la función de Green tenían una orientación Este-Oeste con azimuts en un
rango de 90 ± 22.5° o 180° ± 22.5° y NW-SE con azimuts en un rango de 135° ± 22.5 o 315° ± 22.5,
como se muestra en la Figura 34a. En la Figura 34b se presenta un histograma polar simétrico de los
azimuts de todos los pares de estaciones que se forman en el arreglo, de los pares donde se recuperó
la función de Green y de aquellos donde no se recuperó. Es evidente que los azimuts donde no se
obtuvieron buenos resultados coinciden con el rango de azimuts de mayor cantidad en el arreglo.
Sin embargo, es importante tomar en cuenta la proporción entre las funciones de Green
recuperadas y las no recuperadas en el rango dominante, las funciones no recuperadas representan
casi el doble de las recuperadas. Con respecto a la distancia entre los pares de estaciones no se
encontró una relación directa, pero en los pares más distantes entre sí (> 3400 m) no se recuperó la
función de Green. Las velocidades observadas en este arreglo varían de 50 a 900 m/s. En la Figura
35 se muestra el picado de una curva de dispersión obtenida a partir del filtrado múltiple de la
función de Green recuperada en la componente radial entre un par de estaciones del arreglo A1, el
filtrado múltiple se muestra en la Figura 36.

58
Figura 34. a) Gráfico de barras donde se observa la proporción entre las funciones de Green
recuperadas y no recuperadas respecto a la orientación de los pares de estaciones. En la orientación
E-O la proporción de las funciones de Green no recuperadas es casi del doble respecto a las
recuperadas. b) Representación polar de los azimuts de los pares de estaciones en el arreglo A1. Se
observa que en los rangos de azimuts (entre 70° y 130° aproximadamente) donde existe una mayor
cantidad de pares, hay una proporción significativamente mayor de funciones de Green no
recuperadas respecto de las recuperadas.

59
Figura 35. Curvas de dispersión que muestran la propagación de ondas entre las estaciones CM004
y CM007, obtenidas del filtrado múltiple y del análisis FTAN de la función de Green recuperada en
la componente radial.

Figura 36. Filtrado múltiple de la función de Green recuperada en la componente radial entre las
estaciones CM004 y CM007

60
En el Anexo III se encuentra el cálculo detallado de los tiempos de viaje para los arreglos A2, A3, …
A22. Como se observa en la Tabla 3 en los arreglos A2 y A3, la función de Green fue recuperada en
muy pocos pares de estaciones. Descartando estos arreglos, en 10 arreglos se observaron pulsos de
ondas Rayleigh, utilizando las componentes radiales, verticales o los resultados del análisis de
componentes independientes. Estos arreglos abarcaban principalmente zonas de lago. Dentro de
este grupo se formaron 1327 pares de estaciones, y se obtuvo un pulso coherente en 850, el 64%.
En 10 arreglos se observaron pulsos de ondas Love, estos arreglos se encontraban principalmente
en zonas de loma y transición. En este caso se formaron 1569 pares de estaciones, y en 941 se
obtuvo un pulso de ondas Love en rangos amplios de frecuencias, representando el 60%.
Considerando todos los arreglos, de 3202 pares de estaciones se recuperó la función de Green en
1824, que representan el 57%. En la Tabla 3 se resumen algunas características de la estimación de
los tiempos de viaje.

61
Tabla 3. Resumen del cálculo de los tiempos de viaje

Número de pares Número de pares Porcentaje

Tipo de Rango de
donde se recuperó donde no se de Observaciones
Arreglo Componente onda frecuencias
la Función de recuperó la Función recuperación
observada [Hz]
Green de Green [%]
Se observó relación entre la
recuperabilidad de la función de Green
A1 Radial Rayleigh 93 60 60.78 0.37 - 0.92
y la orientación de los pares de
estaciones
Se logró recuperar la función de Green
A2 ICA Rayleigh 14 139 9.15 NA
en pocos pares
Se logró recuperar la función de Green
A3 ICA Rayleigh 19 134 12.42 NA
en pocos pares
Se observó relación entre la
113 40 73.86 0.35 - 0.95
A4 Vertical Rayleigh recuperabilidad de la función de Green
y la distancia entre estaciones
A5 Transversal Love 129 24 84.31 0.4 - 1.3 -
Se observó relación entre la
78 27 74.29 0.38 - 1.2
A6 ICA Rayleigh recuperabilidad de la función de Green
y la distancia entre estaciones
A7 Vertical Rayleigh 14 1 93.33 0.32 - 1.4 -
Se observó relación entre la
95 41 69.85 0.35 - 0.9
A8 ICA Rayleigh recuperabilidad de la función de Green
y la distancia entre estaciones
Se observó relación entre la
A9 Transversal Love recuperabilidad de la función de Green
94 42 69.12 0.4 - 1.3 y la distancia entre estaciones
A10 Transversal Love 104 49 67.97 0.45 - 1.3 -
Se identificaron problemas de
A11 ICA Rayleigh
90 63 58.82 0.45 - 1.1 sincronización en algunas estaciones

63
 Se identificaron problemas de
A12 Transversal Love
103 50 67.32 0.51 - 1.3 sincronización en algunas estaciones
Se identificaron problemas de
A13 Vertical Rayleigh
86 67 56.21 0.39 – 1 sincronización en algunas estaciones
A14 ICA Rayleigh 102 51 66.67 0.45 - 1.1 -
A15 Transversal Love 81 72 52.94 0.37 - 1.3 -
Se observó un índice de recuperación
de la función de Green muy bajo y
A16 Transversal Love
55 98 35.95 0.45 - 1.3 frecuencias vecinas correlacionadas en
la mayoría de las estaciones
Se observaron frecuencias vecinas
A17 Vertical Rayleigh 81 72 52.94 0.5 – 1-1 correlacionadas en la mayoría de las
estaciones
A18 Vertical Rayleigh 98 55 64.05 0.4 – 1.1 -
Se observó relación entre la
A19 Transversal Love recuperabilidad de la función de Green
74 79 48.37 0.7 - 1.4 y la distancia entre estaciones
Se observó relación entre la
A20 Transversal Love recuperabilidad de la función de Green
86 67 56.21 0.59 - 1.4 y la distancia entre estaciones
A21 Transversal Love 87 66 56.86 0.58 - 1.44 -
A22 Transversal Love 137 73 65.24 0.55 - 1.46 -

64
Capítulo 5. Tomografía

5.1 Tomografía de tiempos de viaje

A partir de un esquema de inversión de los tiempos de viaje calculados en la sección 4.6 se

obtuvieron imágenes tomográficas 2D que mostraron la distribución lateral de velocidades de grupo
en cada arreglo. La tomografía de tiempos de viaje es una técnica que tiene como objetivo estimar
la distribución de las velocidades de ondas sísmicas en la Tierra a partir de sus tiempos de viaje. El
tiempo de viaje de un rayo en un medio de velocidad continua 𝑣(𝑥) es (Rawlinson y Sambridge,
2003):

1
𝑡=∫ 𝑑𝑙, (18)
𝐿(𝑣) 𝑣(𝑥)

donde 𝐿 es la trayectoria del rayo, 𝑣(𝑥) es la velocidad del medio y 𝑑𝑙 es un elemento lineal a lo
1
largo de la ruta del rayo. El término 𝑣(𝑥) es conocido como lentitud 𝑠(𝑥).

En la ecuación (18) la trayectoria del rayo (𝐿) depende de la velocidad del medio, de manera que
perturbaciones en la velocidad causarían flexiones en la trayectoria del rayo. Nolet (1985), linealizó
el problema especificando un modelo inicial 𝑣0 (𝑥) y dedujo que las variaciones de 𝑣(𝑥) al modelo
inicial están relacionadas a las diferencias entre los tiempos de viaje observados y predichos por
𝑣0 (𝑥) de cada rayo. Además, tomando en cuenta el principio de Fermat concluyó que la integral
(18) no es sensible a perturbaciones pequeñas de velocidad. En otras palabras, es posible asumir
trayectorias rectas de los rayos si en el medio no existen variaciones fuertes de velocidad. Dada la
escala y las distancias entre estaciones de los datos utilizados en este trabajo se asumieron
trayectorias rectas de los frentes de onda.

Para resolver la ecuación (18), Nolet (1985) discretiza el medio en celdas no traslapadas y obtiene
un sistema disperso de ecuaciones lineales:

𝑡 = 𝐿𝑠, (19)

65
donde 𝑠 es la lentitud del medio, 𝑡 son los tiempos de viaje observados y 𝐿 es una matriz dispersa
de 𝑀 𝑥 𝑁, 𝑀 rayos que cruzan el medio dividido en 𝑁 celdas. 𝐿 representa la trayectoria del rayo
en cada celda por la que pasa.

El problema inverso fue resuelto utilizando el algoritmo de mínimos cuadrados LSQR, que es un
método iterativo para sistemas lineales dispersos (Piage y Saunders, 1982). Nolet (1985) menciona
que en la tomografía de tiempos de viaje la resolución proporcionada por el sistema de rayos que
cruzan el medio puede diferir significativamente en diferentes zonas y, que junto con los errores en
los datos ocasionan que el sistema algebraico esté casi siempre mal condicionado. Tomando en
cuenta lo anterior se consideró un término de regularización en el algoritmo LSQR, la función a
minimizar fue:

𝑡 −𝐿𝑠 2 (20)
𝜀=‖ ‖ ,
0 𝜆𝐼

donde 𝐼 es una matriz identidad y 𝜆 representa el factor de regularización o amortiguamiento. Para

elegir el valor adecuado de 𝜆 se obtuvieron curvas de trade-off (o curvas L) para cada frecuencia en
donde se calcularon los tiempos de viaje y, se observó el comportamiento de la desviación estándar
del modelo y la norma 𝐿2 en diferentes valores de 𝜆. El valor elegido fue aquel en donde se obtuvo
la menor desviación estándar de los parámetros del modelo y el menor error. En general, se
observaron comportamiento muy parecidos de las curvas de trade-off calculadas en las distintas
frecuencias del mismo arreglo. La desviación estándar del modelo fue estimada a partir de la raíz
cuadrada de la varianza del modelo, que es la diagonal de la matriz de covarianzas calculada de la
siguiente manera (Menke, 2012):

[𝑐𝑜𝑣 𝑚] = 𝜎𝑡2 [𝐿𝑇 𝐿 + 𝜆𝐼]−1 , (21)

donde 𝜎𝑑2 es la varianza de los datos:

𝑁
1
𝜎𝑡2 ≈ ∑ 𝑒𝑖2 , (22)
𝑁−𝑀
𝑖=1

y 𝑒 es el error: 𝑒 = (𝑡𝑝𝑟𝑒 − 𝑡𝑜𝑏𝑠 ). Donde 𝑡𝑝𝑟𝑒 son los tiempos de viaje predichos por el modelo y
𝑡𝑜𝑏𝑠 son los tiempos de viaje observados.

66
5.2 Prueba de resolución

La elección adecuada del tamaño de las celdas en que se discretiza el medio es fundamental para
obtener resultados confiables. Existen diferentes pruebas de resolución que ayudan a determinar
este parámetro, en este trabajo se implementó la prueba del tablero de ajedrez, similar a Lévêque
et al. (1993), la prueba consiste en proponer un modelo inicial de dos velocidades de propagación
diferentes en un medio discretizado con un tamaño de celda regular específico, de manera que estas
dos velocidades se distribuyen alternadamente simulando un tablero de ajedrez. Después de definir
el modelo inicial se calcula el problema directo con la ecuación (19), el objetivo es invertir los
tiempos de viaje obtenidos en el problema directo y recuperar el modelo inicial. Si el modelo inicial
es recuperado satisfactoriamente el tamaño de las celdas es adecuado. Para tener más certidumbre
en los resultados y simular los errores de los tiempos observados, se añadió ruido aleatorio de
distribución uniforme en un ±10% a los tiempos de viaje obtenidos en el problema directo. Aunque
es posible discretizar el medio en celdas rectangulares en este trabajo se usaron celdas cuadradas
en todos los arreglos. El modelo inicial propuesto fue el mismo en todos los arreglos, con celdas de
250 y 500 m/s. El criterio que se tomó para elegir el tamaño de las celdas adecuado fue que la norma
𝐿2 sea menor o cercana a 1 para tres diferentes semillas de números aleatorios. Es importante
mencionar que sólo fueron consideradas las trayectorias donde se recuperó la función de Green, en
todos los arreglos. El algoritmo LSQR se implementó con la función Ismr (David, 2020) escrita en
MATLAB®.

5.3 Extracción de curvas de dispersión de velocidad de grupo

Después de estimar las tomografías de tiempos de viaje, se extrajo la velocidad de cada celda y en
cada frecuencia con el objetivo de construir curvas de dispersión de velocidad de grupo de ondas
de Rayleigh o Love atribuidas a un lugar específico. Este procedimiento es muy importante porque
permite realizar la inversión de las curvas y calcular la estructura unidimensional de velocidades de
onda de corte en un sitio determinado dentro del arreglo.

5.4 Procedimiento por arreglo

En el arreglo A1 con la prueba del tablero de ajedrez se determinó adecuado un tamaño de celdas
de 600 m por lado, el Figura 37 se muestra el modelo inicial y el modelo recuperado en la prueba.

67
Figura 37. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo recuperado
en la prueba. Las líneas negras representan las trayectorias de los rayos donde se recuperó la
función de Green. La norme 𝐿2 del modelo recuperado fue 0.6250.

En la Figura 38 se muestra la curva de trade-off calculada para la inversión de los tiempos de viaje
en 0.37 Hz del arreglo A1. Se eligió un valor de amortiguamiento (λ) de 0.26. El comportamiento de
la curva y el valor de amortiguamiento fue estable para las diferentes frecuencias donde se
estimaron los tiempos de viaje en este arreglo. Así, fue calculado el factor de amortiguamiento (λ)
en todos los arreglos.

Figura 38. Curva de trade-off que muestra el comportamiento de la desviación estándar de los
parámetros del modelo y la norma 𝐿2 a diferentes valores de amortiguamiento (λ). Como se observa
en la Figura el valor más conveniente es 0.26.

68
Como se muestra en la Figura 39 el arreglo fue desplegado entre las zonas de lago, transición y loma.
Particularmente las estaciones CM001, CM013, CM016, CM017 y CM018, se encuentran sobre la
zona de loma, en los resultados en bajas frecuencias (0.37, 0.42, 0.47) se observaron velocidades
más altas en las celdas cercanas a estas estaciones. A continuación, en la Figura 40 se muestran
algunas imágenes obtenidas de la inversión de los tiempos de viaje calculados en el arreglo A1. En
la Figura 41 se muestran las curvas de dispersión extraídas y las celdas.

Figura 39. Distribución espacial de las estaciones que forman el arreglo A1. Las estaciones CM001,
CM013, CM016, CM017, CM018 se encuentran en zona de loma, en estas zonas se estimaron
velocidades ligeramente en la inversión tomográfica en bajas frecuencias.

69
Figura 40. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en las
frecuencias 0.37, 0.47, 0.57, 0.67 Hz del arreglo A1.

Figura 41. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas de las
tomografías. Derecha. Con un círculo negro se señalan las celdas de donde fueron extraídas las
curvas de dispersión.

70
En el Anexo IV se muestra el procedimiento para la estimación de las tomografías en los arreglos
A2, A3, …, A22. En resumen, en las tomografías se observó una relación entre la zonificación
geotécnica de la CDMX y la distribución de las velocidades de grupo de ondas Rayleigh y Love
estimadas en aquellos arreglos donde las estaciones compartían zonas geotécnicas o se ubicaban al
límite. La elección del tamaño de las celdas fue muy importante, después de múltiples pruebas, se
decidió agregar un ±10% de ruido aleatorio de distribución uniforme a los tiempos de viaje
calculados con el modelo inicial, porque se observó que si el modelo era recuperado con este nivel
de ruido las tomografías de tiempos de viaje tenían un comportamiento estable. Por lo tanto, se
puede suponer que la incertidumbre de los tiempos de viaje calculados con estos datos y en este
trabajo, se aproxima al ±10% de los valores estimados.

En la elección del tamaño de las celdas, también es importante tomar en cuenta:

1) El número de trayectorias donde se recuperó la función de Green, mientras menor cantidad

de trayectorias mayor tenía que ser el tamaño de las celdas.
2) El dominio de alguna dirección en las trayectorias, en aquellos arreglos donde existía una
dirección dominante se necesitaron celdas de mayor tamaño.
3) La forma de arreglo, los arreglos que presentaban formas rectangulares o alargadas en
alguna dirección requirieron mayores tamaños de celdas.

71
Capítulo 6. Cocientes espectrales HVSR

Los cocientes espectrales HVSR (Horizontal to Vertical Spectral Ratio) son un estimador confiable de
la frecuencia característica de depósitos sedimentarios y proporcionan información de la estructura
del subsuelo. En un modelo de una capa sobre un semi espacio la frecuencia característica 𝑓0 se
estima de la siguiente manera (Kramer, 1996):

𝑉𝑠
𝑓0 = , (23)
4𝐻

donde 𝑉𝑠 es la velocidad de onda de corte de la capa y 𝐻 es su espesor. La aplicación de la técnica

HVSR consiste en calcular el cociente de los espectros en las componentes horizontales entre el
vertical. Arai y Tokimatsu (2004) definen al cociente espectral HVSR como:

𝐻(𝜔) 𝐸𝑁𝑆 (𝜔) + 𝐸𝐸𝑂 (𝜔)

=√ , (24)
𝑉(𝜔) 𝐸𝑧 (𝜔)

donde 𝐸𝑁𝑆 , 𝐸𝐸𝑂 y 𝐸𝑉 son los espectros de densidad de energía de las componentes norte-sur,
este-oeste y vertical, respectivamente.

6.1 Cocientes espectrales y campos difusos

A partir de la suposición de que el campo de ondas que forman el ruido sísmico ambiental es un
campo difuso, Sánchez-Sesma et al. (2011) proponen un modelo directo para calcular los cocientes
espectrales HVSR. En los campos difusos la densidad de energía está relacionada con la parte
imaginaria de la función de Green elastodinámica para fuente y receptor coincidente, de la siguiente
manera:

𝐸(𝑥𝐴 ) = 2𝜋𝜇𝐸𝑠 𝐾 −1 𝐼𝑚[𝐺𝑚𝑚 (𝑋𝐴, 𝑋𝐴 )], (25)

Donde μ es la constante de rigidez de Lamé, 𝐸𝑠 = 𝜌𝜔2 𝑆 2 representa la densidad de energía de

ondas de corte como una medida de la fuerza de difusión, 𝑆 2 es igual a la densidad espectral
promedio de las ondas de corte, ρ es igual densidad, ω representa la frecuencia angular, 𝐾 el

73
número de onda de corte, 𝐺𝑚𝑚 (𝑋𝐴 , 𝑋𝐴 ) representa el desplazamiento en 𝑋𝐴 en dirección 𝑚
producido por una carga unitaria armónica actuando en 𝑋𝐴 y en dirección 𝑚 (fuente y receptor
coincidente en este caso) y 𝐸(𝑋𝐴 ) es la densidad de energía direccional a lo largo de la dirección 𝑚.
Esto permite escribir al cociente espectral HVSR en términos de la parte imaginaria de la función de
Green o de la densidad de energía, de la siguiente manera:

𝐻(ω) 𝐼𝑚[𝐺𝑥𝑥 (𝑋𝐴 , 𝑋𝐴 ; 𝜔)] + 𝐼𝑚[𝐺𝑦𝑦 (𝑋𝐴 , 𝑋𝐴 ; 𝜔)] 𝐸𝑋 (𝑋𝐴 ) + 𝐸𝑌 (𝑋𝐴 )

=√ =√ (26)
𝑉(ω) 𝐼𝑚[𝐺𝑧𝑧 (𝑋𝐴 , 𝑋𝐴 ; 𝜔)] 𝐸𝑍 (𝑋𝐴 )

donde 𝐺𝑥𝑥 (𝑋𝐴 , 𝑋𝐴 ; 𝜔), 𝐺𝑦𝑦 (𝑋𝐴 , 𝑋𝐴 ; 𝜔) y 𝐺𝑧𝑧 (𝑋𝐴 , 𝑋𝐴 ; 𝜔) representan a la función de Green para
fuente y receptor coincidente en el dominio de las frecuencias para las componentes horizontales
(𝑥, 𝑦) y vertical (𝑧), respectivamente.

6.2 Cálculo de los cocientes espectrales HVSR

Se calcularon los cocientes espectrales considerando los registros completos de cada estación de
todos los arreglos presentados en este trabajo. Los registros fueron divididos en ventanas de 120 s
con un traslape del 50%. Varios estudios muestran propiedades estadísticas diferentes para los
estimadores, promedio de los cocientes (denotado como 𝑅̂𝑛 ) y cociente de los promedios
(denotado como 𝑅̂1 ). Rao (2002) estudió el sesgo de ambos estimadores y consideró a 𝑅̂𝑛 como un
estimador inconsistente. Larivière y Gingras (2011) observaron diferencias significativas en los
resultados obtenidos con ambos estimadores. Sin embargo, la diferencia entre ambos estimadores
estaba fuertemente influenciada por la cantidad de datos disponibles y concluyeron que los
resultados convergían para muestras grandes de datos. Formenti (2014) estudió las propiedades
estadísticas de ambos estimadores y a partir de una simulación de Monte Carlo determinó que el
estimador 𝑅̂1 tenía menor incertidumbre estadística. Con base en estos estudios, se decidió calcular
los cocientes espectrales HVSR como un cociente de promedios; el promedio de la raíz cuadrada de
los espectros de densidad de energía de las componentes horizontales de todas las ventanas entre
el promedio de la raíz cuadrada de los espectros de densidad de energía en la componente vertical.

En el cálculo de los cocientes espectrales HVSR es importante evitar registros con eventos
transitorios porque estos pueden ocasionar picos en otras frecuencias diferentes a la frecuencia
característica (SESAME, 2004). Para evitar la influencia de fuentes monocromáticas y eventos

74
transitorios en la estimación de los cocientes espectrales HVSR fue utilizado el algoritmo de
selección de ventanas mencionado en la sección 4.4.6 de este trabajo. La condición para que los
segmentos de registro fueran utilizados fue que los parámetros estadísticos estuvieran dentro del
rango mencionado en la Tabla 2 en los tres componentes. Cabe mencionar que cada ventana de
tiempo fue multiplicada por una ventana de tiempo cosenoidal al 5% antes de calcular la
transformada rápida de Fourier y que los espectros de cada ventana fueron suavizados siguiendo a
Konno y Ohmachi (1998), con un valor b fijado en 40 utilizando la función escrita en MATLAB ®
smoothSpectra (Kallan, 2020).

En resumen, la metodología empleada para calcular los cocientes espectrales en cada estación fue
la siguiente:

 Selección de los registros de tres componentes de cada estación.

 Ventaneo y selección de las ventanas de tiempo más estacionarias, mediante el algoritmo
de selección de ventanas de la sección 4.4.6.
 Cálculo y suavizado de los espectros de potencia de cada ventana utilizando el método de
Konno y Ohmachi con un valor b fijado en 40.
 Cálculo del promedio de la raíz cuadrada de la suma de los espectros de potencia en las
componentes horizontales.
 Cálculo del promedio de la raíz cuadrada de la suma de los espectros de potencia en la
componente vertical.
 Cálculo del cociente de los promedios y estimación de 𝑓0.

Algunos paquetes de software como Geopsy (SESAME, 2004) (Version 3.1.0, disponible en
http://www.geopsy.org/download.php) calculan los cocientes espectrales como el promedio de
cocientes. Con el objetivo de comparar los resultados fueron calculados los cocientes espectrales
en algunas estaciones utilizando Geopsy, este software utiliza un algoritmo LTA/STA para
seleccionar las ventanas más estacionarias, el resto de los parámetros fue el mismo. En general se
observaron algunas diferencias en la amplitud de los HSVR, en la mayoría de las estaciones fue
mínima. Respecto a las frecuencias características estimadas la variación también fue mínima, en
las estaciones de prueba la diferencia fue de centésimos. En la Figura 42 se muestra el cociente
espectral estimado en la estación CM008 perteneciente al arreglo A1, calculado como el cociente
de los promedios y el promedio de los cocientes en Geopsy. En ambas curvas se utilizaron los
mismos parámetros, a excepción del método para seleccionar ventanas estacionarias, para el

75
 ̂1 ) se utilizó el algoritmo de selección de ventanas de la sección 4.6.6, mientras que
estimador (𝑅
Geopsy utiliza un algoritmo LTA/STA. Del registro total, para 𝑅̂1 se utilizaron 441 ventanas de tiempo
mientras que para 𝑅̂𝑛 , 729.

Figura 42. Cociente espectral HVSR calculado en la estación CM008 perteneciente al arreglo A1. La
curva azul representa el cociente espectral calculado como el cociente de los promedios (𝑅̂1 ), la
línea vertical azul señala el pico de la curva azul, asociado a la frecuencia característica del sitio. La
curva sólida en color negro representa el cociente espectral calculado en Geopsy como el promedio
de los cocientes (𝑅̂𝑛 ), la línea vertical de color negro señala el pico de la curva negra, asociado a la
frecuencia característica del sitio. Las líneas punteadas representan el rango formado por la
desviación estándar para el estimador (𝑅̂𝑛 ).

En el Anexo VI, se incluye una tabla con la frecuencia característica obtenida en cada estación.
También, a partir de las frecuencias características se obtuvieron mapas por arreglo para observar
su distribución espacial. Se incluyeron los arreglos A2 y A3. En las Figuras 43 y 44 se muestran dos
ejemplos de los mapas obtenidos, los mapas para todos los Arreglos se incluyen en el Anexo VII.

76
Figura 43. Distribución espacial de las frecuencias características estimadas con los cocientes
espectrales HVSR en el arreglo A2. Se creo una superficie para mostrar la posible distribución de tres
zonas mostradas en color rojo (𝑓0 > 2), amarillo (1 < 𝑓0 < 2) y azul (𝑓0 < 1) Considerando las
frecuencias y períodos que comúnmente delimitan las zonas de loma, transición y lago,
respectivamente. Los puntos negros representan la ubicación de las estaciones y los números el
valor de la frecuencia característica estimada.

77
Figura 44. Distribución espacial de las frecuencias características estimadas con los cocientes
espectrales HVSR en el arreglo A9. Se creo una superficie para mostrar la posible distribución de tres
zonas, mostradas en color rojo (𝑓0 > 2), amarillo (1 < 𝑓0 < 2) y azul (𝑓0 < 1) considerando las
frecuencias y períodos que comúnmente delimitan las zonas de loma, transición y lago,
respectivamente. Los puntos negros representan la ubicación de las estaciones y los números el
valor de la frecuencia característica estimada.

78
 Capítulo 7. Inversión a profundidad

De la información a priori con la que se cuenta, los datos más relevantes son las columnas litológicas
de los pozos Tulyehualco-1, Copilco-1, San Lorenzo Tezonco y Agrícola Oriental, además de las
velocidades de onda P y densidades reportadas por Pérez-Cruz (1986). El pozo Tulyehualco-1 es
particularmente importante porque se encuentra en zona de lago cercano a los arreglos A6, A7 y
A8. Mientras que el pozo Copilco 1 se encuentra a 2 km aproximadamente de la estación más
cercana perteneciente al arreglo A21.

7.1 Inversión conjunta de cocientes espectrales HVSR y curvas de dispersión de

velocidad de grupo de ondas Rayleigh o Love

La inversión conjunta de datos geofísicos se refiere al proceso iterativo que consiste en minimizar
una función de costo compuesta de dos (o más) funciones de costo, donde cada una de estas
funciones representa un tipo de datos diferente. Para aprovechar la información proporcionada por
los cocientes espectrales y obtener modelos de velocidad congruentes con la frecuencia
característica del sitio, en este trabajo se llevaron a cabo en lugares específicos, inversiones
conjuntas entre las curvas de dispersión de velocidad de grupo de ondas de Rayleigh o Love
estimadas en la tomografía de tiempos de viaje y las formas del cociente espectral HVSR.

El proceso de inversión conjunta se llevó a cabo en el software HV-Inv (García-Jerez et al., 2016)
(versión 2.1 disponible en: https://w3.ual.es/GruposInv/hv-inv/#Download), que considera al ruido
sísmico ambiental como un campo difuso. En este software, el modelo directo de los cocientes
espectrales HVSR se basa en el conjunto de expresiones de la parte imaginaria de la función de
Green para el caso especial cuando la fuente y el receptor coinciden en la superficie de un medio
estratificado, desarrolladas por García-Jerez et al. (2013). Mientras que el problema inverso es
resuelto con métodos de optimización global (Monte Carlo y Simulated Annealing) y local (Simplex
Dowhill e Interior Point) según Piña-Flores et al. (2017), quién define la función de costo como:

𝑛 𝑚
2(1 − 𝜉) (𝐻𝑉𝑜𝑏𝑠 (𝜔𝑖 ) − 𝐻𝑉𝑡ℎ (𝜔𝑖 ))2 2𝜉 (𝐶𝐷𝑜𝑏𝑠 (𝜔𝑖 ) − 𝐶𝐷𝑡ℎ (𝜔𝑖 ))2
Γ= ∑ 2 + ∑ 2 , (27)
𝑛 𝜎𝐻𝑉 (𝜔𝑖 ) 𝑚 𝜎𝐶𝐷 (𝜔𝑖 )
𝑖=1 𝑖=1

79
donde 𝜉 = 𝑛⁄(𝑛 + 𝑚), 𝑛 representa el número de muestras en el HVSR, 𝑚 es el número de

muestras en la curva de dispersión, 𝐶𝐷𝑜𝑏𝑠 corresponde a la curva de dispersión observada, 𝐶𝐷𝑡ℎ es

la curva de dispersión calculada y 𝜎 es la desviación estándar resultado de los modelos calculados.

La suposición de que el ruido sísmico ambiental forma un campo difuso implica algunas propiedades
físicas como la equipartición de la energía. Existen dos maneras de explicar este concepto, a la
primera se le conoce como equipartición clásica, está relacionada con la distribución de la energía
de forma proporcional a los grados de libertad de un movimiento, así en un plano 3D con tres ejes
ortogonales el movimiento en una dirección se llevará a cabo con 1/3 de la energía disponible
(Sánchez-Sesma et al., 2011). La otra forma involucra diferentes modos y tipos de onda, e implica
que en un espacio tridimensional las ondas P y S, así como los diferentes modos de las ondas
superficiales, tienen densidades de energía fijas.

El software HV-Inv contempla la segunda forma de ver la equipartición, como no se tiene una idea
clara de las contribuciones de los diferentes tipos de onda y de los modos en los HVSR calculados se
decidió utilizar, en todos casos, los parámetros por default del software respecto a la composición
del ruido sísmico, es decir se consideró de inicio la contribución del modo fundamental y 4 modos
superiores de ondas Love o Rayleigh, las proporciones son fijadas durante el proceso de inversión.
Es importante señalar que lo anterior solamente aplica a la forma de interpretar los cocientes
espectrales HVSR, en las curvas de dispersión obtenidas fue supuesto que se observó el modo
fundamental. Además, no se observaron indicios claros de modos superiores en análisis FTAN.

7.2 Clustering de las frecuencias características.

La elección de los lugares donde se llevó a cabo la inversión conjunta de los cocientes espectrales y
las curvas de dispersión se basó en la agrupación HVSR. Para esto, los HVSR cuyo pico máximo se
encontraba en frecuencias menores a 2 Hz fueron agrupados en clústeres, de manera que todas las
curvas contenidas en un clúster tuvieran características comunes entre sí, como la ubicación,
frecuencia característica y amplitud del máximo pico. El objetivo fue hacer una inversión conjunta
por cada clúster, utilizando la curva de dispersión y el cociente espectral HVSR más cercanos al
centro del clúster o, una curva de dispersión estimada en una celda con suficiente cobertura de
rayos que contenía una estación con un cociente espectral HVSR con un pico bien definido, en la
parte central del clúster. El modelo resultante fue utilizado como modelo inicial para invertir las
curvas de dispersión que se encontraban dentro de cada clúster.

80
El clustering se llevó a cabo utilizando el método de Kmeans. Este método es uno de lo más utilizados
en algoritmos de machine learning no supervisados para particionar un conjunto de datos en k
grupos o clústeres. Los datos u objetos dentro de cada clúster son lo más similar posible (intra-class
similarity), mientras que los datos u objetos de diferente clúster son lo más disimilar posible (inter-
class similarity). Cada clúster es representado por su centro o centroide que corresponde a la media
de los puntos asignados. El agoritmo minimiza la variación dentro de cada clúster, Hartigan y Wong
(1979) definen la variación dentro de cada clúster como la suma del cuadrado de las distancias
euclídeas entre los elementos y el centroide:

𝑊(𝐶𝑘 ) = ∑ (𝑥𝑖 − 𝜇𝑘 )2 , (28)

𝑥𝑖 ∈𝐶𝑘

donde 𝑥𝑖 es un dato asignado al clúster𝐶𝑘 , y 𝜇𝑘 es el valor medio de los puntos assignados al

clúster𝐶𝑘 . Para un conjunto de datos la variación total intra-cluster, representa la suma de las
variaciones individiales de cada clúster (Kassambara, 2020). El algotimo consiste en los siguientes
pasos:

1. Especificar el número de clústeres en que seran agupados los datos.

2. Selección aleatoria de los centros.
3. Asignar cada observación a un clúster, según la distancia euclídea.
4. Para cada clúster actualizar el centroide, calculando una nueva medía de todos los datos en
el clúster.
5. Iterativamente minimizar la distancia dentro de cada clúster. Repetir los pasos 3, 4 y 5 hasta
un número determinado de iteraciones o una tolerancia específica en el cambio de la
distancia.

Para determinar el número adecuado de clústeres se utilizó el “método del codo” que es similar a
las curvas de trade-off (sección 5.4), consiste en observar el cambio en la variación total intra-clúster
al aumentar el número de clusters, la curva presenta un comportamiento suave y sin cambios
bruscos a partir del número adecuado de clústeres. El análisis fue implementado utilizando las
librerías base de R (R Core Team, 2020) y ggplot2 (Wickham, 2016). En la Figura 45 se ilustra el
método del codo obtenido con los datos analizados, en esta gráfica se observa un comportamiento
suave a partir de 6 clústeres, después de varias pruebas se decidió utilizar 10. En la Tabla 4 se
resumen las características de los clústeres resultantes y en la Figura 46 se muestran en diferente

81
color, se puede observar que el quinto y el octavo cuentan con pocos elementos, 3 y 4
respectivamente. Estos clústeres fueron descartados, el quinto agrupó tres estaciones con
amplitudes muy grandes consecuencia de algún error en alguno de los componentes. El octavo
agrupó estaciones con un pico máximo no confiable en bajas frecuencias, estás estaciones se
encontraban en zona de lomas y la frecuencia característica era incongruente. Además, presentaban
amplitudes muy bajas sugiriendo la ausencia de un contraste fuerte de impedancias.

Figura 45. Método del codo para la determinación del número adecuado de clústeres.

Figura 46. Clustering de las frecuencias características menores a 2 Hz estimadas en este trabajo.
Las cruces dentro de los rectángulos representan los centros de cada clúster.

82
 Tabla 4. Características de los clústeres obtenidos. P10, P90 e IQR representan los percentiles 10, 90
y el índice interquartíl de las frecuencias características dentro de cada clúster.

Clúster 𝜇 (𝑓0 ) 𝜎 (𝑓0 ) P10 P90 IQR Número de Arreglos comprendidos

Hz Hz estaciones
1 1.03 0.11 0.90 1.18 0.18 33 A12, A19, A21, A22
2 0.72 0.12 0.55 0.89 0.17 44 A11, A16, A19
3 0.48 0.38 0.24 1.07 0.26 18 A1
4 1.35 0.25 1.10 1.67 0.38 18 A4, A6, A13, A14, A15, A16, A17, A18
5* 1.52 0.50 1.11 1.83 0.45 3 A11, A16, A19
6 0.95 0.19 0.71 1.18 0.23 31 A10, A12

7 0.43 0.23 0.18 0.75 0.35 27 A15, A17, A18

8* 0.19 0 0.19 0.19 0 4 A21
9 1.57 0.17 1.44 1.77 0.12 9 A21, A22
10 0.35 0.15 0.18 0.54 0.19 108 A5, A6, A7, A8, A9, A14, A15

En las Figura 47 se muestran los cocientes espectrales HVSR agrupados por clúster. A simple vista se
puede observar que los clústeres 3, 4 y 7 presentan mayores diferencias entre los elementos que
los componen. El 3 corresponde a todas las estaciones que forman el arreglo A1 que, por su
ubicación distante a todos los demás arreglos, fueron agrupados en el mismo clúster. Por otro lado,
el 4 y 7 abarcan áreas contiguas, cerca del cerro de Santa Catarina, donde se observaron cambios
bruscos en las frecuencias características y velocidades entre estaciones y celdas cercanas. Además,
en algunas estaciones se obtuvo más de un pico en los HVSR.

83
Figura 47. Cocientes espectrales HVSR agrupados según el procedimiento de Clustering

84
7.3 Procedimiento de inversión a profundidad

Clúster 10

El procedimiento empezó con el clúster 10 cuyo centroide se ubicó muy cerca de los arreglos A7 y
A8. Se decidió hacer la inversión conjunta en la celda perteneciente al arreglo A7 más cercana al
centroide del clúster, porque al mismo tiempo se encontraba más cerca del pozo Tulyehualco-1,
permitiendo obtener un modelo inicial a partir de la descripción del pozo. Además, las curvas de
dispersión del arreglo A7 fueron estimadas en un rango más amplio de frecuencias. A partir de la
columna litológica presentada por González-Torres et al. (2015), de las densidades y las velocidades
de onda P obtenidas por Pérez-Cruz (1986), se construyeron diferentes modelos sintéticos
estimando las velocidades de onda de corte a partir de diferentes valores del módulo de Poisson.
Estos modelos fueron utilizados como modelo inicial para invertir de manera conjunta la curva de
dispersión de velocidad de grupo de ondas Rayleigh recuperada en la celda elegida y la forma del
cociente espectral HVSR de la estación CM196, ubicada dentro de esta celda.

En la Figura 48 se muestra el mejor ajuste obtenido en el cociente espectral HVSR y en la curva de

dispersión de velocidad de grupo de ondas Rayleigh. Para obtener una medida de la calidad de los
ajustes en amabas curvas fue calculado el error relativo según las expresiones (29). La desviación
estándar simulada en el cociente espectral representa el 15% de variación de la amplitud del
cociente HVSR, usado como parámetro en la inversión, en la curva de dispersión la desviación
estándar simulada se refiere a la aleatoriedad (alrededor de ±10%) observada en los tiempos de
viaje en el proceso de inversión tomográfica.

𝑛
𝐻𝑉𝑜𝑏𝑠 (𝜔𝑖 ) − 𝐻𝑉𝑡ℎ (𝜔𝑖 )
𝑒𝑟𝐻𝑉 = ∑ | |
𝐻𝑉𝑜𝑏𝑠 (𝜔𝑖 )
𝑖=1
𝑛
(29)
𝐶𝐷𝑜𝑏𝑠 (𝜔𝑖 ) − 𝐶𝐷𝑡ℎ (𝜔𝑖 )
𝑒𝑟𝐶𝐷 = ∑| |
𝐶𝐷𝑜𝑏𝑠 (𝜔𝑖 )
𝑖=1

85
Figura 48. Izquierda. La línea negra representa el cociente espectral estimado en la estación CM196,
la línea roja representa el mejor ajuste obtenido de la inversión. La desviación estándar simulada
representa el 15% de variación de la amplitud del cociente HVSR, usado como parámetro en la
inversión. El error relativo del mejor ajuste es de 6.2%. Derecha. La línea negra representa la curva
de dispersión de velocidad de grupo de ondas Rayleigh recuperada en la celda elegida del arreglo
A7, la línea roja representa el mejor ajuste obtenido de la inversión. En este caso, la desviación
estándar simulada se refiere a la aleatoriedad (alrededor de ±10%) observada en los tiempos de
viaje en el proceso de inversión tomográfica.

El modelo de velocidad obtenido del proceso de inversión conjunta se muestra en la Figura 49.
También se muestra el kernel de sensitividad del modo fundamental, calculado con el módulo
srfker96 incluido en el paquete de software Computer Programs in Seismology (Herrmann, 2013)
(versión 3.30 disponible en: http://www.eas.slu.edu/eqc/eqc_cps/getzip.html). En este caso, los
kernels de sensitividad representan la tasa de cambio de la velocidad de grupo de ondas Rayleigh a
variaciones en la velocidad de onda de corte a cierta profundidad. Sirven para identificar las
profundidades en las que las ondas superficiales son sensibles en una frecuencia determinada, son
no lineales y dependen de la estructura de velocidades del sitio.

Del kernel de sensitividad mostrado se puede concluir que la curva de dispersión obtenida sólo
explica el modelo resultante hasta una profundidad de 300 m. Entonces, se tomó esta porción del
modelo y mediante el software HV-Inv se hicieron varias pruebas para observar el comportamiento
del modelo directo de los cocientes espectrales HVSR al modelo cortado. Se observó que la forma
del cociente espectral era sensitiva a perturbaciones de velocidad hasta de 350 m. Por lo que se
puede concluir que la inversión conjunta de los cocientes espectrales HVSR calculados en la estación

86
CM196 y la curva de dispersión de velocidad de grupo de ondas Rayleigh estimada en la celda que
contiene esta estación explican el modelo resultante hasta una profundidad de 350 m,
aproximadamente.

Figura 49. Izquierda. Modelo de velocidades obtenido de la inversión conjunta de los cocientes
espectrales HVSR obtenidos en la estación CM196 y la curva de dispersión de velocidad de grupo de
ondas Rayleigh estimada con la inversión tomográfica en la misma celda que contiene esta estación
en el arreglo A7, cuyos ajustes se muestran en la Figura 159. Derecha. Kernel de sensitividad
estimado dentro del rango de las frecuencias donde fue recuperada la curva de dispersión de
velocidad de grupo de ondas Rayleigh.

Este clúster incluyó celdas completas de los arreglos A5, A6, A7, A8, A9, A14 y A15, de los arreglos
A4, A11, A13 y A16 sólo incluían una o dos estaciones en celdas dominadas por estaciones de otro
clúster, por lo que no fueron consideradas. De la inversión de las curvas de dispersión de velocidad
de grupo de ondas Rayleigh o Love estimadas en las celdas elegidas se obtuvieron 66 modelos 1-D
de velocidad de onda de corte. Debido a que en cada arreglo las curvas de dispersión fueron

87
recuperadas en diferentes rangos de frecuencias fue necesario obtener los kernels de sensitividad
de al menos un modelo de velocidades por arreglo para conocer la profundidad de investigación
alcanzada. Además, se observó que en aquellos arreglos donde se invirtieron curvas de dispersión
de ondas Love se alcanzó una profundidad de investigación menor. Se eligió el modelo cuya curva
ajustada en la inversión obtuvo se menor error relativo. En las Figura 50 y 51 se muestran dos
ejemplos de los modelos obtenidos, así como su ajuste y kernel de sensitividad.

Figura 50. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a partir
de la tomografía de tiempos de viaje en una celda del arreglo A5. En rojo, mejor ajuste obtenido de
la inversión. b) Modelo de velocidad 1-D obtenido de la inversión a profundidad. c) Kernel de

88
sensitividad estimado del modelo resultante en el rango de frecuencias donde fue observada la
dispersión.

Figura 51. a) En negro, curva de dispersión de velocidad de grupo de ondas Rayleigh estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A6. En rojo, mejor ajuste
obtenido en la inversión. b) Modelo de velocidad 1-D obtenido de la inversión a profundidad. c)
Kernel de sensitividad estimado del modelo resultante en el rango de frecuencias donde fue
observada la dispersión.

En la Figura 52 se muestran todos los modelos 1-D estimados en el clúster 10 con las profundidades
de investigación reales según los kernels de sensitividad.

89
 Figura 52. Modelos de velocidad 1-D obtenidos en el clúster10.

El procedimiento detallado de inversión llevado a cabo en los clusters y arreglos restantes se

muestra en el Anexo V.

90
Capítulo 8. Análisis de resultados, consideraciones y repositorio.

8.1 Modelos de velocidad

Zona de lago

En total, se estimaron 180 modelos 1-D de velocidad de onda de corte. Los modelos de zona de lago
comprendieron los clústeres 2,3 y 10 principalmente, de estos el 10 agrupó la mayor cantidad de
modelos, según los kernels de sensitividad se obtuvieron profundidades de investigación que
variaron en un rango de 250 a 300 m.

Pérez-Cruz (1986) menciona que se encontraron depósitos lacustres en el pozo Tulyehualco-1 en

profundidades de hasta 300 m. Por otro lado, en la columna estratigráfica presentada por González-
Torres et al. (2015) se observa que a partir de los 100 m (aprox.) existen intercalaciones entre tobas
y depósitos lacustres con espesores similares. En los modelos estimados en zona de lago existe un
importante contraste de velocidades en profundidades entre 100 y 150 m (en la Figura 163 este
contraste es muy notorio). Sería razonable pensar que en la parte superior de este contraste se
caracteriza la velocidad de onda de corte de los depósitos lacustres y por debajo, la velocidad
promedio de la intercalación entre tobas y depósitos lacustres. La razón por la que no es posible
distinguir entre las tobas y los depósitos lacustres es que las zonas profundas los modelos son
resueltos por longitudes de onda más grandes causando perdida de resolución, es decir el espesor
de estas capas es considerablemente menor a las longitudes de onda que resuelven el modelo.
Además, también podría ser una explicación a la variación de la velocidad en el semi espacio que
presentan los modelos.

Para conocer la media de la velocidad de ondas corte en los depósitos lacustres se calculó el
promedio ponderado respecto al espesor de la velocidad en los primeros 100 metros de cada
modelo estimado. En el clúster 10 la media de los promedios fue de 166.37 ± 39.75 𝑚/𝑠. En los
modelos del clúster 3, a pesar de ser el más alejado de los demás, se obtuvieron resultados similares,
la velocidad media de los primeros 100 m fue 163.63 ± 23.4 𝑚/𝑠. Además, la media de las
frecuencias características fue similar entre los dos clústeres anteriores, 0.35 y 0.47 Hz,
respectivamente. En el clúster 2 la velocidad medía de los primeros 100 m fue de 269.6 ± 48.15
𝑚/𝑠, la frecuencia característica promedio también fue mayor, 0.72 Hz.

91
Aunque el modelo inicial del clúster 10 fue obtenido a partir de la inversión de una curva de
dispersión de velocidad de grupo de ondas Rayleigh se obtuvieron muy buenos ajustes al invertir las
curvas de dispersión de ondas Love, demostrando congruencia en los resultados obtenidos. En la
inversión conjunta en este clúster el cociente espectral HVSR fue sensible a perturbaciones en el
modelo incluso a profundidades mayores que las alcanzadas por la curva de dispersión. Según estos
resultados las frecuencias características observadas en zona de lago se deben a las propiedades
elásticas del subsuelo hasta profundidades mayores de 300 m. Sin embargo, para tener conclusiones
más claras es necesario realizar más inversiones conjuntas, un análisis más formal de la sensitividad
de los HVSR y considerar los cambios en los periodos naturales que se han reportado.

Zona de transición

Por otro lado, los clústeres 1, 4 y 6 agruparon los modelos en zona de transición. Se observó mucha
variabilidad y complejidad en los resultados en esta zona. Por ejemplo, en los modelos del clúster 1
los depósitos más superficiales son caracterizados por una velocidad media de 183.9 ± 36.2 𝑚/𝑠 y
espesores promedio de 37.73 ± 12.09 𝑚. Mientras que, en el clúster 6, los depósitos más
superficiales tienen una velocidad media de 59.06 ± 8.18 𝑚/𝑠 y un espesor promedio de 11.15 ±
1.83 𝑚. En el clúster 4, que incluye al arreglo A13, se obtuvieron resultados más parecidos al clúster
1, la velocidad media de la capa más superficial fue de 130.28 ± 43.74 𝑚/𝑠 y el espesor promedio
de 41 ± 11.06 𝑚. La velocidad medía de los promedios ponderados en los primeros 100 m de cada
modelo para el clúster 1 fue de 418.93 ± 60.11 𝑚/𝑠, para el clúster 6 de 332.51 ± 25.59 𝑚/𝑠 y para
el clúster 4 de 209.025 ± 45.61 𝑚/𝑠.

En la inversión conjunta llevada a cabo en el clúster 6, los resultados indicaron que la forma de los
cocientes espectrales y la frecuencia característica observada estaban determinados por el
contraste de impedancias entre las primeras dos capas de los modelos, cuya interface se localiza en
profundidades de 11.15 ± 1.83 𝑚. Al perturbar el modelo obtenido en el clúster 1 se obtuvieron
resultados similares, el contraste de impedancias entre las dos primeras capas también determinó
la forma de los HVSR y la frecuencia característica observada. Sin embargo, la interface se localizaba
a una mayor profundidad, 41 ± 11.06 𝑚. De manera breve, se puede concluir que en la zona de
transición las frecuencias características observadas son debidas a los primeros 50 m de la
estructura de velocidades del subsuelo.

Zona de lomas

92
En el arreglo A20 la mayoría de las estaciones se encontraba en zona de lomas, según la zonificación
geotécnica. Sin embargo, las velocidades estimadas fueron similares a las del clúster 1, el más
cercano. La velocidad media de los promedios ponderados en los primeros 100 m de cada modelo
fue de 484.82 ± 30.6 𝑚/𝑠. Debido a la poca cantidad de datos en zona de lomas analizados en este
trabajo no se obtuvieron resultados concluyentes acerca de las velocidades de onda de corte en
esta zona.

Los resultados obtenidos en este trabajo son congruentes con las perforaciones en zona de lago
realizadas por CENAPRED (1996), donde describen que hasta la profundidad de los sondeos (50 m)
se observaron velocidades de onda de corte menores a 200 m/s. Por otro lado, Hernández-
Hernández (2019) utilizó el conjunto de datos del arreglo A1 para obtener la estructura de
velocidades del subsuelo siguiendo un procedimiento diferente. Aunque no define la profundidad
de investigación alcanzada en su trabajo, en el rango en común se observaron similitudes en los
espesores y en las velocidades estimadas según los resultados obtenidos en el clúster 3, que
corresponde al arreglo A1 de este trabajo. Por ejemplo, la media del promedio ponderado de los
primeros 100 metros en los modelos estimados por Hernández-Hernández es de 202 m/s, mientras
que en este trabajo es de 163.63 m/s.

Recientemente, Machado et al. (2019) estimaron la estructura del subsuelo en la colonia Nativitas
a partir de la inversión de los cocientes espectrales HVSR. Este lugar se encuentra cercano al clúster
4, el modelo más cercano obtenido en este trabajo presenta algunas diferencias en los rangos de
espesores que ellos reportan. Sin embargo, fueron estimadas velocidades dentro del mismo rango
en los primeros 100 metros.

En las Figuras 53-59 se muestra la distribución lateral de velocidades de onda de corte en diferentes
profundidades (50, 75, 100, 125, 150, 175 y 200 metros). Para esto, fueron extraídas las velocidades
de los modelos 1-D en las profundidades correspondientes y se consideró al centro de cada celda
como el punto de atribución. En los mapas de las Figuras 56-59 destaca una anomalía de alta
velocidad aproximadamente en el centro del mapa, es atribuida a la influencia de las faldas del cerro
de santa Catarina en esta Zona, incluso es posible observar altas velocidades en la tomografía de
tiempos de viaje llevada a cabo en el arreglo A15. En general los mapas fueron consistentes con la
zonificación geotécnica, observándose velocidades mayores en zona de lomas y transición, respecto
a la zona de lago.

93
Figura 53. Velocidades de onda de corte a 50 m de profundidad.

Figura 54. Velocidades de onda de corte a 75 metros de profundidad.

94
Figura 55. Velocidad de onda de corte a 100 metros de profundidad.

Figura 56. Velocidad de onda de corte a 125 metros de profundidad.

95
Figura 57. Velocidad de onda de corte a 150 m de profundidad.

Figura 58. Velocidad de onda de corte a 175 m de profundidad.

96
Figura 59. Velocidad de onda de corte a 200 m de profundidad.

Para observar la variación de velocidades a lo largo de una trayectoria recta se construyó un perfil
en donde se incluyeron los modelos que se ubicaron en las cercanías de la línea formada entre los
puntos A y B de la Figura 60a, los modelos incluidos se muestran en la tabla 5. El perfil, que es
mostrado en la Figura 60b, se puede observar que las velocidades debajo de los 50 m son mayores
en las cercanías del punto A y disminuyen en dirección al punto B. También, en color azul rey es
notoria una capa con velocidades menores a 200 m/s que aumenta su espesor en la zona de lago,
esta capa puede estar asociada a los depósitos lacustres. Es importante mencionar que en el perfil
no se consideró la topografía de la zona. En los puntos A, 1, 2 se utilizaron modelos de velocidad
estimados en el arreglo A22, en los puntos 3 y 4 modelos del arreglo A21, los puntos 5 y 6 modelos
del arreglo A11, los puntos 7 y 8 modelos del arreglo A7 y en los puntos 9, 10 y B modelos de
estimados en el arreglo A6.

97
 a)

1 2 3 4 5 6 78 9 10

b)
Figura 60. a) En el mapa la línea verde representa el perfil trazado. Además de en los puntos A y B, en cada número existe
un modelo de velocidades que fue interpolado para crear el perfil. b) Perfil de velocidades interpolado, se consideraron
solo los rangos de velocidad observados.

98
8.2 Consideraciones

Profundidad de investigación y resolución.

En este trabajo la profundidad de investigación se determinó a partir del cálculo de los kernels de
sensitividad utilizando el módulo srfkrn96 de la paquetería CPS (Herrmman, 2013). Por la escala de
los modelos fue complicado obtener curvas suaves impidiendo determinar la resolución alcanzada
en cada modelo, o la profundidad mínima de investigación. Por lo tanto, es posible que existan capas
más someras, de menor o mayor velocidad, que no pudieron determinarse en este trabajo por las
frecuencias de investigación.

Modos superiores de ondas superficiales

En este trabajo se asumió que en las funciones de Green recuperadas estaban dominadas por el
modo fundamental de ondas superficiales. Bajo esta suposición no se encontraron evidencias en el
análisis FTAN de la influencia o existencia de modos superiores en el rango de frecuencias de
investigación [0.3 - 1.3].

Aprovechando que en el arreglo A7 se logró recuperar la función de Green en las componentes

radial y vertical, se analizó el movimiento de partícula causado por ondas Rayleigh utilizando el par
de estaciones CM197 y CM200. En el análisis se utilizó una ventana de tiempo de 3 segundos
alrededor del pico máximo en las partes no causales de la función de Green filtrada entre 0.5 y 0.7
Hz. Los resultados se muestran en la Figura 61, se puede observar que el movimiento de partícula
es elíptico retrogrado respecto a la dirección de movimiento de las ondas. Este movimiento
corresponde al modo fundamental de ondas Rayleigh, la similitud de las velocidades estimadas en
los arreglos vecinos es un buen indicador de que también fue observado el modo fundamental de
las ondas Rayleigh en los arreglos en donde se analizaron las componentes radiales, verticales o los
resultados del análisis de componentes independientes.

99
Figura 61. Movimiento de partícula deducido de la función de Green recuperada en las componentes
radial y vertical en el par de estaciones CM197 y CM200 del arreglo A7.

Sobre la estrategia de inversión, clustering e inversión conjunta.

En la tomografía la prueba de resolución del tablero de ajedrez tuvo como finalidad mitigar los
efectos causados por la varianza de los tiempos de viaje y la distribución no homogénea de
trayectorias a través del arreglo. Al aumentar los tamaños de las celdas estos efectos disminuyeron
permitiendo obtener resultados más confiables. Sin embargo, al mismo tiempo se dio lugar una
consecuencia secundaria: las curvas de dispersión recuperadas eran representativas de áreas más
grandes. Se puede interpretar a las curvas de dispersión extraídas como el promedio de velocidades
de grupo en el área que abarca la celda.

En comparación con las curvas de dispersión, los cocientes espectrales son una medida puntual de
las propiedades elásticas del subsuelo, no obstante, se observó que entre HVSR cercanos existían
similitudes en la forma y en las frecuencias características estimadas. Estas observaciones motivaron
la estrategia de inversión a profundidad por clustering implementada en este trabajo, minimizando
el efecto de que las curvas de dispersión no sean una medida puntual y de que en una misma celda
existieran más de una estación, además de que la frecuencia característica del modelo resultante es
cercana a las observadas.

Sin embargo, existen dos efectos no deseados de la estrategia de inversión, ambos se dan en los
límites entre clústeres. El primero, se presentaría en cualquier estrategia que intentará hacer la

100
inversión conjunta, es consecuencia de que las curvas de dispersión sean representativas de un área
que puede abarcar estaciones con cambios bruscos en la forma de los cocientes espectrales y en las
frecuencias características estimadas. El caso más representativo se observó en el clúster 4 en
donde se decidió descartar la inversión conjunta y se optó por utilizar como modelo inicial los
modelos estimados más cercanos. El segundo efecto, se refiere a los cambios bruscos que pueden
existir en los modelos resultantes en los límites entre clústeres, consecuencia de utilizar modelos
iniciales diferentes en celdas cercanas, pero de diferente clúster.

Influencia de la desviación estándar de las curvas de dispersión en los modelos obtenidos

Como se explicó en la sección 5.2, en las pruebas del tablero de ajedrez realizadas se decidió añadir
ruido aleatorio de distribución uniforme en un ±10% a los tiempos de viaje sintéticos con la finalidad
de simular los errores en los tiempos de viaje observados. Ignorando el factor de la distancia entre
estaciones, esta aleatoriedad fue supuesta como la desviación estándar de las curvas de dispersión
extraídas una vez realizada la inversión tomográfica. Se hizo un breve ejercicio añadiendo y restando
la desviación estándar a las velocidades de una curva de dispersión extraída e invirtiendo las curvas
para observar su influencia en el modelo estimado.

Algo importante a mencionar, es que en este trabajo el modelo obtenido de la inversión conjunta
del clúster 10 es considerado uno de los más confiables, debido a la claridad de las funciones de
Green recuperadas y a los ajustes obtenidos en la inversión. Para este ejercicio se utilizó una curva
de dispersión del arreglo A8 y como modelo inicial el modelo obtenido de la inversión conjunta,
mencionado al principio de este párrafo. También, en la inversión se utilizaron los mismos
parámetros, como el número de iteraciones y el porcentaje de perturbación de los modelos. En la
Figura 62 se muestran los resultados del análisis. Aunque los modelos son similares, las principales
diferencias se observan en los espesores y en la velocidad del semi espacio. En el modelo obtenido
de la curva observada las interfaces son más profundas. Algo interesante fue que a pesar de que
hay mayores diferencias en las velocidades de grupo en las curvas donde se sustrajo y se añadió la
desviación estándar, los espesores en estos modelos son más parecidos entre sí.

101
Figura 62. Izquierda. En negro se muestra una curva de dispersión recuperada en una celda del
Arreglo A14. En azul y verde, se muestran las curvas obtenidas al sumar y restar, respectivamente,
la desviación estándar. Las curvas en color rojo representan los mejores ajustes obtenidos de la
inversión, utilizando los mismos parámetros. Los errores relativos fueron; 3.04%, 2.23% y 3.2%, en
el orden azul, negro y verde. Derecha. Modelos obtenidos en la inversión del mejor ajuste, el color
corresponde a la curva de dispersión.

Para observar el efecto en un modelo en zona de transición se repitió el experimento utilizando una
curva de dispersión recuperada en una celda del arreglo A22 y utilizando como modelo inicial el
obtenido en la inversión conjunta del clúster 1. En la Figura 63 se muestran los resultados del
análisis.

102
Figura 63. Izquierda. En negro se muestra una curva de dispersión recuperada en una celda del
Arreglo A22. En azul y verde, se muestran las curvas obtenidas al sumar y restar, respectivamente,
la desviación estándar. Las curvas en color rojo representan los mejores ajustes obtenidos de la
inversión, utilizando los mismos parámetros. Los errores relativos fueron; 1.16%, 1.55% y 2.01%, en
el orden azul, negro y verde. Derecha. Modelos obtenidos del mejor ajuste, el color corresponde a
la curva de dispersión.

De la misma manera que en el ejemplo anterior, los modelos resultantes son muy parecidos, las
principales diferencias se observan en las velocidades del semi espacio. La diferencia más notable
en este caso es la profundidad de la segunda interface, siendo ~20 m menos profunda en el modelo
obtenido al invertir la curva observada, respecto a los otros dos.

Dominio de Ondas Rayleigh o Love en el ruido sísmico registrado.

Bonnefoy-Claudet et al. (2006) en sus estudios sobre la composición del ruido sísmico ambiental
encontraron una gran variabilidad en sus resultados y concluyeron que la participación de las ondas
Love o Rayleigh puede cambiar con las características de cada sitio. En este trabajo, se buscó
recuperar la función de Green en las componentes radial, vertical y transversal aplicando el mismo
esquema de procesamiento. De los 22 arreglos analizados solamente en uno (Arreglo A7) se logró
recuperar la función de Green de forma precisa en los tres componentes, en los demás, fue muy
claro el dominio de algún tipo de ondas (Rayleigh o Love) en los registros.

103
En la Figura 64 se muestra la ubicación de las estaciones de todos los arreglos en donde se recuperó
la función de Green, según el tipo de onda dominante las estaciones son graficadas en diferente
color. Se puede observar que en los arreglos ubicados en el lado oeste de la zona de estudio las
ondas Love fueron dominantes, mientras que, en el lado este, a excepción del arreglo A15, las ondas
Rayleigh fueron dominantes. Hay coincidencias entre este patrón y la zonificación geotécnica,
aunque existe una excepción en la mayoría de los arreglos en zona de transición las ondas Love
fueron dominantes.

Figura 64. Tipo de ondas recuperadas según las estaciones de cada arreglo.

8.3 Repositorio CDMX-VS

En este trabajo se han revisado y analizado diferentes esquemas de procesamiento para recuperar
de manera confiable la función de Green y posteriormente calcular los tiempos de viaje de la manera
más precisa posible. También, se ha utilizado un método de inversión (LSQR) tradicional en las
tomografías de tiempos de viaje que asume trayectorias rectas. Es posible que actualmente existan
otros métodos o técnicas con las cuales se puedan obtener resultados que mejoren o

104
complementen el conocimiento de la distribución de velocidades en el área de estudio. Con
respecto a los modelos 1-D de velocidad obtenidos, se debe tener en cuenta que la calidad y certeza
de los resultados en la inversión a profundidad dependen en gran medida de la información a priori
con la que se cuente. Es evidente que en la realización de este trabajo no sé contó con toda la
información que pudiese existir, y que los modelos están influidos principalmente por la información
de dos pozos descritos en la bibliografía citada. Así, que si se desea utilizar un modelo en un lugar
específico sería conveniente recopilar la mayor cantidad de información a priori disponible y si es
necesario, volver a hacer una inversión de la curva de dispersión o incluso, implementar una
inversión conjunta.

Por estos motivos, y para un mejor aprovechamiento del trabajo realizado se ha decidido compartir
los tiempos de viaje estimados, las curvas de dispersión recuperadas de las tomografías y los
modelos resultantes en un repositorio de acceso libre al que se puede tener acceso en el siguiente
enlace: https://github.com/inthaliba/CDMX-VS.git.

105
Conclusiones

Como parte del proyecto “Sistema integral de monitoreo sísmico y generación de mapas de
intensidad y daños en tiempo real de la Ciudad de México” se obtuvieron registros de ruido sísmico
ambiental en 383 estaciones triaxiales de banda intermedia distribuidas en 22 arreglos de hasta 21
estaciones con distancias entre estaciones variando de 0.2 a 6 km. El objetivo fue estimar la
estructura de velocidades utilizando el ruido sísmico ambiental registrado.

Antes de cualquier análisis se eliminó la media, la tendencia y la respuesta instrumental de los

registros. Para conocer el contenido espectral del ruido sísmico ambiental se calcularon las
funciones de densidad de energía (PSD) en cada componente de cada estación. Estas curvas
presentaron diferentes comportamientos según los arreglos y las componentes en que fueron
calculadas. En general, las curvas de las componentes horizontales tenían amplitudes menores
respecto al componente vertical. También se observó que debajo de ~0.8 Hz el percentil 50 de las
curvas PSD estaba dentro de los límites de las curvas NLNM y NHNM de velocidad. Después de 0.8
Hz las amplitudes aumentaban considerablemente principalmente en la componente vertical, estas
observaciones sugieren que los eventos transitorios producto de la actividad en la ciudad influyen
en frecuencias mayores a 0.8 Hz y tienen un mayor impacto en la componente vertical.

La recuperación de la función de Green supone la difusividad del campo de ondas que forma el ruido
sísmico ambiental, para verificar la difusividad de los campos de ondas registrados se calcularon las
matrices de coeficientes de correlación de densidad espectral en los registros de cada componente
de cada estación. La medida de difusividad en estas matrices es representada mediante la
correlación entre frecuencias vecinas, en un campo difuso no existe correlación. Los resultados
obtenidos mostraron que en algunas estaciones existe correlación entre frecuencias vecinas, en la
mayoría de los casos los resultados fueron consistentes en los tres componentes. Sin embargo, la
magnitud de las correlaciones fue mayor en la componente vertical. Los resultados también
mostraron consistencia cuando fueron agrupados por arreglo, observándose rangos similares de
frecuencias correlacionadas. En general, el rango más común en donde se obtuvo correlación
frecuencias vecinas varió entre 0.4 a 0.8 Hz.

Respecto a la recuperación de la función de Green, múltiples pruebas demostraron que el esquema

de procesamiento más efectivo fue al mismo tiempo el más sencillo, consistió en el
preprocesamiento, aplicación de un filtro pasa-bandas (0.1-1.5 Hz), decimación, ventaneo en

107
secciones de 120 s, normalización en tiempo (1-bit), correlación cruzada y apilamiento lineal de las
funciones de correlación cruzada. Este esquema fue aplicado a las componentes verticales, radiales
y transversales en los 22 arreglos. En dos arreglos no fue posible recuperar la función de Green en
ningún componente y solamente en uno fue recuperada en los tres componentes.

Como se mencionó anteriormente, los resultados obtenidos al calcular las matrices de correlación
de densidad espectral indicaron que el campo de ondas no era completamente difuso. Para mitigar
los efectos del componente no difuso en las funciones de Green recuperadas y bajo la suposición
de que las componentes difuso y no difuso son estadísticamente independientes, se llevó a cabo un
procedimiento de separación de señal ciega a partir del análisis de componentes independentes
utilizando la componente radial y vertical de las funciones de Green recuperadas. Con este
procedimiento se logró observar con mayor claridad el pulso de ondas Rayleigh. Sin embargo, no se
tuvo éxito en todos los casos, probablemente porque las fuentes de ruido se localizaron dentro de
la zona de fase estacionaria y los eventos transitorios interfirieron constructivamente con la
componente difuso no haciendo posible su separación.

El enfoque que se tomó en este trabajo sobre la correlación cruzada de registros simultáneos de
ruido sísmico ambiental fue bajo la consideración de que estos campos de onda forman un campo
difuso. Sin embargo, condiciones menos estrictas como la aleatoriedad del ruido sísmico ambiental
pueden ser suficientes para justificar los resultados y objetivos de este trabajo. Por ejemplo, la
conjetura Claerbout, desarrollada en 1968, establece que correlaciones cruzadas de trazas de ruido
registradas en dos diferentes ubicaciones de receptores en un medio heterogéneo tridimensional
da la respuesta que podría ser observada en uno de los receptores si hubiera una fuente en el otro,
derivando el término interferometría de ruido sísmico.

Considerando todos los arreglos analizados de 3202 pares de estaciones se recuperaron pulsos
coherentes a partir de la correlación cruzada en 1824, que representan el 57%. Descartando los dos
arreglos donde no se obtuvieron pulsos coherentes en ningún componente, en 10 arreglos se
observaron pulsos de ondas Rayleigh y en otros 10 pulsos de ondas Love. Se observó una relación
espacial entre la ubicación de los arreglos y el tipo de onda dominante. Los arreglos donde se
observaron ondas Love se encontraban en la zona oeste del área de estudio, principalmente en
zonas de transición y lomas. Aunque hay algunas excepciones en la mayoría de los arreglos en zona
de lago se recuperaron pulsos de ondas Rayleigh. El análisis del movimiento de partícula llevado a
cabo en el arreglo donde se logró recuperar la función de Green en los tres componentes (radial,

108
vertical y trasversal), además de la congruencia y similitud de las velocidades encontradas en los
arreglos vecinos sugiere que los pulsos observados corresponden al modo fundamental de las ondas
superficiales.

Una vez recuperada la función de Green a partir de un análisis FTAN fueron estimados los tiempos
de viaje de trenes de onda en rangos de frecuencia que variaron entre 0.4 y 1.3 Hz, según el arreglo
analizado. Después, fueron obtenidas tomografías de tiempos de viaje, asumiendo que los rayos
tienen trayectorias rectas, un análisis formal y detallado de la resolución adecuada fue llevado a
cabo en cada arreglo a partir de la prueba del tablero de ajedrez. Los tamaños de celdas elegidos
variaron entre 500 y 1800 m. Posteriormente, una vez calculadas las tomografías fueron extraídas
curvas de dispersión de velocidad de grupo representativas del área de la celda donde se extrajeron.

Durante la etapa donde se eligió el mejor esquema de procesamiento para calcular la función de
Green se implementó un algoritmo de selección de ventanas que se basó en las propiedades
estadísticas del ruido sísmico ambiental, asumiendo que las secciones de tiempo con distribuciones
de probabilidad similares a la distribución normal tenían menor influencia de eventos transitorios.
Para el cálculo de la función de Green este algoritmo no tuvo éxito porque se descartaba mucha
información, la razón fue que en muy pocas ocasiones los estadísticos de los registros simultáneos
estaban dentro de los valores de aceptación, es decir, existían fuentes de ruido no sincronizadas
que afectaban a cada estación individualmente. Sin embargo, al implementar este algoritmo en el
cálculo de los cocientes espectrales HVSR para elegir las ventanas de tiempo más estacionarias se
obtuvieron resultados muy similares al algoritmo LTA/STA.

Los cocientes espectrales HVSR fueron calculados utilizando el estimador cociente de los promedios
en cada estación. A partir de las frecuencias características estimadas fue llevado a cabo un análisis
de clustering utilizando el método k-means con el objetivo de agrupar los HVSR con características
similares entre sí. Una vez identificadas las ubicaciones de las curvas de dispersión extraídas de las
tomografías en los clústeres formados, fue implementada la inversión a profundidad, en cada
clúster fue llevada a cabo mínimo una inversión conjunta entre los cocientes espectrales HVSR y las
curvas de dispersión de velocidad de grupo. Los modelos obtenidos de la inversión conjunta fueron
utilizados como modelo inicial para invertir todas las curvas de dispersión contenidas en el mismo
clúster.

109
En los modelos obtenidos destaca que las arcillas lacustres en zona de lago alcanzan profundidades
de hasta 150 metros con una media de 115, los modelos en zona de lago tienen velocidades de onda
de corte promedio, en los primeros 100 metros de profundidad, de 166.36 ± 39.75 m/s.

Según los kernels de sensitividad calculados, con los datos utilizados en este trabajo y el
procesamiento hecho se alcanzaron profundidades de investigación desde 250 m hasta 350 m,
según el rango de frecuencias donde fue observada la dispersión. En total, fueron estimados 178
modelos 1-D de velocidad de onda de corte.

110
Referencias

Aki, K. (1957). Space and Time Spectra of Stationary Stochastic Waves, with Special Refrence to
Microtremors. Tokyo University, Bull. Earthquake, Res. Inst. 25, 415-457.

Arai, K., & Tokimatsu, K. (2004). S-wave velocity profiling by inversion of microtremor H/V
spectrum. Bulletin of the Seismological Society of America, 94(1), 53-63.

Arce, J. L., Layer, P. W., Macías, J. L., Morales-Casique, E., García-Palomo, A., Jiménez-Domínguez,
F. J., . . . Vázquez-Serrano, A. (2019). Geology and stratigraphy of the Mexico Basin
(Mexico City), central Trans-Mexican Volcanic Belt. Journal of Maps, 15(2), 320-332.
doi:10.1080/17445647.2019.1593251

Bard, P.-Y., Campillo, M., Nicollin, F., & Sánchez-Sesma, F. J. (1988). The incident wave field in
Mexico City during the great earthquake and its interaction with the deep basin. The
Mexico Earthquake of September 19, 1985. Earthquake Spectra(4), 591-608.

Bensen, G., Ritzwoller , M., Barmin, M., Levshin, A., Lin, F., Moshchetti, M., . . . Yang, Y. (2007).
Processing seismic ambient noise data to obtain reliable broad-band surface wave
dispersion measurements. Geophys. J. Int. 169, 1239–1260. doi:10.1111/j.1365-
246X.2007.03374.x

Bonnefoy-Claudet, S., Cotton, F., & Pierre-Yves , B. (2006). The nature of noise wavefield and its
applications for site effects studies. A literature review. Earth-Science Reviews 79, 205-
227. doi:10.1016/j.earscirev.2006.07.004

Buitinck, L., Louppe, G., Blondel, M., Pedregosa, F., Mueller, A., Grisel, O., . . . Varoquaux, G.
(2013). API design for machine learning software: experiences from the scikit-learn
project. European Conference on Machine Learning and Principles and Practices of
Knowledge Discovery in Databases, 108-122.

Campillo, M., Chávez-García, F. J., Bard, P.-Y., & Sánchez-Sesma, F. (1988). The Mexico Earthquake
of September 19, 1985 - A theorical investigation of large and small scale amplification
effects in the Mexico city valley. Earthquake Spectra(4), 609-635.

Cárdenas-Soto, M., & Escobedo-Zenil, D. (2019). Ambient Noise Tomography fot characterize the
subsoil structure under a damaged bilding in Mexico City. Symposium on the Application of
Geophysics to Engineering and Environmental Problems (SAGEEP) , (pp. 378-381). Denver,
CO.

CENAPRED. (1996). Estudios del subsuelo del valle de México. Reporte técnico. México.

Chávez-García, F. J., & Aguirre, J. (2012). Exploration of subsoil structure in Mexico city using
correlation of microtremors. Geofísica Internacional, 51(3), 251-270.

Cultrera , G., Di Giulio, G., Cornou, C., Bard, P. Y., & Al Tfaily, B. (2019). Best practice and quality
assessment procedures for site characterization at seismic station: an European initiative.
Proceedings of the AGU 2019 Fall Meeting. San Francisco, CA, USA.

111
David. (2020, Mayo 24). LSMR: An iterative algoritm for least-squares problems. Retrieved from
MATLAB Central File Exchange:
https://www.mathworks.com/matlabcentral/fileexchange/27183-lsmr-an-iterative-
algorithm-for-least-squares-problems

Formenti, M. (2014). Mean of Ratios or Ratio of Means: statistical uncertainty applied toestimate
Multiperiod Probability of Default. Retrieved from
https://arxiv.org/ftp/arxiv/papers/1409/1409.4896.pdf

García-Jerez, A., Luzón, F., Sánchez-Sesma, F., Lunedei, E., Albarello, D., Santoyo, M., & Almendros,
J. (2013). Diffuse elastic wavefield within a simple crustal model. Some consequences for
low and high frequencies. Journal of Geophysical Research, 118(10), 5577–5595.
doi:10.1002/2013JB010107

García-Jerez, A., Piña-Flores, J., Sánchez-Sesma, F., Luzón, F., & Pertón, M. (2016). A computer
code for forward calculation and inversion of the H/V spectral ratio under the diffuse field
assumption. Computer & Geosciences, 97, 67-78. doi:10.1016/j.cageo.2016.06.016

Goldstein, P., Dodge, D., Firpo, M., & Minner, L. (2003). SAC (2000): Signal processing and analysis
tools for seismologists and engineers. In W. Lee, H. Kanammori , P. Jenning, & C. Kisslinger,
Invited contribution to "ISAPEI International handbook of Earthquake and Enginnering
Seismology". London: Academic Press.

Gonzáles-Torres, E. A., Morán- Zenteno, D. J., Mori, L., & Martiny, B. (2015). Revisión de los
últimos eventos magmáticos del Cenozoico del sector norte-central de la Sierra Madre del
Sur y su posible conexión con el subsuelo profundo de la Cuenca de México. Boletín de la
Sociedad Geológica Mexicana, 67(2), 285-297.

Granados, I., Calo, M., & Valente, R. (2019). Noisy dispersión curve picking: a MATLAB packgage for
group velocity dispersion picking of seismic surface waves. Computer ans Geosciences,
133. doi:doi: 10.1016/j.cageo.2019.104315

Groos, J. C., Bussat, S., & Ritter, J. R. (2012). Performance of different processing schemes in
seismic noise cross-correlations. Geophysical Journal International, 188, 498-512.
doi:10.1111/j.1365-246X.2011.05288.x

Gross, J. (2010). Broadband seismic noise: classification and Green’s function estimation. Phd.
Thesis. Karlsruhe Institute of Technology, 155 pp.

Gross, J. C., & Ritter, R. R. (2009). Time domain classification and quantification of seismic noise in
an urban enviroment. Geophysical Journal International, 179, 1213-1231.
doi:10.1111/j.1365-246X.2009.04343.x

Hanasoge, S. M., & Branicki, M. (2012). Interpreting Cross-correlations of One-bit Filtered Seismic
Noise. Geophysical Journal International.

Hartigan, J., & Wong, M. (1979). Algorithm AS 136: A K-means clustering algorithm. Applied
Statistic, 100-108.

112
Hernández-Hernández, R. (2019). Estudio de ruido sísmico ambiental utilizando interferometría
sísmica de la componente radial y cocientes espectrales, para la obtención de un modelo
3D de velocidades de ondas de corte al sur de la subcuenca de Chalco. Ciudad de México:
Tesis de licenciatura. Facultad de Ingeniería UNAM. Retrieved from
132.248.9.195/ptd2019/noviembre/0797797/Index.html

Herrmann, R. B. (2013). Computer programs in seismology: An evolving tool for instruction and
research. Seismological Research Letters, 84, 1081-1088. doi:10.1785/0220110096

Kagawa, T. (1996). ) Estimation of velocity structures beneath Mexico city using microtremor array
data.Acapulco, Mexico. Proceeding of the 11th World Conference on Earthquake
Engineering. . Acapulco, Gro. México.

Kalkan , E. (2020). SMOOTHING FUNCTION FOR FOURIER AMPLITUDE SPECTRUM. Retrieved from
MATLAB Central File Exchange:
https://www.mathworks.com/matlabcentral/fileexchange/70217-smoothing-function-for-
fourier-amplitude-spectrum

Kassambara, A. (2020, 09 17). K-Means Clustering in R: Algorithm and Practical Examples.

Retrieved from https://www.datanovia.com/en/lessons/k-means-clustering-in-r-algorith-
and-practical-examples/

Konno, K., & Ohmachi, T. (1998). Ground-Motion Characteristics Estimated from Spectral Ratio
between Horizontal and Vertical Components of Microtremor. Bulletin of the
Seismological Society of America, 88(1), 228-241.

Kramer, S. (1996). Geotechnical Earthquake Engineering. Washington University, Prentice-Hall

international series in civil engineering and engineering mechanics.

Kumari, S. (2009). Fast ICA for blind source separation and its implementation. Rourkela, India:
National Institute of Technology Rourkela.

Larivière, V., & Gingras, Y. (2011). Averages of ratios vs. ratios of averages: An empirical analysis of
four levels of aggregation. Journal of Informetrics, 5(3), 392-399.
doi:10.1016/j.joi.2011.02.001

Lermo, J., Rodríguez, M., & Singh, S. K. (1988). The Mexico earthquake of September 19, 1985—
natural period of sites in the valley of Mexico from microtremor measurements and strong
motion data. Earthquake Spectra, 4(4), 805-814.

Lévěque, J., Rivera, L., & Wittlinger, G. (1993). On the use of the checker‐board test to assess the
resolution of tomographic inversions. Geophysical Journal International, 115(1), 313-318.
doi:10.1111/j.1365-246X.1993.tb05605.x

Liu, X., & Ben-Zion, Y. (2016). Estimating correlations of neighbouring frequencies in ambient
seismic noise. Geophysical Journal International, 206, 1065-1075. doi:10.1093/gji/ggw196

Liu, X., Beroza, G., & Nakata, N. (2019). Isolating and suppressing the spurious non‐diffuse
contributions to ambient seismic field correlations. Journal of Geophysical Research: Solid
Earth(124). doi:10.1029/2019JB017297

113
Lobkis, O., & Weaver, R. (2001). On the emergence of the Green’s function in the correlations of a
diffuse field. Theoretical and Applied Mechanics, 110(3011). doi:10.1121/1.1417528

Martínez, J., Lermo, J., Vergara-Huerta, F., & Ramos, E. (2015). Avances en la zonificación sísmica
de la Ciudad de México y zona de chalco, Edo. de Mex., propuesta de nuevo mapa de
períodos dominantes para las NTC para diseño por sismo del reglamento del D.F. XX
Congreso Nacional de Ingenieria Sismica. Acapulco, Gro., México.

Mendoza , L., Acosta , J., Huerta, G., Reyes, A., & Otero, J. (1992). Mapa de periodos dominantes
de la vibración ambiental de los suelos blandos del Valle de México. Ingeniería Sísmica(43),
19-58.

Menke, W. (2012). Geophysical Data Analysis: Discrete Inverse Theory. Amsterdam: Elsevier.
Amsterdam: Elsevier.

Moore, B. (2020, Abril 23). MATLAB Central File Exchange. Retrieved from
https://www.mathworks.com/matlabcentral/fileexchange/38300-pca-and-ica-package

Morales-Casique, E., Arce, J. L., Lezama, J. L., & Escolero, O. (2018). Análisis de la estratigrafía y las
características hidrogeológicas de los estratos profundos de conforman el subsuelo de la
Cuenca de México a partir de la perforación de dos pozos profundos, uno a 2000 m y otro a
1570 m denominados Agrícola Oriental 2B. CMDX: Instituto de Geología, UNAM.

Morales-Casique, E., Arce, J. L., Lezama, J. L., & Escolero, O. (2018). Análisis de la estratigrafía y las
características hidrogeológicas de los estratos profundos que conforman el subsuelo de la
Cuenca de México a partir de la perforación a 2000 m del pozo profundo denominado
"Santa Catarina 3A. CDMX: Instituto de Geología, UNAM.

Nolet, G. (1985). Solving or resolving inadequate and noisy tomographic systems. Journal of
Computational Physics, 61, 463 - 482. doi:10.1016/0021-9991(85)90075-0

NTC-DC. (2017). Normas técnicas complementarias para diseño y construcción de cimentaciones.

Gaceta Oficial de la Ciudad de México. 15 de diciembre 2017.

NTC-DS. (2017). Normas técnicas complementarias para diseño por sismo. Gaceta Oficial de la
Ciudad de Méxic. 15 de diciembre de 2017.

OCDE. (2015). OECD Territorial Reviews: Valle de México, Mexico. Retrieved Abril 2020, from
https://www.oecd.org/regional/oecd-territorial-reviews-valle-de-mexico-mexico-
9789264245174-en.htm

Okada, H. (2003). The Microtremor Survey Metod. U.S.A.: SEG, Geophysical monographs series no.
12.

Oliver , G. (2015). Seismic imaging and monitoring in mines with ambient seismic noise
correlations. Phd. Thesis. Université Grenoble Alpes., 130 pp.

Paige, C. C., & Saunders, M. A. (1982). LSQR: An algorithm for sparse linear equations and sparse
least squares. ACM Transactions on Mathematical Software, 8, 43-71.
doi:10.1145/355984.355989

114
Pérez-Cruz, G. (1988). Estudio sismológico de reflexión del subsuelo de la Ciudad de México. Tesís
de Maestría. Facultad de Ingeniería. UNAM. México.

Peterson, J. (1993). Observations and Modeling of Seismic Background Noise. USGS, Open-File
report.

Piña-Flores, J., Perton , M., García-Jerez, A., Carmona, E., Luzón, F., Molina-Villegas, J., & Sánches-
Sesma, F. (2017). The inversion of spectral ratio H/V in a layered system using the diffuse
field assumption (DFA). Geophysical Journal International, 208, 577-588.
doi:10.1093/gji/ggw416

Ramos-Martínez, J., Chávez-García, F. J., Romero-Jiménez, E., Rodríguez-Zúñiga, J. L., & Gómez-
González, J. L. (1997). Site effects in Mexico City: Constraints from surface wave inversion
of shallow refraction data. Journal of Applied Geophysics(36), 157-165.

Rao, T. J. (2002). Mean of ratios or ratio of means or both? Journal of Statistical Planning and
Inference, 102(1), 129-138. doi:10.1016/S0378-3758(01)00181-1

Rawlinson, N., & Sambridge, M. (2003). Seismic traveltime tomography of the crust and lithosfere.
Advances un Geophysics, 46(12), 81-198. doi:10.1016/S0065-2687(03)46002-0

Sabra, K., Gerstoft, P., Roux, P., & Kuperman, K. (2005). Surface wave tomography from
microseisms in Southern California. Geophysical Research Letters, Vol. 32.
doi:1029/2005GL023155

Sánchez-Sesma, F. J., Rodríguez, M., Iturrarán-Viveros, U., Luzón, F., Campilo, M., Margerin, L., . . .
Rodríguez-Castellanos, A. (2011). A theory for microtremor H/V spectral ratio: application
for a layered medium. Geophysical Journal International, 186, 221-225.

SESAME. (2004). Guidelines for the implementation of the H/V spectral ratio technique on ambient
vibrations measurements, processing and interpretation. Research Report WP12.

Shapiro, N., & Campillo , M. (2004). Emergence of broadband Rayleigh waves from correlations of
the ambient seismic noise. Geophysical ResearchLetters, Vo1. 31.
doi:doi:10.1029/2004GL019491

Shapiro, N., Campillo, M., Stehly, L., & Ritzwoller, M. (2005). High-Resolution Surface-Wave
Tomography from Ambient Seismic Noise. Science. doi:10.1126/science.1108339

Shearer, P. (2009). Introduction to seismology. New York: Cambridge University Press.

Singh, S. K., Mena, E., & Castro, R. (1988). Some aspects of source characteristics of the 19
september 1985 michoacan earthquake and ground motion amplification in and near
Mexico city from strong motion data. Bulletin of the Sismological Society of America, 78(2),
451-477.

Stein, S., & Wysession, M. (2003). An introduction to seismology,earthquakes and earth structure.
Oxford, U.K: Blackwell.

Team, R. C. (2020). R: A language and environment for statistical computing. R Foundation for
Statistical Computing. Retrieved from https://www.R-project.org/.

115
UNAM Seismology group. (1986). The September 1985 Michoacán earthquakes: Aftershock
distribution and history of rupture. Geophys. Res. Lett., 13, 573-576.

Vijayendra, K. V., Nayack, S., & Prasad, S. K. (2014). An Alternative Method to Estimate
Fundamental Period of Layered Soil Deposit. Indian Geotechnical Society, 45(2), 192-199.
doi:10.1007/s40098-014-0121-7

Weaver, R. L., & Lobkis, O. I. (2001). Diffuse fields in open systems and the emergence of the
Green’s function. Journal Acustics Society of America, 116(5), 2731.
doi:10.1121/1.1810232

Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. New York: Springer-Verlag.
Retrieved from https://ggplot2.tidyverse.org.

116
Anexo I. Funciones de densidad de energía (PSD) en cada arreglo.

a)

b)

c)
Figura I_1. Funciones de densidad de energía de los registros que forman el arreglo A1. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido

117
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

c)
Figura I_2. Funciones de densidad de energía de los registros que forman el arreglo A2. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas

118
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

c)

119
Figura I_3. Funciones de densidad de energía de los registros que forman el arreglo A3. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

120
 c)
Figura I_4. Funciones de densidad de energía de los registros que forman el arreglo A4. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

121
 b)

c)
Figura I_5. Funciones de densidad de energía de los registros que forman el arreglo A5. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

122
 a)

b)

c)
Figura I_6. Funciones de densidad de energía de los registros que forman el arreglo A6. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

123
 a)

b)

c)
Figura I_7. Funciones de densidad de energía de los registros que forman el arreglo A7. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

124
 a)

b)

c)
Figura I_8. Funciones de densidad de energía de los registros que forman el arreglo A8. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

125
 a)

b)

c)
Figura I_9. Funciones de densidad de energía de los registros que forman el arreglo A9. En negro,
el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

126
 a)

b)

c)
Figura I_10. Funciones de densidad de energía de los registros que forman el arreglo A10. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

127
 a)

b)

c)
Figura I_11. Funciones de densidad de energía de los registros que forman el arreglo A11. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

128
 a)

b)

c)
Figura I_12. Funciones de densidad de energía de los registros que forman el arreglo A12. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

129
 a)

b)

c)
Figura I_13. Funciones de densidad de energía de los registros que forman el arreglo A13. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

130
 a)

b)

c)
Figura I_14. Funciones de densidad de energía de los registros que forman el arreglo A14. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

131
 a)

b)

c)
Figura I_15. Funciones de densidad de energía de los registros que forman el arreglo A15. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

132
 a)

b)

c)
Figura I_16. Funciones de densidad de energía de los registros que forman el arreglo A16. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

133
 a)

b)

c)
Figura I_17. Funciones de densidad de energía de los registros que forman el arreglo A17. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

134
 a)

b)

c)
Figura I_18. Funciones de densidad de energía de los registros que forman el arreglo A18. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido

135
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

c)
Figura I_19. Funciones de densidad de energía de los registros que forman el arreglo A19. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas

136
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

c)

137
Figura I_20. Funciones de densidad de energía de los registros que forman el arreglo A20. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

b)

138
 c)
Figura I_21. Funciones de densidad de energía de los registros que forman el arreglo A21. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

a)

139
 b)

c)
Figura I_22. Funciones de densidad de energía de los registros que forman el arreglo A22. En
negro, el percentil 50; las líneas punteadas en color cian representan el percentil 90 y las líneas
punteadas rojas el percentil 10. Como referencia en color azul se muestran los niveles de ruido
NHNM y NLNM. La línea verde vertical representa el límite inferior de la respuesta instrumental
según el fabricante. a) Componente este, b) Componente norte, c) Componente vertical.

140
Anexo II Funciones de Green estimadas en todos los arreglos.

Figura AII_1. Funciones de Green estimadas en el arreglo 1, filtradas de 0.4 a 0.8 Hz.

141
Figura AII_2. Funciones de Green estimadas en el arreglo 2, filtradas de 0.4 a 0.8 Hz.

142
Figura AII_3. Funciones de Green estimadas en el arreglo 3, filtradas de 0.4 a 0.8 Hz.

143
Figura AII_4. Funciones de Green estimadas en el arreglo 4, filtradas de 0.4 a 0.8 Hz.

144
Figura AII_5. Funciones de Green estimadas en el arreglo 5, filtradas de 0.4 a 0.8 Hz.

145
Figura AII_6. Funciones de Green estimadas en el arreglo 6, filtradas de 0.4 a 0.8 Hz.

146
Figura AII_7. Funciones de Green estimadas en el arreglo 7, filtradas de 0.4 a 0.8 Hz.

147
Figura AII_8. Funciones de Green estimadas en el arreglo 8, filtradas de 0.4 a 0.8 Hz.

148
Figura AII_9. Funciones de Green estimadas en el arreglo 9, filtradas de 0.4 a 0.8 Hz.

149
Figura AII_10. Funciones de Green estimadas en el arreglo A10, filtradas de 0.4 a 0.8 Hz.

150
Figura AII_11. Funciones de Green estimadas en el arreglo A11, filtradas de 0.4 a 0.8 Hz.

151
Figura AII_12. Funciones de Green estimadas en el arreglo A12, filtradas de 0.4 a 0.8 Hz.

152
Figura AII_13. Funciones de Green estimadas en el arreglo A13, filtradas de 0.4 a 0.8 Hz.

153
Figura AII_14. Funciones de Green estimadas en el arreglo A14, filtradas de 0.4 a 0.8 Hz.

154
Figura AII_15. Funciones de Green estimadas en el arreglo A15, filtradas de 0.4 a 0.8 Hz.

155
Figura AII_16. Funciones de Green estimadas en el arreglo A16, filtradas de 0.4 a 0.8 Hz.

156
Figura AII_17. Funciones de Green estimadas en el arreglo A17, filtradas de 0.4 a 0.8 Hz.

157
Figura AII_18. Funciones de Green estimadas en el arreglo A18, filtradas de 0.4 a 0.8 Hz.

158
Figura AII_19. Funciones de Green estimadas en el arreglo A19, filtradas de 0.4 a 0.8 Hz.

159
Figura AII_20. Funciones de Green estimadas en el arreglo A2O, filtradas de 0.4 a 0.8 Hz.

160
Figura AII_21. Funciones de Green estimadas en el arreglo A21, filtradas de 0.4 a 0.8 Hz.

161
Figura AII_22. Funciones de Green estimadas en el arreglo A22, filtradas de 0.4 a 0.8 Hz.

162
Anexo III. Cálculo de los tiempos de viaje por arreglo.

En el arreglo A2 fueron utilizados los resultados del análisis de componentes independientes para
calcular los tiempos de viaje. En este arreglo se formaron 153 pares de estaciones diferentes, pero
sólo se observó un pulso coherente en 14. Además, se recuperaron los pulsos en rangos muy cortos
de frecuencias y diferentes. Las matrices de coeficientes de correlación de densidad espectral
calculadas en los tres componentes de todas las estaciones de este arreglo muestran correlaciones
entre frecuencias vecinas en 5 estaciones. Debido a la cantidad de pares en los que no se tuvo éxito
fue difícil determinar una relación entre la orientación de los pares de estaciones o la distancia. Sin
embargo, se deben considerar los siguientes elementos: 1) El 52 % de los pares de estaciones tenían
una orientación similar a NW-SE (con azimuts entre 135° ± 22.5° o 315° ± 22.5°), que coincide con
la dirección donde se obtuvo la mayor cantidad de pares de estaciones donde no se recuperó la
función de Green en el Arreglo 1. 2) Las distancias entre las estaciones que formaban los pares eran
grandes. La mediana de la distancia entre estaciones fue de 2047 m, con algunos pares a distancias
de más de 6300 m. 3) Como se observa en la Figura AIII_1, las funciones PSD muestran diferencias
significativas de niveles de energía en los tres componentes de todas las estaciones en el arreglo A2
y en el rango de frecuencias de investigación.

163
 a)

b)

c)
Figura AIII_1. Percentil 50 de las funciones PSD por componente, estimadas en todas las
estaciones del arreglo A2. Se observan diferencias significativas de energía en el rango de

164
 frecuencias de investigación (0.1 a 1.5 Hz, en rojo). a) Componente este. b) Componente norte.
c) Componente vertical
En el arreglo A3 se utilizaron los resultados del análisis de componentes independientes, de 153
pares de estaciones formados en el arreglo se observó un pulso coherente en 19 de ellos. En estos
pares los pulsos fueron obtenidos en rangos cortos de frecuencias y diferentes entre sí. Como se
muestra en la Figura AIII_2, las matrices de coeficientes de correlación de densidad espectral
muestran frecuencias vecinas correlacionadas en rangos amplios de frecuencias, esto fue observado
en al menos la mitad de las estaciones. De la misma manera que en el arreglo A2, las funciones PSD
muestran diferencias significativas de energía en los tres componentes de todas las estaciones en el
rango de frecuencias de investigación.

Figura AIII_2. Matrices de coeficientes de correlación de densidad espectral obtenidas en la

componente vertical de cuatro estaciones pertenecientes al arreglo A3. Se observa correlación
entre frecuencias vecinas en rangos amplios de frecuencias.

En el arreglo A4 fueron utilizados las componentes verticales, de 153 pares de estaciones posibles
se observó un pulso coherente en 113 de ellos. Los tiempos de viaje fueron estimados en un rango
de frecuencias entre 0.38 y 0.95 Hz. Se estimaron velocidades entre 30 y 900 m/s. En este arreglo
no se encontró una relación entre la recuperabilidad de la función de Green y el azimut de los pares

165
de estaciones, pero sí con la distancia entre estaciones. En la Figura AIII_3 se muestran en un
histograma las distancias entre los pares formados en el arreglo y las distancias en los pares donde
no se recuperó la función de Green, se observa que existe una mayor proporción de estaciones
donde no se recuperó la función de Green (17 de 31) en pares de estaciones con distancias menores
a 800 m. En la Figura AIII_4 se ejemplifica el picado de las curvas de dispersión en la parte causal y
no causal de un par de estaciones, en la Figura AIII_5 se muestra el filtrado múltiple para el mismo
par de estaciones.

Figura AIII_3. Histograma de las distancias entre pares de estaciones formados en el arreglo A4
(barras blancas) y de las estaciones dónde no se recuperó la función de Green (barras rojas). Para
distancias menores a 800 ms no se recuperó la función de Green en más de la mitad de los pares
totales a esas distancias.

166
Figura AIII_4. Curvas de dispersión obtenidas en la componente vertical entre el par de estaciones
CM062-CM066 del arreglo A4. En algunos casos se picó en la parte causal y la no causal para
complementar la curva. Los asteriscos representan los picados manuales

Figura AIII_5. Filtrado múltiple de la función de Green recuperada entre el par de estaciones CM062-
CM066 del arreglo A4. Las líneas rojas representan la envolvente.

En el arreglo A5 se utilizó la componente transversal de la función de Green recuperada. Se observó

un pulso coherente y en un rango de frecuencias amplio en 130 pares de estaciones de 153 posibles.
Los tiempos de viaje fueron calculados en un rango de 0.4 a 1.3 Hz. Se estimaron velocidades desde
40 a 600 m/s. En 15 de los 22 pares de estaciones donde no fue recuperada la función de Green, se
observaba una orientación NW-SE (azimuts entre 112.5° y 157.5°) y en 10 una distancia entre
estaciones mayor a 2000 m. En la Figura AIII_6 se muestra la curva de dispersión estimada utilizando
la parte causal del componente transversal de la función de Green recuperada en el par CM081-
CM083, el filtrado múltiple se muestra en la Figura AIII_7.

167
Figura AIII_6. Curva de dispersión obtenida en la parte causal la componente transversal de la
función de Green recuperada en el par CM081-CM083.

Figura AIII_7. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM081-
CM083 del arreglo A5. Las líneas rojas representan la envolvente.

168
En el arreglo A6 fueron utilizados los resultados del análisis de componentes independientes. De
105 pares formados en el arreglo, la función de Green fue recuperada en 78 de ellos. Los tiempos
de viaje fueron estimados en un rango entre 0.3 y 1.3 Hz. Se observaron velocidades entre 50 y 500
m/s. Al igual que en el arreglo 1, más de la mitad de los pares de estaciones donde no se recuperó
la función de Green tenían una orientación similar a la Este-Oste (90° ± 22.5° o 270° ± 22.5°). Sin
embargo, en este caso la proporción entre las funciones recuperadas respecto a las no recuperables
fue mayor. Como se muestra en la Figura AIII_8 en distancias mayores a 3000 m había una
proporción mayor de funciones no recuperadas. En la Figura AIII_9 se muestra la curva de dispersión
obtenida de la parte causal de una de las soluciones del análisis de componentes independientes
para un par de estaciones. En la Figura AIII_10 se muestra el filtrado múltiple que corresponde a la
Figura AIII_9.

Figura AIII_8. Histograma de las distancias entre pares de estaciones formados en el arreglo A6
(barras blancas) y de las estaciones dónde no se recuperó la función de Green (barras rojas). Para
distancias mayores a 3000 metros no se recuperó la función de Green en mayor proporción.

169
Figura AIII_9. Picado de la curva de dispersión obtenida de la parte causal de una solución del análisis
de componentes independientes aplicado a las funciones de Green recuperas en la componente
radial y vertical entre las estaciones CM186 y CM187.

Figura _A10. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM186-
CM187 del arreglo A6. Las líneas rojas representan la envolvente.

170
En el arreglo A7 los tiempos de viaje fueron calculados en la componente vertical de la función de
Green recuperada. De 15 pares de estaciones formados en el arreglo, se obtuvo un pulso coherente
entre 0.32 y 1.4 Hz en 14 pares. Se estimaron velocidades entre 50 y 250 m/s. Es la Figura AIII_11 se
muestra una curva de dispersión obtenida a partir del análisis FTAN de la función de Green
recuperada en un par de estaciones, en la Figura AIII_12 se muestra el filtrado múltiple en el domino
del tiempo.

Figura AIII_11. Curva de dispersión obtenida en la parte no causal de la función de Green recuperada
entre las estaciones CM197-CM200. Los asteriscos representan el picado manual.

171
Figura AIII_12. Filtrado múltiple de la función de Green recuperada en componente vertical entre el
par de estaciones CM197-CM200 del arreglo A7. Las líneas rojas representan la envolvente.

En el arreglo A8 se utilizaron los resultados del análisis de componentes independientes, de 136

pares de estaciones formadas en el arreglo, la función de Green fue recuperada en 95 de ellos. Los
tiempos de viaje fueron estimados en un rango de frecuencias entre 0.35 y 1 Hz. Se calcularon
velocidades en un rango de 30 a 250 m/s. Como se observa en la Figura AIII_13, la mayoría de los
pares de estaciones donde no fue recuperada la función de Green (31 de 41) tenían distancias de
más de 3000 metros. En la Figura AIII_14 se muestra el picado de una curva de dispersión obtenida
de la parte causal de una solución del análisis de componentes independientes, el filtrado múltiple
en el dominio del tiempo que corresponde a esta curva se muestra en la Figura AIII_15.

172
Figura AIII_13. Histograma de las distancias entre pares de estaciones formados en el arreglo A8
(barras blancas) y de las estaciones dónde no se recuperó la función de Green (barras rojas). En
distancias mayores a 3 000 m se concentra la mayor cantidad de pares donde no se recuperó la
función de Green

Figura AIII_14. Picado de la curva de dispersión obtenida de la parte causal de una solución del
análisis de componentes independientes en el par CM101-CM105.

173
Figura AIII_15. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM101-
CM105 del arreglo A8. Las líneas rojas representan la envolvente.

En el arreglo A9 se utilizó la componente transversal de la función de Green para calcular los tiempos
de viaje en un rango entre 0.4 y 1.3 Hz. Se estimaron velocidades ente 60 y 600 m/s. De 136 pares
formados en este arreglo, se observó un pulso coherente y en un rango amplio de frecuencias en 94
de ellos. Como se observa en la Figura AIII_16, la proporción de las funciones de Green no
recuperadas aumentó en pares de estaciones con distancias mayores a 1000 m. En la Figura AIII_17
se muestra la curva de dispersión obtenida en la parte causal del componente transversal de la
función de Green para un par de estaciones pertenecientes al arreglo A9, en la Figura AIII_18 se
muestra el filtrado múltiple correspondiente.

174
Figura AIII_16. Histograma que muestra las distancias entre pares de estaciones para todos lo pares
posibles del arreglo A9 (blanco) y para los pares donde no fue recuperada la función de Green (rojo).
Se puede observar que en distancias mayores a 1000 metros crece la proporción de los pares donde
no fue recuperada la función de Green.

Figura AIII_17. Curva de dispersión obtenida en la parte causal la componente transversal de la

función de Green recuperada en el par CM109-CM112.

175
Figura AIII_18. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM081-
CM083 del arreglo A5. Las líneas rojas representan la envolvente.

En el arreglo A10 se utilizó la componente transversal de la función de Green para calcular los
tiempos de viaje en un rango entre 0.45 y 1.3 Hz. Se estimaron velocidades de 80 a 1200 m/s. De
153 pares formados en este arreglo, se observó un pulso coherente y en un rango amplio de
frecuencias en 104. Se identificaron tres estaciones (CM130, CM137 y CM139) con desfases y
problemas de sincronización en tiempo, 48 de los 49 pares de estaciones donde no se observó un
pulso coherente están asociados a estas estaciones. En la Figura AIII_19 se muestra la curva de
dispersión obtenida en la parte causal y no causal del componente transversal de la función de
Green para un par de estaciones pertenecientes al arreglo A10, en la Figura AIII_20 se muestra el
filtrado múltiple correspondiente.

176
Figura AIII_19. Curva de dispersión obtenida en la parte causal y no causal del componente
transversal de la función de Green recuperada en el par CM134-CM138. Los asteriscos representan
los picados manuales, en algunos casos se consideró la parte causal y la no causal.

Figura AIII_20. Filtrado múltiple de la función de Green recuperara en el par de estaciones CM134-
CM138 del arreglo A10. Las líneas rojas representan la envolvente.

177
En el arreglo A11 fueron utilizados los resultados del análisis de componentes independientes, de
153 pares que se forman en el arreglo, en 90 fue observado un pulso coherente y en un rango de
frecuencias similar. En la estación CM159 se detectaron problemas de sincronización en tiempo por
lo que todos los pares que la incluían fueron descartados. Los tiempos de viaje fueron calculados en
un rango de frecuencias entre 0.45 y 1.1 Hz, se estimaron velocidades en un rango de 60 a 500 m/s.
En este arreglo no se observó una relación obvia entre la orientación de los pares de estaciones o la
distancia entre estaciones y la existencia de un pulso coherente. Las matrices de coeficientes de
correlación de densidad espectral obtenidas para este arreglo muestran fuertes correlaciones entre
frecuencias vecinas en los tres componentes, debidas a la influencia de fuentes cercanas.
Posiblemente una cantidad importante de estas fuentes se localizaron en las zonas de fase
estacionaria, impidiendo la separación de las componentes difuso y no difuso, y consecuentemente,
la recuperación de la función de Green de forma precisa o total. En la Figura AIII_21 se muestra el
picado de una curva de dispersión obtenida de la parte causal de una solución del análisis de
componentes independientes, el filtrado múltiple que corresponde a esta curva se muestra en la
Figura AIII_22.

Figura AIII_21. Picado de la curva de dispersión obtenida de la parte no causal de una solución del
análisis de componentes independientes en el par CM154-CM157.

178
Figura AIII_22. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM154-
CM157 del arreglo A11. Las líneas rojas representan la envolvente.

En el arreglo A12 se utilizó la componente transversal de la función de Green para calcular los
tiempos de viaje en un rango entre 0.51 y 1.3 Hz. Las velocidades estimadas variaron de 50 a 1200
m/s. De 153 pares formados en este arreglo, se observó un pulso coherente y en un rango amplio
de frecuencias en 103. Se identificó una estación (CM163) con problemas de sincronización en
tiempo, por lo que fueron descartados todos los pares que la incluían, no fue posible recuperar la
función de Green en distancias mayores a 2600 m. En la Figura AIII_23 se muestra la curva de
dispersión obtenida en la parte no causal del componente transversal de la función de Green para
un par de estaciones pertenecientes al arreglo A12, en la Figura AIII_24 se muestra el filtrado
múltiple correspondiente.

179
Figura AIII_23. Curva de dispersión obtenida en la parte no causal del componente transversal de la
función de Green recuperada entre las estaciones CM165-.CM175, los asteriscos representan el
picado manual.

Figura AIII_24. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM165-
CM175 del arreglo A12. Las líneas rojas representan la envolvente.

180
En el arreglo A13 fueron utilizados las componentes verticales de la función de Green recuperada,
de 153 pares de estaciones se observó un pulso coherente en 86. Los tiempos de viaje fueron
estimados en un rango de frecuencias entre 0.4 y 1 Hz, las velocidades variaron entre 30 y 800 m/s.
En este arreglo se detectaron 2 estaciones con problemas de sincronización en tiempo (CM204 y
CM2017), por lo que todas las correlaciones cruzadas que incluían a cualquiera de estas fueron
descartadas (32 pares). En el resto de los pares donde no se recuperó la función de Green no se
observó una relación directa con la orientación de los pares. En 10 (de 14 totales) pares de
estaciones con distancias inferiores a 700 metros no se observó un pulso coherente en el rango de
frecuencias buscado, la mayoría de estos pares se localizaban en la zona de lomas o de transición.
En la Figura AIII_25 se muestra el picado de una curva de dispersión obtenida de la parte causal de
la función de Green del par CM202-CM203, el filtrado múltiple que corresponde a esta curva se
muestra en la Figura AIII_26.

Figura AIII_25. Picado de la curva de dispersión obtenida de la parte no causal de una solución del
análisis de componentes independientes en el par CM202-CM203.

181
Figura AIII_26. Filtrado múltiple de la función de Green recuperara en el par de estaciones CM202-
CM204 del arreglo A13. Las líneas rojas representan la envolvente.

En el arreglo A14 fueron utilizados los resultados del análisis de componentes independientes, de
153 pares formados en el arreglo se obtuvo un pulso coherente en un rango amplio de frecuencias
en 102 de ellos. En este arreglo no se observó una relación entre la orientación de los pares de
estaciones y la recuperabilidad de la función de Green. Los tiempos de viaje fueron calculados entre
0.45 y 1.1 Hz, las velocidades variaron entre 40 y 600 m/s. En la parte norte del arreglo, algunas
estaciones se encontraban en los límites de la zona de lago y de transición, en los pares vecinos más
cercanos entre estas estaciones no fue posible recuperar la función de Green, o en algunos casos,
no se recuperó en el rango de frecuencias esperado. En la Figura AIII_27 se muestra una curva de
dispersión obtenida a partir del análisis FTAN de la parte causal de una solución del análisis de
componentes independientes, en la Figura AIII_28 se muestra el filtrado múltiple correspondiente.

182
Figura AIII_27. Picado de la curva de dispersión obtenida de la parte causal de una solución del
análisis de componentes independientes en el par CM220-CM224.

Figura AIII_28. Filtrado múltiple de la función de Green recuperada en el par de estaciones CM220-
CM224 del arreglo A14. Las líneas rojas representan la envolvente.

183
En el Arreglo A15, se recuperó la función de Green en 81 pares de 153 posibles. Los tiempos de viaje
fueron calculados utilizando la componente transversal de la función de Green en un rango de
frecuencias de 0.3 a 1.3 Hz. Las velocidades estimadas variaron de 60 a 1200 m/s. Los registros de
las estaciones CM247 y CM253 presentaron problemas de sincronización, por lo que fueron
descartadas todas las correlaciones cruzadas que las involucraban. Entre los otros pares de
estaciones donde no fue recuperada la fusión de Green, había una proporción mayor a distancias
superiores a los 3200 m. No se observó una relación con la orientación. En la Figura AIII_29 se
muestra una curva de dispersión obtenida a partir del análisis FTAN aplicado en la parte causal de
una función de Green recuperada, el filtrado múltiple correspondiente se muestra en la Figura
AIII_30.

Figura AIII_29. Curva de dispersión obtenida en la parte causal del componente transversal de la
función de Green recuperada entre las estaciones CM252 y CM254 del arreglo A15. Los asteriscos
representan el picado manual.

184
Figura AIII_30. Filtrado múltiple del componente transversal de la función de Green recuperada
entre las estaciones CM252 y CM254 del arreglo A15.

Después de muchas pruebas utilizando los tres componentes y los resultados del análisis de
componentes independientes, en el arreglo A16 los tiempos de viaje fueron calculados utilizando la
componente transversal de la función de Green recuperada. De 153 pares de estaciones formados
en el arreglo, en 55 de ellos fue observado un pulso coherente. Los tiempos de viaje fueron
calculados en un rango entre 0.45 Hz y 1.1 Hz, las velocidades estimadas variaron de 70 a 800 m/s.
Las matrices de coeficientes de correlación de densidad espectral indicaron que el ruido sísmico
registrado en la mayoría de las estaciones no era completamente difuso. No se observó una relación
con la distancia entre estaciones y la recuperabilidad de la función de Green. Respecto a la
orientación, se observó que existe una mayor proporción de pares de estaciones donde no se
recuperó la función de Green en pares con orientación NE-SW (azimuts entre 45° ± 22.5° o 225° ±
22.5°). En la Figura AIII_31 se muestran las matrices de coeficientes de correlación de densidad
espectral en los tres componentes de tres estaciones pertenecientes al arreglo A16. En la Figura
AIII_32 se muestra una curva de dispersión obtenida en la parte causal del componente transversal

185
de la función de Green recuperada en un par de estaciones y en la Figura AIII_33 el filtrado múltiple
de la misma función de Green.

Figura AIII_31. Matrices de coeficientes de correlación de densidad espectral obtenidas en los tres
componentes de las estaciones CM260, en la primera fila; CM266, en la segunda fila y CM273 en la
tercera fila. Las matrices se calcularon en un rango entre 0.1 y 1.5 Hz. Se puede observar alta
correlación en frecuencias vecinas en rangos amplios de frecuencias (0.1-0.8). En la mayoría de las
estaciones pertenecientes al arreglo A16 se observaron resultados similares.

186
Figura AIII_32. Curva de dispersión obtenida en la parte causal del componente transversal de la
función de Green recuperada entre las estaciones CM268 y CM270. Los asteriscos representan el
picado manual.

Figura AIII_33. Filtrado múltiple del componente transversal de la función de Green recuperada
entre las estaciones CM269 y CM270 del arreglo A16.

187
En el Arreglo A17 se utilizó la componente vertical de la función de Green recuperada en el cálculo
de los tiempos de viaje. Estos fueron estimados en un rango de 0.5 a 1.1 Hz, las velocidades
estimadas de los trenes de onda variaron de 80 a 800 m/s. De 153 pares existentes en el arreglo, se
observó un pulso coherente y en un amplio rango de frecuencias en 81 de ellos. No se encontró
una relación entre la recuperabilidad de la función de Green y la orientación o distancia entre pares
de estaciones. Sin embargo, las matrices de coeficientes de correlación de densidad espectral
muestran una fuerte correlación entre frecuencias vecinas en el rango de estudio, en todas las
estaciones y en los tres componentes. La no difusividad del campo de onda registrado es la causa
más probable del poco éxito en la recuperación de la función de Green en este arreglo. Además, se
observaron resultados pobres al aplicar en análisis de componentes independientes, sugiriendo que
las fuentes de ruido están cercanas a las estaciones. Es importante mencionar que este arreglo fue
desplegado en una zona densamente poblada. En la Figura AIII_34 se muestran las matrices de
coeficientes de correlación de densidad espectral obtenidas en los tres componentes de tres
estaciones del arreglo A17, se puede observar alta correlación entre frecuencias vecinas en amplios
rangos de frecuencias, todas las estaciones tuvieron el mismo comportamiento. En la Figura AIII_35
se muestra una curva de dispersión obtenida en un par de estaciones y en la Figura AIII_36 el filtrado
múltiple correspondiente.

188
Figura AIII_34. Matrices de coeficientes de correlación de densidad espectral obtenidas en los tres
componentes de las estaciones CM274, en la primera fila; CM82, en la segunda fila y CM290 en la
tercera fila. Las matrices se calcularon en un rango entre 0.1 y 1.5 Hz. Se puede observar alta
correlación en frecuencias vecinas en todo el rango de frecuencias. En todas las estaciones
pertenecientes al arreglo A17 se observaron resultados similares.

189
 Figura AIII_35. Curva de dispersión obtenida en la parte causal del componente vertical de la
función de Green recuperada entre los pares CM274-CM286. Los asteriscos representan el picado
manual.

Figura AIII_36. Filtrado múltiple del componente vertical de la función de Green recuperada entre
las estaciones CM274 y CM286 del arreglo A17. Las líneas rojas representan la envolvente.

190
En el arreglo A18 los tiempos de viaje fueron calculados utilizando la componente vertical de la
función de Green recuperada, se estimaron en un rango de 0.4 a 1.1 Hz. Las velocidades de los trenes
de onda observados variaron en un rango de 60 a 1000 m/s. Se observaron pulsos coherentes en 98
pares de 153 posibles. La estación CM304 presentó problemas de sincronización en tiempo por lo
que todos los pares que la incluían fueron ignorados. No se observó una relación directa entre la
orientación de los pares de estaciones o la distancia entre estaciones y la recuperabilidad de la
función de Green. En la Figura AIII_37 se muestra el picado de una curva de dispersión para un par
de estaciones y en la Figura AIII_38 se muestra el filtrado múltiple correspondiente.

Figura AIII_37. Curva de dispersión obtenida y picada en la parte causal y no causal para el par de
estaciones CM298-CM300. Los asteriscos representan los picados manuales.

191
Figura AIII_38. Filtrado múltiple del componente vertical de la función de Green recuperada en el
par de estaciones CM298-CM300. Las líneas rojas representan la envolvente.

En el arreglo A19 se utilizó la componente transversal de la función de Green recuperada. De 153

pares de estaciones formados en el arreglo, en 64 se observó un pulso coherente y en un amplio
rango de frecuencias (de 0.7 a 1.4 Hz). Las velocidades estimadas variaron de 50 a 600 m/s. Cabe
mencionar que no se obtuvo información en frecuencias menores a 0.63 Hz en ninguna estación.
Como se muestra en la Figura AIII_39, se observó que no fue posible recuperar la función de Green
en pares con distancias mayores a 1730 m. En la Figura AIII_40 se muestra la curva de dispersión
obtenida en la parte causal y no causal en un par de estaciones, en la Figura AIII_41 se muestra el
filtrado múltiple correspondiente.

192
Figura AIII_39. Histograma que muestra las distancias entre pares de estaciones para todos lo pares
posibles del arreglo A19 (blanco) y para los pares donde no fue recuperada la función de Green
(rojo). Se puede observar una clara relación entre la distancia entre estaciones y la recuperabilidad
de la función de Green, la distancia máxima entre estaciones donde se recuperó la función de Green
fue de 1730 m.

Figura AIII_40. Curvas de dispersión obtenidas en la parte no causal (izquierda) y causal (derecha)
para la función de Green recuperada entre el par de estaciones CM324 y CM327. Los asteriscos
representan el picado manual.

193
Figura AIII_41. Filtrado múltiple del componente vertical de la función de Green recuperada en el
par de estaciones CM324-CM327. Las líneas rojas representan la envolvente.

En el arreglo A20 los tiempos de viaje fueron calculados utilizando la componente transversal de la
función de Green recuperada. En casi todos los pares de estaciones se obtuvieron pulsos
coherentes. Sin embargo, sólo en 86 fueron observados en un amplio rango de frecuencias, entre
0.59 y 1.45 Hz. Al estar localizado en zona de lomas, en este arreglo se observaron velocidades de
propagación más altas, hasta de 1100 m/s. Como se observa en la Figura AIII_42, en los pares de
estaciones donde los pulsos no fueron recuperados en rangos amplios de frecuencias las distancias
entre estaciones son menores a 1.7 km. En la Figura AIII_43 se muestra una curva de dispersión
obtenida en la parte causal de la función de Green recuperada en un par de estaciones, el filtrado
múltiple se muestra en la Figura AIII_44.

194
Figura AIII_42. Histograma que muestra la distancia entre estaciones de cada par formado en el
arreglo (blanco) y la distancia en los pares donde no fue recuperado un pulso coherente en el rango
de frecuencias de investigación. Se puede notar que las barras rojas se concentran en distancias
menores, posiblemente debido a las altas velocidades de grupo observadas.

Figura AIII_43. Curva de dispersión obtenida en la parte no causal de la función de Green recuperada
entre las estaciones CM329-CM342. Los asteriscos representan los picados manuales.

195
Figura AIII_44. Filtrado múltiple del componente transversal de la función de Green recuperada en
el par de estaciones CM329-CM342. Las líneas rojas representan la envolvente.

En el arreglo A21 se utilizaron las componentes transversales de la función de Green recuperada

para calcular los tiempos de viaje. De 153 pares de estaciones formados en el arreglo, se obtuvo un
pulso coherente en 87 de ellos. El rango de frecuencias fue de 0.58 a 1.44 Hz y las velocidades
estimadas de los trenes de onda variaron de 250 a 1000 m/s. De la misma en el arreglo A21, la mayor
cantidad de funciones de Green que no fueron recuperadas en rangos amplios de frecuencia
correspondieron a pares de estaciones con distancias menores a 1700 m. En la Figura AIII_45 se
muestra una curva de dispersión obtenida en la parte no causal de la función de Green recuperada
en un par de estaciones, el filtrado múltiple se muestra en la Figura AIII_46.

196
Figura AIII_45. Curva de dispersión obtenida en la parte no causal de la función de Green recuperada
en la componente transversal entre las estaciones CM352 y CM354. Los asteriscos representan los
picados manuales.

Figura AIII_46. Filtrado múltiple del componente transversal de la función de Green recuperada en
el par de estaciones CM352-CM354. Las líneas rojas representan la envolvente.

197
En el arreglo A22 se utilizaron las componentes transversales para calcular los tiempos de viaje. De
210 pares de estaciones formados en el arreglo, en 137 fue observado un pulso coherente en un
amplio rango de frecuencias (entre 0.55 y 1.46 Hz). En este arreglo se observó una proporción mayor
de funciones de Green no recuperadas en los pares con orientación NW-SE (azimuts de 135° ± 22.5°
o de 315° ± 22.5°), de 46 pares en esta dirección se obtuvo un pulso coherente en 22 de ellos. En
este caso no se observó una relación con la distancia. En la Figura AIII_47 se muestra la curva de
dispersión obtenida a partir del filtrado múltiple de la parte causal de la función de Green
recuperada entre dos estaciones, en la Figura AIII_48 se muestra el filtrado múltiple
correspondiente.

Figura AIII_47. Curva de dispersión obtenida en la parte causal de la función de Green recuperada
entre las estaciones CM370-CM375. Los asteriscos representan los picados manuales.

198
Figura AIII_48. Filtrado múltiple del componente transversal de la función de Green recuperada en
el par de estaciones CM370-CM375. Las líneas rojas representan la envolvente.

199
Anexo IV. Tomografías por arreglo.

Debido a las pocas trayectorias donde se recuperó la función de Green en los arreglos A2 y A3,
además de los diferentes rangos de frecuencia donde si fue recuperada, en estos arreglos no se
obtuvieron tomografías de tiempos de viaje. En el arreglo A4 el tamaño de celdas adecuado fue de
1800 m por lado, cabe destacar que en este arreglo dominan las trayectorias en dirección similar
Este-Oeste, siendo esta una posible causa por la cual no se obtuvieron buenos resultados con celdas
más chicas. En la Figura AIV_1 se muestra la prueba del tablero de ajedrez y la Figura AIV_2 se
muestran algunos ejemplos de las tomografías obtenidas en este arreglo. Las curvas de dispersión
de velocidad de grupo de ondas Rayleigh extraídas se muestran en la Figura AIV_3.

Figura AIV_1. Arriba, modelo inicial en la prueba del tablero de ajedrez. Abajo, modelo recuperado
en la prueba. Las líneas negras representan las trayectorias de los rayos donde se recuperó la
función de Green. La norme 𝐿2 del modelo recuperado fue 0.5608.

201
Figura AIV_2. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.38, 0.48, 0.58, 0.68 Hz del arreglo A4.

Figura AIV_3. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas de
las tomografías. Derecha. Con un círculo negro se señalan las celdas de donde fueron extraídas las
curvas de dispersión.

202
En el arreglo A5 el tamaño de celdas elegido fue de 600 m, en la Figura AIV_4 se muestra la prueba
del tablero de ajedrez llevada a cabo en este arreglo. En la Figura AIV_5 se muestran algunos
ejemplos de las tomografías de tiempos de viaje obtenidas en diferentes frecuencias. En la Figura
AIV_6 se muestran las curvas de dispersión de velocidad de grupo de ondas Love extraídas de la
tomografía. Todas estaciones de este arreglo se localizaron en zona de lago.

Figura AIV_4. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo
recuperado en la prueba. Las líneas negras representan las trayectorias de los rayos donde se
recuperó la función de Green. La norme 𝐿2 del modelo recuperado fue 0.9923.

203
Figura AIV_5. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.45, 0.55, 0.65, 0.75 Hz del arreglo A5.

Figura AIV_6. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de las
tomografías. Derecha. Con un círculo negro se señalan las celdas de donde fueron extraídas las
curvas de dispersión.

En el arreglo A6 el tamaño adecuado de las celdas fue de 1400 m, en la Figura AIV_7 se muestra la
prueba de tablero de ajedrez aplicada. En la Figura AIV_8 se muestran algunos ejemplos de las
tomografías de tiempos de viaje obtenidas en diferentes frecuencias y en la Figura AIV_9 se
muestran las curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas de la
tomografía. Todas las estaciones de este arreglo se localizaron en zona de lago.

204
Figura AIV_7. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo
recuperado en la prueba. Las líneas negras representan las trayectorias de los rayos donde se
recuperó la función de Green. La norme 𝐿2 del modelo recuperado fue 1.0371.

Figura AIV_8. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.38, 0.48, 0.58, 0.68 Hz del arreglo A6.

205
Figura AIV_9. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas de
las tomografías de tiempos de viaje. Derecha. Con un círculo se señalas las celdas donde fue posible
extraer las curvas de dispersión.

En la Figura AIV_10 se muestra la prueba del tablero de ajedrez hecha para las trayectorias del
arreglo A7 donde se recuperó la función de Green. A pesar de tener sólo 14 trayectorias en este
arreglo se observaron buenos resultados para celdas de 500 m por lado. En la Figura AIV_11 se
muestran algunas imágenes tomográficas obtenidas y en la Figura AIV_12 se muestran las curvas de
dispersión extraídas. Todas las estaciones de este arreglo se localizaron en zona de lago.

Figura AIV_10. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo
recuperado en la prueba. Las líneas negras representan las trayectorias de los rayos donde se
recuperó la función de Green. La norme 𝐿2 del modelo recuperado fue 0.1672.

206
Figura AIV_11. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.32, 0.42, 0.52, 0.62, 0.72, 0.82 Hz del arreglo A7.

Figura AIV_12. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías en el arreglo A7. Derecha. Con un círculo se señalan las celdas de donde fueron
extraídas las curvas de dispersión.

207
En el arreglo A8 el tamaño de celdas adecuado fue de 1100 m por lado, la prueba del tablero de
ajedrez realizada se muestra en la Figura AIV_13. Algunas imágenes de la inversión tomográfica se
muestran en la Figura AIV_14. En la Figura AIV_15 se muestran las curvas de dispersión extraídas.
Todas las estaciones de este arreglo se localizaron en zona de lago.

Figura AIV_13. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo
recuperado en la prueba. Las líneas negras representan las trayectorias de los rayos donde se
recuperó la función de Green. La norme 𝐿2 del modelo recuperado fue 1.1264

208
Figura AIV_14. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.45, 0.55, 0.65, 0.75, 0.85, 0.9 Hz del arreglo A8.

Figura AIV_15. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías de tiempos de viaje obtenidas en el arreglo A8. Con un círculo se señalan las
celdas de donde fueron extraídas las curvas.

La prueba del tablero de ajedrez aplicada en el arreglo A9, que se muestra en la Figura AIV_16,
determinó que celdas de 1000 m por lado eran adecuadas. En la Figura AIV_17 se observan algunas
tomografías obtenidas, se puede apreciar que las velocidades estimadas son mayores en la parte
oeste del arreglo, coincidiendo con las estaciones localizadas en el límite con la zona de lomas, según
el mapa mostrado en la Figura AIV_18. En la Figura AIV_19 se muestran las curvas de dispersión de
velocidad de grupo de ondas Love extraídas de las tomografías.

Figura AIV_16. Izquierda, modelo inicial en la prueba del tablero de ajedrez. Derecha, modelo
recuperado en la prueba. Las líneas negras representan las trayectorias de los rayos donde se
recuperó la función de Green. La norme 𝐿2 del modelo recuperado fue 0.8243.

209
Figura AIV_17. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.45, 0.55, 0.65, 0.75, Hz del arreglo A9.

Figura AIV_18. Distribución espacial de las estaciones que forman el arreglo A9. Las estaciones en la
parte oeste del arreglo se encuentran cercanas a la zona de lomas, en las tomografías obtenidas
mostradas en la Figura AIV_17 se observan velocidades más altas en las celdas que contienen estas
estaciones, siendo consistentes con la información geotécnica disponible.

210
Figura AIV_19. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de las
tomografías de tiempos de viaje obtenidas en el arreglo A9. Derecha. Con un círculo se señalan las
celdas de donde fueron extraídas las curvas.

En el arreglo A10 el tamaño adecuado de las celdas fue de 800 m por lado, en la Figura AIV_20 se
muestra la prueba del tablero de ajedrez realizada. Algunos ejemplos de la inversión tomográfica se
muestran en la Figura AIV_21. De la misma manera que el arreglo A10 se estimaron velocidades más
altas en las celdas cuyas estaciones contenidas se encontraban más cerca de las zonas de transición
y lomas, como se observa en el mapa de la Figura AIV_22. Por último, en la Figura AIV_23, se
muestran las curvas de dispersión de velocidad de grupo de ondas Love extraídas.

Figura AIV_20. Izquierda. Modelo inicial propuesto para la prueba del tablero de ajedrez en el
arreglo A10. Derecha. Modelo recuperado en la prueba. Las líneas negras representan las
trayectorias de los rayos donde se recuperó la función de Green. La norme 𝐿2 del modelo
recuperado fue 0.7636.

211
Figura AIV_21. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.47, 0.57, 0.67, 0.77, Hz del arreglo A10.

Figura AIV_22. Distribución espacial de las estaciones que forman el arreglo A10. Las estaciones en
la parte oeste del arreglo se encuentran en zona de transición y cerca de la zona de lomas, en las
tomografías obtenidas mostradas en la Figura AIV_21 se estimaron velocidades más altas en las

212
celdas que contienen estas estaciones, siendo consistentes con la información geotécnica
disponible, de la misma manera que el arreglo anterior.

Figura AIV_23. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de las
tomografías de tiempos de viaje obtenidas en el arreglo A10. Derecha. Con un círculo se señalan las
celdas de donde fueron extraídas las curvas.

En el arreglo A11 el tamaño adecuado de las celdas de 1000 m por lado, en la Figura AIV_24 se
muestra la prueba del tablero de ajedrez realizada. Algunos ejemplos de tomografías de tiempos de
viaje se muestran en la Figura AIV_25, en este arreglo no había estaciones cercanas a las zonas de
loma y transición por lo que no se observaron cambios bruscos de velocidad. Las curvas de
dispersión de velocidad de grupo de ondas Rayleigh extraídas se muestran en la Figura AIV_26.

Figura AIV_24. Izquierda. Modelo inicial propuesto para la prueba del tablero de ajedrez en el
arreglo A11. Derecha. Modelo recuperado en la prueba. Las líneas negras representan las

213
trayectorias de los rayos donde se recuperó la función de Green. La norme 𝐿2 del modelo
recuperado fue 0.6662.

Figura AIV_25. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.55, 0.65, 0.75, 0.85, Hz del arreglo A11.

Figura AIV_26. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías obtenidas en el arreglo A11. Derecha. Con un círculo se señalan las celdas de

214
donde fueron extraídas las curvas de dispersión. La celda ubicada en la parte central de la primera
columna no fue considerada ya que en algunas frecuencias la solución fue errática.

En el arreglo A12 el tamaño de las celdas adecuado fue de 900 m por lado, la prueba se muestra en
la Figura AIV_27. Algunos ejemplos de las tomografías de tiempos de viaje están en la Figura AIV_28,
las curvas de dispersión de velocidad de grupo de ondas Love extraídas se muestran en la Figura
AIV_29. Las estaciones de este arreglo se localizaron en zona de transición.

Figura AIV_27. Izquierda. Modelo inicial propuesto para la prueba del tablero de ajedrez en el
arreglo A11. Derecha. Modelo recuperado en la prueba. Las líneas negras representan las
trayectorias de los rayos donde se recuperó la función de Green. La norme 𝐿2 del modelo
recuperado fue 0.7743.

215
Figura AIV_28. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.51, 0.61, 0.71, 0.81, Hz del arreglo A12.

Figura AIV_29. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de las
tomografías obtenidas en el arreglo A12. Derecha. Con un círculo se señalan las celdas de donde
fueron extraídas las curvas de dispersión

En el arreglo A13 con la prueba de resolución se determinó que celdas de 600 m por lado era
adecuadas, la prueba se muestra en la Figura AIV_30. Algunos ejemplos de las tomografías
obtenidas se muestran en la Figura AIV_31. En el mapa de la Figura AIV_32 se aprecia que este

216
arreglo se localiza en las tres zonas geotécnicas, en las celdas que contenían estaciones en zona de
loma se obtuvieron resultados erráticos en la tomografía. Sin embargo, en las celdas que contenían
estaciones de zona de transición se observaron velocidades más altas respecto a las celdas que
contenían estaciones de zona de lago. En la Figura AIV_34 se muestran las curvas de dispersión
extraídas.

Figura AIV_30. Izquierda. Modelo inicial propuesto. Derecha. Modelo recuperado, las líneas negras
representan las trayectorias de los rayos donde se recuperó la función de Green. La norma 𝐿2 del
modelo recuperado fue 1.028.

217
Figura AIV_31. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.39, 0.49, 0.59 y 0.69 Hz del arreglo A13.

Figura AIV_32. Distribución espacial de las estaciones que forman el arreglo A13. Las estaciones se
localizan en las tres zonas geotécnicas, en las celdas que contenían estaciones en zona de loma no
se obtuvieron buenos resultados. Sin embargo, en las celdas que contenían estaciones en zona de
loma se estimaron velocidades más altas respecto a las celdas que contenían estaciones en zona de
lago.

Figura AIV_33. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías de tiempos de viaje obtenidas en el arreglo A13. Derecha. Con un círculo se
señalas las estaciones donde fueron extraídas las curvas.

Para el arreglo A14 el medio fue discretizado en celdas de 700 m por lado, según la prueba de
resolución aplicada mostrada en la Figura AIV_34. En la Figura AIV_35 se encuentran algunos

218
ejemplos de las tomografías obtenidas y el la Figura AIV_36 se muestran las curvas de dispersión de
ondas Rayleigh extraídas de las tomografías de tiempos de viaje. Las estaciones de este arreglo
estaban ubicadas en zona de lago.

Figura AIV_34. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias de los rayos donde se recuperó la función
de Green. La norma 𝐿2 fue de 0.8837.

Figura AIV_35. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.55, 0.65, 0.75 y 0.85 Hz del arreglo A14.

219
Figura AIV_36. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías de tiempos de viaje. Derecha. Con un círculo se señalan las celdas de donde fue
posible extraer alguna curva.

El tamaño adecuado de las celdas en el arreglo A15, según la prueba de resolución mostrada en la
Figura AIV_37, fue de 1000 m por lado. Como se puede apreciar en el mapa de la Figura AIV_38, en
la parte este del arreglo existe un área que corresponde a zona de lomas, específicamente a la Sierra
de Santa Catarina, los resultados obtenidos son consistentes en esta zona porque en las celdas
cercanas se estimaron velocidades más altas de propagación, mientras que en la zona sur se
encontraron velocidades correspondientes a zona de lago. En la Figura AIV_39 se encuentran
algunos ejemplos de las tomografías obtenidas y en la Figura AIV_40 las curvas de dispersión de
velocidad de grupo de ondas Love extraídas de las tomografías.

220
Figura AIV_37. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 0.7772.

Figura AIV_38. Distribución espacial de las estaciones que forman el arreglo A15. La zona de lomas
que se observa en el este corresponde a la Sierra de Santa Catarina.

221
Figura AIV_39. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.37, 0.47, 0.57 y 0.67 Hz del arreglo A15.

Figura AIV_40. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de las
tomografías de tiempos de viaje. Derecha. Con un círculo se señalan las celdas de donde fue posible
extraer las curvas.

En el arreglo A16 el tamaño adecuado de las celdas fue de 1100 m por lado, en la Figura AIV_41 se
muestra la prueba realizada. Algunos ejemplos de las tomografías obtenidas se muestran en la
Figura AIV_42. Las curvas de dispersión de velocidad de grupo de ondas Love se muestran en la
Figura AIV_43. La mayoría de las estaciones que formaron este arreglo se localizaron en zona de
transición.

222
Figura AIV_41. Izquierda. Modelo inicial propuesto en la prueba de resolución. Modelo recuperado,
las líneas negras representan las trayectorias donde fue recuperada la función de Green. La norma
𝐿2 fue de 1.1235.

Figura AIV_42. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.55, 0.65, 0.75 y 0.85 Hz del arreglo A16.

Figura AIV_43. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías de tiempos de viaje. Derecha. Con un círculo se señalan las celdas de donde fue
posible extraer las curvas.

223
En el arreglo A17, con la prueba de resolución que se observa en la Figura AIV_44, se determinó un
tamaño de celda adecuado de 800 m. En la Figura AIV_45 se encuentran algunos de los ejemplos de
las tomografías obtenidas en este arreglo, en este arreglo también se observó una mayor velocidad
de propagación en las celdas que contenían estaciones en zona de lomas, localizadas en la parte
este del arreglo. En la Figura AIV_46 se muestran las curvas de dispersión de velocidad de grupo de
ondas Rayleigh extraídas.

Figura AIV_44. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 0.8686.

224
Figura AIV_45. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.55, 0.65, 0.75 y 0.85 Hz del arreglo A17.

Figura AIV_46. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías estimadas en el arreglo A17. Derecha. Con un círculo se señalan las celdas
donde fue posible extraer las curvas de dispersión.

225
En el arreglo A18 el tamaño de las celdas adecuado fue de 1000 m por lado, según la prueba
mostrada en la Figura AIV_47. Algunos ejemplos de las tomografías obtenidas se muestran en la
Figura AIV_48, en este arreglo fue complicado recuperar información en la parte sur y suroeste,
donde las estaciones se encuentran cercanas en la zona de loma. Sin embargo, se observaron
velocidades más altas en esta parte, las curvas de dispersión extraídas se muestran en la Figura
AIV_49.

Figura AIV_47. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 1.1108

226
Figura AIV_48. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.45, 0.55, 0.65 y 0.75 Hz del arreglo A18.

Figura AIV_49. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Rayleigh extraídas
de las tomografías estimadas en el arreglo A18. Derecha. Con un círculo se señalan las celdas
donde fue posible extraer las curvas de dispersión.

En el arreglo A19 el tamaño de celdas adecuado fue de 650 m por lado, según la prueba de
resolución mostrada en la Figura AIV_50. En este arreglo se observaron variaciones muy pequeñas
de velocidad en todas las frecuencias e incluso en su distribución lateral. En la Figura AIV_51 se
muestran algunos ejemplos de las tomografías obtenidas y en la Figura AIV_52 las curvas de
dispersión de velocidad de grupo de ondas Love extraídas. La mayoría de las estaciones que forman
este arreglo se encuentran en zona de transición.

Figura AIV_50. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 0.7453.

227
Figura AIV_51. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.75, 0.85, 0.95 y 1.05 Hz del arreglo A19.

Figura AIV_52. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de
las tomografías obtenidas en el arreglo A19. Derecha. Con un círculo se señalan las celdas donde
fue posible extraer las curvas de dispersión.

228
En el arreglo A20 el tamaño de celdas adecuado fue de 750 m, la prueba de resolución se muestra
en la Figura AIV_53. En este arreglo se observó poca variación lateral de velocidades, algunos
ejemplos de las tomografías obtenidas están en la Figura AIV_54. Las curvas de dispersión de
velocidad de grupo de ondas Love extraídas se muestran en la Figura AIV_55. Según el mapa de
microzonificación geotécnica las estaciones que forman este arreglo se encuentran en zona de
lomas.

Figura AIV_53. Izquierda. Modelo inicial propuesto en la prueba de resolución. Derecha. Modelo
recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 1.3726.

229
Figura AIV_54. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.59, 0.69, 0.79 y 0.89 Hz del arreglo A19.

Figura AIV_55. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de
las tomografías obtenidas en el arreglo A20. Derecha. Con un círculo se señalan las celdas donde
fue posible extraer las curvas de dispersión.

En el arreglo A21 se obtuvieron mejores resultados con celdas de 750 m por lado, como se muestra
en la prueba de resolución de la Figura AIV_56. Este arreglo se localizaba en zona de transición, las
estaciones al este limitaban con la zona de lago y en estas celdas en general se observaron
velocidades más bajas. En la Figura AIV_57 se muestran algunos ejemplos de las tomografías
obtenidas. Las curvas de dispersión de velocidad de grupo de ondas Love extraídas se muestran en
la Figura AIV_58.

Figura AIV_56. Izquierda. Modelo inicial propuesto en la prueba de resolución. Modelo

recuperado, las líneas negras representan las trayectorias donde fue recuperada la función de
Green. La norma 𝐿2 fue de 1.3929

230
Figura AIV_57. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.58, 0.68, 0.78 y 0.88 Hz.

Figura AIV_58. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de
las tomografías obtenidas en el arreglo A21. Derecha. Con un círculo se señalan las celdas donde
fue posible extraer las curvas de dispersión.

231
En el arreglo A22 el tamaño de celdas adecuado fue de 750 m por lado, en la Figura AIV_59 se
muestra la prueba de resolución realizada. Como se muestra en el mapa de la Figura AIV_60, este
arreglo se encuentra en las zonas de transición y de lago, las velocidades estimadas en las
tomografías fueron consistentes con la zonificación geotécnica obteniendo velocidades más altas
en la zona de transición, en la Figura AIV_61 se muestran algunos ejemplos de las tomografías
obtenidas. Por último, en la Figura AIV_62 se encuentran las curvas de dispersión de velocidad de
grupo de ondas Love extraídas de las tomografías en este arreglo.

Figura AIV_59. Izquierda. Modelo inicial propuesto en la prueba de resolución. Modelo recuperado,
las líneas negras representan las trayectorias donde fue recuperada la función de Green. La norma
𝐿2 fue de 1.1003.

Figura AIV_60. Distribución espacial de las estaciones que forman el arreglo A22, en el este las
estaciones se encuentran en zona de lago, en esta zona se observaron velocidades de propagación

232
menores respecto al lado oeste, donde las estaciones se localizan en zona de transición.

Figura AIV_61. Tomografías obtenidas a partir de la inversión de los tiempos de viaje calculados en
las frecuencias 0.58, 0.68, 0.78 y 0.88 Hz.

Figura AIV_62. Izquierda. Curvas de dispersión de velocidad de grupo de ondas Love extraídas de
las tomografías obtenidas en el arreglo A22. Derecha. Con un círculo se señalan las celdas donde
fue posible extraer las curvas de dispersión.

233
Anexo V. Inversión por clúster.

Clúster 2

En este clúster la inversión conjunta fue llevada a cabo utilizando los cocientes espectrales HVSR
calculados en la estación CM158 y la curva de dispersión de velocidad de grupo de ondas Rayleigh
estimada en la celda que la contenía y que pertenece al arreglo A11. Debido a que no se contaba
con información a priori cercana, el modelo inicial fue construido variando el modelo obtenido de
la inversión conjunta en el clúster10. En la Figura AV_1 se muestra el mejor ajuste obtenido en el
HVSR y en la curva de dispersión en la inversión conjunta.

Figura AV_1. Izquierda. La línea negra representa el cociente espectral estimado en la estación
CM148, la línea roja representa el mejor ajuste obtenido de la inversión. La desviación estándar
simulada representa el 15% de variación de la amplitud del cociente HVSR, usado como parámetro
en la inversión. El error relativo del mejor ajuste es de 17.71%. Derecha. La línea negra representa
la curva de dispersión de velocidad de grupo de ondas Rayleigh recuperada en la celda elegida del
arreglo A11, la línea roja representa el mejor ajuste obtenido de la inversión. En este caso, la
desviación estándar simulada se refiere a la aleatoriedad (alrededor de ±10%) observada en los
tiempos de viaje en el proceso de inversión tomográfica. El error relativo del ajuste es de 9.48%.

El modelo de velocidad de onda de corte obtenido, así como el kernel de sensitividad calculado se
muestran en la Figura AV_2. Del kernel de sensitividad de la curva de dispersión se concluye que la
profundidad de investigación alcanzada por el modelo es de 250 m, aproximadamente. Por otro
lado, al cortar el modelo a diferentes profundidades se observó que el ancho del pulso en los
cocientes espectrales era sensible hasta 300 m, aproximadamente. En resumen, se puede decir que

234
el modelo obtenido de la inversión conjunta de los cocientes espectrales HVSR calculados en la
estación CM158 y la curva de dispersión de velocidad de grupo de ondas Rayleigh estimada en la
celda que contenía esta estación alcanzó los 300 m de profundidad de investigación.

Este clúster incluyó todas las celdas de los arreglos A11 y A19, además de la mayor parte de las del
arreglo A16. En total se estimaron 24 modelos 1-D de velocidad de onda de corte. Además, se
observó que en la inversión de las curvas de dispersión de ondas Love (arreglos, A16 y A19) se
alcanzó una profundidad significativamente menor, alrededor de 180 m, respecto a la inversión de
las curvas de dispersión de ondas Rayleigh (A11). En las Figuras C_3 y C_4 se muestran dos ejemplos
de los modelos obtenidos, así como su ajuste y su kernel de sensitividad. En la Figura AV_5 se
muestran los modelos de velocidad estimados en este clúster considerando la profundidad de
investigación sugerida por los kernels de sensitividad.

Figura AV_2. Izquierda. Modelo de velocidades obtenido de la inversión conjunta de los cocientes
espectrales HVSR calculados en la estación CM158 y la curva de dispersión de velocidad de grupo
de ondas Rayleigh estimada con la inversión tomográfica en la celda que contiene esta estación en
el arreglo A11 y cuyos ajustes se muestran en la Figura 164. Derecha. Kernel de sensitividad
estimado dentro del rango de las frecuencias donde fue recuperada la curva de dispersión de
velocidad de grupo de ondas Rayleigh. Se puede observar que, según el modelo, hay cambios en la

235
velocidad de grupo a perturbaciones en la velocidad de onda de corte hasta una profundidad de
~250 metros.

C_3. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a partir de la
tomografía de tiempos de viaje en una celda del arreglo A6. En rojo, mejor ajuste obtenido en la
inversión. b) Modelo de velocidad 1-D obtenido de la inversión a profundidad. c) Kernel de
sensitividad estimado del modelo resultante en el rango de frecuencias donde fue observada la
dispersión.

236
C_4. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a partir de la
tomografía de tiempos de viaje en una celda del arreglo A19. En rojo, mejor ajuste obtenido en la
inversión. b) Modelo de velocidad 1-D obtenido de la inversión a profundidad. c) Kernel de
sensitividad estimado del modelo resultante en el rango de frecuencias donde fue observada la
dispersión.

237
Figura AV_5. Modelos de velocidad de onda de corte 1-D obtenidos al invertir las curvas de
dispersión contenidas en el clúster 2.

Clúster 6

En el clúster 6 la inversión conjunta se llevó a cabo con el cociente espectral HVSR calculado en la
estación CM133 y la curva de dispersión de velocidad de grupo de ondas Love recuperada en la celda
del arreglo A10 que contenía esta estación. En la Figura AV_6 se muestra el mejor ajuste obtenido
en el HVSR y en la curva de dispersión, mientras que el modelo resultante y el kernel de sensitividad
se muestran en la Figura AV_7. En el modelo resultante se observa que la primera capa tiene un
espesor de aproximadamente 10 metros. A partir de un análisis de la curva de dispersión donde se
perturbo la velocidad de esta capa se determinó que la curva de dispersión no era capaz de
resolverla. Por otro lado, se analizó el modelo directo de los cocientes espectrales y se observó que
las características geométricas y elásticas de esta capa eran fundamentales para el ajuste de los
cocientes espectrales teóricos a los observados. Con base en estas observaciones se decidió invertir

238
de manera conjunta todas las curvas de dispersión de velocidad de grupo de ondas Love de este
clúster con los cocientes espectrales HVSR que les correspondieran según cada celda.

Figura AV_6. Izquierda. La línea negra representa el cociente espectral estimado en la estación
CM133, la línea roja representa el mejor ajuste obtenido de la inversión. La desviación estándar
simulada representa el 15% de variación de la amplitud del cociente HVSR, usado como parámetro
en la inversión. El error relativo del mejor ajuste es de 10.903%. Derecha. La línea negra representa
la curva de dispersión de velocidad de grupo de ondas Love recuperada en la celda elegida del
arreglo A10, la línea roja representa el mejor ajuste obtenido de la inversión. En este caso, la
desviación estándar simulada se refiere a la aleatoriedad (alrededor de ±10%) observada en los
tiempos de viaje en el proceso de inversión tomográfica. El error relativo del ajuste es de 4.1164%.

239
Figura AV_7. Izquierda. Modelo de velocidades obtenido de la inversión conjunta de los cocientes
espectrales HVSR calculados en la estación CM133 y la curva de dispersión de velocidad de grupo
de ondas Love estimada con la inversión tomográfica en la celda que contiene esta estación en el
arreglo A10 y cuyos ajustes se muestran en la Figura AV_6. Derecha. Kernel de sensitividad estimado
dentro del rango de las frecuencias donde fue recuperada la curva de dispersión. La profundidad de
investigación alcanzada es de aproximadamente 400 m.

En las Figuras C_8 y C_9 se muestran dos ejemplos del proceso de inversión y de los modelos
obtenidos en otras celdas. Este clúster sólo incluyó todas las celdas del arreglo A10 y una del arreglo
A12. En total se obtuvieron 9 modelos 1-D de velocidad de onda de corte que se presentan en la
Figura AV_10.

Figura AV_8. a) La línea negra representa el HVSR calculado en la estación CM136. La línea roja
representa el mejor ajuste obtenido en la inversión. El error relativo fue del 5.59%. b) La línea negra
representa la curva de dispersión de velocidad de grupo de ondas Love recuperada a partir de la

240
tomografía en la celda que contiene a la estación CM136, del arreglo A10. La línea roja representa
el mejor ajuste obtenido. El error relativo fue del 6.82%. c) Modelo de velocidades obtenido de la
inversión conjunta. d) Kernel de sensitividad calculado para el modelo resultante en el rango de
frecuencias donde fue observada la dispersión. La profundidad de investigación es de aprox. 350m.

Figura AV_9. a) La línea negra representa el HVSR calculado en la estación CM133. La línea roja
representa el mejor ajuste obtenido en la inversión. El error relativo fue del 9.63%. b) La línea negra
representa la curva de dispersión de velocidad de grupo de ondas Love recuperada a partir de la
tomografía en la celda que contiene a la estación CM136, del arreglo A10. La línea roja representa
el mejor ajuste obtenido. El error relativo fue del 3.06%. c) Modelo de velocidades obtenido de la
inversión conjunta. d) Kernel de sensitividad calculado para el modelo resultante en el rango de
frecuencias donde fue observada la dispersión. La profundidad de investigación es de aprox. 450m.

241
Figura AV_10. Modelos de velocidad de onda de corte 1-D obtenidos al invertir las curvas de
dispersión contenidas en el clúster 6.

Clúster 7

En este clúster se agruparon HVSR que en conjunto presentaron grandes variaciones en el valor de
sus frecuencias características estimadas, prueba de ello es el valor del índice Inter cuartil (IQR) y
los percentiles 10 y 90 mostrados en la Tabla 3. Por este motivo se tomaron estrategias diferentes
de inversión para los arreglos contenidos en este clúster, A17 y A18.

El arreglo A17 fue dividido en dos zonas, sur y norte. En la zona sur, en donde se agruparon
frecuencias características de 0.9 Hz en promedio, se realizó una inversión conjunta entre el
cociente espectral HVSR calculado en la estación CM275 y la curva de dispersión correspondiente,
y se utilizó el modelo resultante como modelo inicial para invertir el resto de las curvas de esta zona.
En la Figura AV_11 se muestra el ajuste obtenido en la inversión conjunta, así como los modelos
obtenidos y el kernel de sensitividad. En las celdas ubicadas en la zona norte, donde se agruparon
frecuencias características entre 0.2 y 0.4 Hz, aquí se utilizó el modelo inicial obtenido de la inversión

242
conjunta en el clúster 10. En la Figura AV_12 se muestra un ejemplo del procedimiento llevado a
cabo en la zona norte. En el arreglo A18 se decidió invertir todas las curvas de dispersión estimadas
de manera conjunta con los cocientes espectrales correspondientes, en la Figura AV_13 se muestra
un ejemplo del procedimiento.

Figura AV_11. a) La línea negra representa el HVSR calculado en la estación CM275. La línea roja
representa el mejor ajuste obtenido en la inversión. El error relativo fue del 19.39%. b) La línea negra
representa la curva de dispersión de velocidad de grupo de ondas Love recuperada a partir de la
tomografía en la celda que contiene a la estación CM275 del arreglo A10. La línea roja representa el
mejor ajuste obtenido. El error relativo fue del 4.48%. c) Modelo de velocidades obtenido de la
inversión conjunta. d) Kernel de sensitividad calculado para el modelo resultante en el rango de
frecuencias donde fue observada la dispersión. La profundidad de investigación es de aprox. 400m.
El modelo resultante fue utilizado para invertir las curvas de dispersión localizadas en la zona sur
del arreglo A17.

243
Figura AV_12. a) En negro, curva de dispersión de velocidad de grupo de ondas Rayleigh estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A17. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 2.46%. b) Modelo de velocidad 1-D obtenido de la
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión. En este caso, se utilizó como modelo inicial el
modelo resultante en la inversión conjunta del clúster 10.

244
Figura AV_13. Ejemplo de inversión conjunta en el arreglo A18. a) La línea negra representa el HVSR
calculado en la estación CM275. La línea roja representa el mejor ajuste obtenido en la inversión. El
error relativo fue del 13.02%. b) La línea negra representa la curva de dispersión de velocidad de
grupo de ondas Love recuperada a partir de la tomografía en la celda que contiene a la estación
CM275 del arreglo A10. La línea roja representa el mejor ajuste obtenido. El error relativo fue del
6.35%. c) Modelo de velocidades obtenido de la inversión conjunta. d) Kernel de sensitividad
calculado para el modelo resultante en el rango de frecuencias donde fue observada la dispersión.
La profundidad de investigación es de aproximadamente 400m.

En este clúster se obtuvieron 23 modelos 1-D de velocidad de onda de corte que se pueden observar
en la Figura AV_14. Los modelos obtenidos presentaron una gran variabilidad, como consecuencia

245
en los kernel de sensitividad calculados se obtuvieron profundidades de investigación desde 200 m
hasta más de 300 m, en la Figura AV_14 se considera la profundidad de investigación mínima.

Figura AV_14. Modelos de velocidad de onda de corte 1-D obtenidos al invertir las curvas de
dispersión contenidas en el clúster 7.

Clúster 4 y Arreglo A13

El Clúster 4 agrupó estaciones localizadas en la zona de transición al sur del clúster 10,
principalmente estaciones del arreglo A4. También incluyó algunas estaciones pertenecientes a los
arreglos A15, A16, A17, A18. Sin embargo, las celdas en donde se ubicaron estaban dominadas por
estaciones pertenecientes a otro clúster, por lo que no fueron consideradas. En la inversión
tomográfica llevada a cabo en el arreglo A4 fue necesario utilizar celdas grandes (1.8 km por lado),
en comparación con el resto de los arreglos, ocasionando que en una misma celda se localicen hasta
seis estaciones. Además, entre estaciones vecinas se observaron variaciones bruscas en la forma de

246
los cocientes espectrales HVSR y en las frecuencias características estimadas. Por estos motivos no
se consideró conveniente hacer alguna inversión conjunta en este arreglo. Entonces, para darle
continuidad a los modelos, estas curvas se invirtieron tomando como modelo inicial los modelos de
velocidades estimados más cercanos, permitiendo variar los parámetros en rangos más amplios. En
la Figura AV_15 se muestra un ejemplo de los resultados obtenidos en una inversión.

Figura AV_15. a) En negro, curva de dispersión de velocidad de grupo de ondas Rayleigh estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A4. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 3.7383%. b) Modelo de velocidad 1-D obtenido de la
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión.

247
El arreglo A13 comprende la zona de transición localizada al norte de clúster 10. En la agrupación
por clustering tres estaciones localizadas en la zona suroeste del arreglo se incluyeron en el clúster
10, las demás no fueron incluidas en ningún otro clúster. Los cocientes espectrales HVSR calculados
en este arreglo presentaron formas irregulares, picos no claros y cambios bruscos en las frecuencias
características estimadas. Por este motivo, se decidió seguir la estrategia empleada en el clúster 4
tomando como modelo inicial los modelos de velocidades estimados más cercanos. En la Figura
AV_16 se muestran los resultados obtenidos al invertir una curva de dispersión. En total, en esta
etapa se obtuvieron 25 modelos 1-D de velocidad de onda de corte que se muestran en la Figura
AV_17.

248
Figura AV_16. a) En negro, curva de dispersión de velocidad de grupo de ondas Rayleigh estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A13. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 3.84%. b) Modelo de velocidad 1-D obtenido de la
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión.

Figura AV_17. Modelos 1-D de velocidad de onda de corte estimados en el clúster4 y en el arreglo
A13.

Clúster 1, 9 y Arreglo A20

Como se puede observar en la Tabla 4 y en la Figura 157 el clúster 9 está conformado por 9
estaciones consecutivas al clúster 1. Por la forma que se agruparon estas estaciones, las celdas en
donde se encontraban existían estaciones pertenecientes al clúster 1, por este motivo los clústeres
1 y 9 fueron tratados como uno solo. Este clúster incluyó al arreglo A21 que se ubicó a
aproximadamente 2 km del pozo Copilco-1, esto permitió proponer un modelo inicial basado en la
descripción litológica del pozo hecha por González-Torres et al. (2015) y en las velocidades y

249
densidades reportadas por Pérez-Cruz (1986). Entonces se eligió la curva de dispersión estimada en
la celda más cercana al pozo y el cociente espectral calculado en la estación CM356 (contenido en
esta celda) para llevar a cabo la inversión conjunta.

En la Figura AV_18 se muestran los ajustes obtenidos y en la Figura AV_19 el modelo de velocidad
estimado y su kernel de sensitividad. En la Figura AV_20 se presenta un ejemplo del proceso de
inversión de una curva de dispersión recuperada en el arreglo A22. Por otro lado, el arreglo A20 se
localizó en zona de lomas según el mapa de zonificación geotécnica, los cocientes espectrales
calculados en los registros del arreglo presentaron bajas amplitudes y frecuencias características no
congruentes, por lo que no fueron consideradas en el análisis de clustering. Sin embargo, su
ubicación a un lado del arreglo A21 permitió utilizar los modelos de velocidad estimados más
cercanos como modelo inicial. En la Figura AV_21 se muestra el proceso de inversión para una curva
de dispersión del arreglo A20. En esta etapa se invirtieron las curvas de dispersión pendientes en el
arreglo A12 y todas las curvas estimadas en los arreglos A20, A21 y A22. En la Figura AV_22 se
muestran los 37 modelos 1-D de velocidad estimados en este clúster a las profundidades de
investigación según los kernels de sensitividad.

Figura AV_18. Izquierda. La línea negra representa el cociente espectral estimado en la estación
CM356, la línea roja representa el mejor ajuste obtenido de la inversión. La desviación estándar
simulada representa el 15% de variación de la amplitud del cociente HVSR, usado como parámetro
en la inversión. El error relativo del mejor ajuste es de 11.79%. Derecha. La línea negra representa
la curva de dispersión de velocidad de grupo de ondas Love recuperada en la celda elegida del

250
arreglo A21, la línea roja representa el mejor ajuste obtenido de la inversión. En este caso, la
desviación estándar simulada se refiere a la aleatoriedad (alrededor de ±10%) observada en los
tiempos de viaje en el proceso de inversión tomográfica. El error relativo del mejor ajuste fue de
6.9%.

Figura AV_19. Izquierda. Modelo de velocidades obtenido de la inversión conjunta de los cocientes
espectrales HVSR obtenidos en la estación CM356 y la curva de dispersión de velocidad de grupo de
ondas Love estimada con la inversión tomográfica en la misma celda que contiene esta estación en
el arreglo A21, cuyos ajustes se muestran en la Figura AV_18. Derecha. Kernel de sensitividad
estimado dentro del rango de las frecuencias donde fue recuperada la curva de dispersión de
velocidad de grupo de ondas Love.

251
Figura AV_20. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A22. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 1.21%. b) Modelo de velocidad 1-D obtenido de la
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión.

252
Figura AV_21. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A20. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 1.98%. b) Modelo de velocidad 1-D obtenido de la
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión.

253
Figura AV_22. Modelos 1-D de velocidad de onda de corte obtenidos al invertir las curvas de
dispersión contenidas en el clúster 1, 9 y en el arreglo A20.

Clúster 3

Debido a la distancia con los demás arreglos, en este clúster se agruparon todas las estaciones del
arreglo A1. Las frecuencias características en este arreglo se pueden considerar homogéneas por lo
que solo fue realizada una inversión conjunta utilizando el cociente espectral calculado en la
estación CM007 y la curva de dispersión de velocidad de grupo de ondas Rayleigh estimada en la
celda que contiene esa estación. En la Figura AV_23 se muestran los mejores ajustes obtenidos en
la inversión conjunta, mientras que en la Figura AV_24 se presenta el modelo resultante y el kernel
de sensitividad calculado. El modelo resultante fue utilizado como modelo inicial al invertir las
curvas de dispersión restantes en el arreglo, un ejemplo del procedimiento con otra curva se
muestra en la Figura AV_25. Por último, en la Figura AV_26 se pueden observar los 12 modelos 1-D
estimados en este clúster.

254
Figura AV_23. Izquierda. La línea negra representa el cociente espectral estimado en la estación
CM007, la línea roja representa el mejor ajuste obtenido de la inversión. El error relativo del mejor
ajuste es de 21%. Derecha. La línea negra representa la curva de dispersión de velocidad de grupo
de ondas Love recuperada en la celda elegida del arreglo A1, la línea roja representa el mejor ajuste
obtenido de la inversión. En este caso, la desviación estándar simulada se refiere a la aleatoriedad
(alrededor del ±10%) observada en los tiempos de viaje en el proceso de inversión tomográfica. El
error relativo del mejor ajuste fue de 6.3%.

255
Figura AV_24. Izquierda. Modelo de velocidades obtenido de la inversión conjunta de los cocientes
espectrales HVSR obtenidos en la estación CM007 y la curva de dispersión de velocidad de grupo de
ondas Love estimada con la inversión tomográfica en la misma celda que contiene esta estación en
el arreglo A1, cuyos ajustes se muestran en la Figura AV_23. Derecha. Kernel de sensitividad
estimado dentro del rango de las frecuencias donde fue recuperada la curva de dispersión de
velocidad de grupo de ondas Love.

Figura AV_25. a) En negro, curva de dispersión de velocidad de grupo de ondas Love estimada a
partir de la tomografía de tiempos de viaje en una celda del arreglo A20. En rojo, mejor ajuste
obtenido en la inversión. El error relativo fue 2.42%. b) Modelo de velocidad 1-D obtenido de la

256
inversión a profundidad. c) Kernel de sensitividad estimado del modelo resultante en el rango de
frecuencias donde fue observada la dispersión.

Figura AV_26. Modelos de velocidad 1-D estimados en el clúster 3.

257
Anexo VI. Frecuencias características estimadas por estación

Estación X (UTM) Y (UTM) f0 Arreglo

CM001 504728 2123721 1.375 A1
CM002 504708 2124577 0.425 A1
CM003 504370 2124913 0.292 A1
CM004 504447 2124293 0.325 A1
CM005 503866 2124785 1.008 A1
CM006 503738 2124125 1.192 A1
CM007 503919 2125490 0.242 A1
CM008 503824 2126171 0.217 A1
CM009 503763 2125742 0.258 A1
CM010 503258 2125772 0.258 A1
CM011 503345 2125294 0.533 A1
CM012 502788 2124737 0.225 A1
CM013 503010 2124154 0.275 A1
CM014 502656 2125012 0.250 A1
CM015 502354 2125406 0.258 A1
CM016 502202 2124631 0.100 A1
CM017 501852 2125090 0.242 A1
CM018 501194 2125199 0.233 A1
CM019 501381 2125912 0.217 A2
CM020 501656 2126371 0.208 A2
CM021 500661 2126868 0.225 A2
CM022 500050 2127641 0.242 A2
CM023 499316 2128495 0.242 A2
CM024 498911 2128123 2.200 A2
CM025 498489 2128508 0.208 A2
CM026 499199 2129045 0.517 A2
CM027 499558 2129409 0.350 A2
CM028 499565 2129895 0.192 A2
CM029 499556 2130566 0.183 A2
CM030 498452 2129787 0.200 A2
CM031 498128 2129111 0.217 A2
CM032 497814 2129290 0.200 A2
CM033 498275 2129598 0.192 A2
CM034 497159 2129997 0.208 A2
CM035 497277 2129474 0.217 A2
CM036 496117 2129358 2.442 A2
CM037 498657 2132583 0.175 A3

259
CM038 499908 2131677 0.100 A3
CM039 500254 2133104 1.733 A3
CM040 499473 2132763 0.642 A3
CM041 498915 2132685 0.183 A3
CM042 499739 2133495 1.292 A3
CM043 502989 2134792 1.100 A3
CM044 503337 2134866 0.192 A3
CM045 503938 2134889 0.183 A3
CM046 503586 2135158 0.200 A3
CM047 503224 2135132 0.192 A3
CM048 503314 2135499 3.350 A3
CM049 498639 2132773 0.492 A3
CM050 498520 2133448 3.517 A3
CM051 498314 2133233 0.183 A3
CM052 498470 2133975 0.192 A3
CM053 497917 2133891 2.358 A3
CM054 497706 2133549 0.183 A3
CM055 494892 2129079 2.433 A4
CM056 494600 2128730 0.175 A4
CM057 494056 2128765 1.292 A4
CM058 493766 2128373 3.083 A4
CM059 493547 2128969 1.667 A4
CM060 493143 2129306 2.600 A4
CM061 492617 2129061 1.033 A4
CM062 491961 2128743 0.442 A4
CM063 491717 2128408 0.442 A4
CM064 491210 2128015 0.742 A4
CM065 491445 2128877 0.392 A4
CM066 491607 2129447 0.250 A4
CM068 490897 2128541 0.458 A4
CM069 490394 2128609 0.450 A4
CM070 489817 2128517 0.200 A4
CM071 490516 2128370 0.500 A4
CM072 490357 2128087 0.633 A4
CM073 490298 2128796 0.400 A5
CM074 489775 2128713 0.392 A5
CM075 489588 2128596 1.183 A5
CM076 489060 2128771 0.467 A5
CM077 489655 2128924 0.408 A5
CM078 489319 2128989 0.392 A5
CM079 489555 2129195 0.300 A5

260
CM080 488715 2129226 0.475 A5
CM081 489160 2129503 0.308 A5
CM082 489317 2129643 0.317 A5
CM083 488392 2129409 0.492 A5
CM084 488671 2129737 0.358 A5
CM085 488897 2130001 0.317 A5
CM086 488480 2130092 0.417 A5
CM087 489181 2130380 0.283 A5
CM088 488891 2130330 0.308 A5
CM089 488119 2130085 0.475 A5
CM090 488307 2130517 0.425 A5
CM181 492656 2130441 0.200 A6
CM182 492201 2130221 0.225 A6
CM183 492323 2129956 0.192 A6
CM184 492565 2129506 0.842 A6
CM185 493435 2129496 1.383 A6
CM186 493633 2130137 0.192 A6
CM187 494086 2129162 0.825 A6
CM188 494856 2129381 0.808 A6
CM189 495520 2129399 1.150 A6
CM190 496126 2130473 0.158 A6
CM191 495610 2131024 0.175 A6
CM192 495217 2131008 0.167 A6
CM193 493802 2131558 0.183 A6
CM194 492026 2131737 0.225 A6
CM195 492663 2132185 0.225 A6
CM196 491084 2133066 0.283 A7
CM197 491517 2132980 0.267 A7
CM198 490817 2132726 0.292 A7
CM199 490932 2133421 0.308 A7
CM200 491341 2132557 0.267 A7
CM201 491447 2132231 0.275 A7
CM091 491980 2132639 0.233 A8
CM092 491020 2133877 0.317 A8
CM094 490149 2133919 0.350 A8
CM095 490308 2132132 0.283 A8
CM096 491364 2131481 0.233 A8
CM097 489222 2132912 0.408 A8
CM098 489190 2132292 0.342 A8
CM099 489119 2131074 0.300 A8
CM100 490155 2131167 0.250 A8

261
CM101 491008 2131187 0.242 A8
CM102 489876 2130029 0.250 A8
CM103 489927 2129092 0.325 A8
CM104 490519 2130131 0.233 A8
CM105 491375 2130446 0.217 A8
CM106 491085 2129694 0.250 A8
CM107 490556 2129418 0.250 A8
CM108 490995 2129014 0.225 A8
CM109 488489 2130686 0.383 A9
CM110 488401 2130872 0.400 A9
CM111 487625 2130341 0.600 A9
CM112 487887 2130666 0.533 A9
CM113 488025 2131148 0.450 A9
CM114 487634 2131490 0.525 A9
CM116 488700 2131848 0.358 A9
CM117 487940 2131488 0.442 A9
CM118 488366 2131998 0.433 A9
CM119 487395 2131868 0.600 A9
CM120 487847 2132613 0.625 A9
CM121 486462 2130981 0.758 A9
CM122 487091 2130665 0.667 A9
CM123 487269 2131000 0.583 A9
CM124 486603 2131426 0.708 A9
CM125 487003 2132121 0.717 A9
CM126 485924 2132004 0.958 A9
CM127 487780 2133391 0.675 A10
CM128 487272 2133178 0.733 A10
CM129 486918 2132651 0.817 A10
CM130 486427 2133130 1.150 A10
CM131 486986 2133756 0.867 A10
CM132 487679 2133814 0.725 A10
CM133 485766 2133116 1.058 A10
CM134 486042 2132603 0.917 A10
CM135 485297 2132251 0.933 A10
CM136 485411 2132841 0.975 A10
CM137 484985 2132940 1.175 A10
CM138 485211 2133471 1.242 A10
CM139 485332 2133723 1.267 A10
CM140 485303 2134348 1.267 A10
CM141 485929 2134848 1.075 A10
CM142 486060 2134258 1.125 A10

262
CM143 486725 2134026 0.967 A10
CM144 486412 2133789 0.942 A10
CM145 488236 2133542 0.583 A11
CM146 489063 2133400 0.433 A11
CM147 488546 2134231 0.558 A11
CM148 489214 2134040 0.417 A11
CM149 489240 2134847 0.433 A11
CM150 488667 2133912 0.500 A11
CM151 488277 2133915 0.650 A11
CM152 488366 2134438 0.617 A11
CM154 487911 2134925 0.708 A11
CM155 488334 2135034 0.625 A11
CM156 488793 2134776 0.500 A11
CM157 489033 2135219 0.550 A11
CM158 488481 2135156 0.633 A11
CM159 489085 2135792 0.625 A11
CM160 489408 2136230 0.800 A11
CM161 488901 2135916 0.650 A11
CM163 485898 2136877 0.933 A12
CM164 487310 2136365 0.767 A12
CM165 486658 2136612 0.975 A12
CM166 487441 2136242 0.792 A12
CM167 488584 2136262 0.758 A12
CM168 487820 2135584 0.708 A12
CM169 487168 2134539 0.967 A12
CM170 486518 2134726 0.992 A12
CM171 486779 2135189 0.942 A12
CM172 486104 2135445 0.975 A12
CM173 486615 2135545 0.908 A12
CM174 487688 2135864 0.692 A12
CM175 486652 2136203 0.858 A12
CM176 486104 2136173 1.008 A12
CM177 485805 2136003 1.100 A12
CM178 485302 2135467 1.217 A12
CM179 485255 2136079 1.183 A12
CM180 485557 2136512 1.175 A12
CM202 497022 2133374 0.408 A13
CM203 496812 2133751 0.550 A13
CM205 496477 2133871 2.975 A13
CM207 495901 2133164 0.475 A13
CM208 495112 2133148 0.492 A13

263
CM209 494977 2133576 0.383 A13
CM210 494459 2133789 0.550 A13
CM211 494227 2134012 0.192 A13
CM212 495250 2134267 0.200 A13
CM213 494722 2134490 0.800 A13
CM214 494456 2135021 2.808 A13
CM215 495008 2135258 4.600 A13
CM216 495388 2135194 4.108 A13
CM217 496054 2135345 1.392 A13
CM218 496637 2134793 2.508 A13
CM219 495999 2134421 1.892 A13
CM220 494660 2131628 0.200 A14
CM221 494150 2132142 0.192 A14
CM222 494732 2132008 0.250 A14
CM223 495776 2132145 0.183 A14
CM224 495068 2132653 0.192 A14
CM225 494397 2132950 0.742 A14
CM226 494565 2133215 0.200 A14
CM227 494123 2133713 1.117 A14
CM228 493769 2133883 1.000 A14
CM229 493310 2134376 0.200 A14
CM230 493517 2133626 3.150 A14
CM231 493896 2133379 1.158 A14
CM232 493707 2132566 0.217 A14
CM233 493808 2131992 0.167 A14
CM234 492869 2132373 0.217 A14
CM235 493137 2133034 0.175 A14
CM236 492375 2133232 0.283 A14
CM237 492618 2133557 0.275 A14
CM238 491837 2133982 0.317 A15
CM239 491333 2134405 0.342 A15
CM240 491475 2134911 0.392 A15
CM241 492092 2134857 0.333 A15
CM242 492350 2134287 0.317 A15
CM244 493024 2134624 2.192 A15
CM245 492524 2135086 0.358 A15
CM246 491991 2135444 0.375 A15
CM247 492495 2135870 0.583 A15
CM248 493085 2135608 3.575 A15
CM249 493809 2135582 0.100 A15
CM250 492877 2135999 1.442 A15

264
CM251 493412 2136344 4.883 A15
CM252 493499 2136830 0.192 A15
CM253 493917 2137274 0.433 A15
CM254 493654 2137590 0.475 A15
CM255 493310 2137525 0.517 A15
CM256 490760 2134754 0.408 A16
CM257 490586 2135787 0.700 A16
CM258 489749 2136435 0.917 A16
CM259 490775 2136929 3.392 A16
CM260 490944 2136546 1.167 A16
CM261 491625 2135711 0.533 A16
CM262 492129 2136514 0.625 A16
CM263 491722 2136905 0.858 A16
CM264 491550 2137090 1.258 A16
CM265 490713 2137700 3.208 A16
CM266 491045 2138307 4.425 A16
CM267 491796 2137943 2.125 A16
CM268 492241 2137408 0.917 A16
CM269 492761 2137960 1.842 A16
CM270 492865 2138521 0.725 A16
CM271 492474 2138695 0.900 A16
CM272 492128 2139076 1.642 A16
CM273 492887 2139109 0.900 A16
CM274 496018 2137552 0.192 A17
CM275 495595 2137475 1.250 A17
CM276 495297 2137046 1.217 A17
CM277 494765 2136762 2.792 A17
CM278 494389 2137009 0.633 A17
CM279 494278 2137488 0.725 A17
CM280 493484 2137967 0.567 A17
CM281 493863 2138685 0.492 A17
CM282 494928 2138554 0.458 A17
CM283 494053 2138062 0.183 A17
CM284 494698 2137806 5.000 A17
CM285 495125 2138117 3.925 A17
CM286 495646 2137939 0.183 A17
CM287 496001 2137962 1.033 A17
CM288 495763 2138457 0.458 A17
CM289 496183 2138658 0.867 A17
CM290 496760 2138758 1.717 A17
CM291 497091 2138649 0.192 A17

265
CM292 497077 2139112 3.517 A18
CM293 496919 2139238 2.567 A18
CM294 497499 2139500 3.367 A18
CM295 497399 2140187 1.067 A18
CM296 498173 2139930 0.200 A18
CM297 498375 2140323 4.542 A18
CM298 500098 2140476 1.550 A18
CM299 500477 2140934 0.408 A18
CM300 500710 2141238 0.475 A18
CM301 500186 2141492 0.242 A18
CM302 499750 2141130 0.408 A18
CM303 499402 2140725 0.650 A18
CM304 498745 2140892 0.175 A18
CM305 497821 2140766 0.900 A18
CM306 498054 2141044 0.783 A18
CM307 498678 2141632 1.258 A18
CM308 499285 2141803 0.342 A18
CM309 499391 2142063 0.200 A18
CM310 488224 2136761 1.142 A19
CM311 488521 2137162 2.250 A19
CM312 488138 2137771 0.933 A19
CM313 487763 2138429 0.750 A19
CM315 487650 2137080 0.783 A19
CM319 487242 2137669 0.742 A19
CM314 487640 2137599 0.733 A19
CM316 487898 2136519 0.917 A19
CM317 487357 2136668 0.858 A19
CM318 487051 2136939 0.825 A19
CM320 487354 2137944 0.750 A19
CM321 486990 2137986 0.742 A19
CM322 486433 2138398 0.783 A19
CM323 486793 2137416 0.800 A19
CM324 486416 2137778 0.758 A19
CM325 486946 2137843 0.942 A19
CM326 486232 2137163 0.867 A19
CM327 485761 2137401 1.033 A19
CM346 483960 2137506 1.350 A21
CM347 484327 2137440 1.092 A21
CM348 485085 2137234 1.200 A21
CM349 484778 2137761 1.167 A21
CM350 485303 2138053 0.950 A21

266
 CM351 484758 2138244 1.117 A21
CM352 484612 2138590 1.067 A21
CM353 483897 2138134 1.092 A21
CM354 483963 2138270 1.108 A21
CM356 483327 2138183 1.508 A21
CM357 483285 2137724 1.942 A21
CM360 482459 2138115 2.425 A21
CM361 482826 2138575 1.575 A21
CM362 482351 2138689 3.667 A21
CM364 482085 2139553 1.725 A22
CM365 482317 2140150 1.600 A22
CM366 482629 2139316 1.483 A22
CM367 482734 2139673 1.458 A22
CM368 483096 2139852 1.158 A22
CM370 483781 2140141 0.992 A22
CM371 483934 2139969 1.000 A22
CM372 483600 2139526 1.008 A22
CM373 483449 2139076 1.217 A22
CM374 483923 2139103 1.025 A22
CM375 484327 2140263 0.950 A22
CM376 484611 2139248 0.842 A22
CM377 484607 2140033 0.908 A22
CM378 485556 2140095 1.000 A22
CM379 485194 2140726 0.900 A22
CM380 484640 2141096 2.733 A22
CM382 483586 2140716 1.008 A22
CM383 484003 2140886 1.008 A22
CM385 482574 2140670 1.483 A22
CM386 482472 2141112 2.283 A22

Las estaciones: CM067 (A4), CM153 (A11), CM162 (A11), CM204 (A13), CM206 (A13), CM246 (A15),
CM269 (A16), CM325 (A19) y CM369 (A22), fueron eliminadas porque presentaron un problema en
alguno de los componentes. Las estaciones CM355 (A21), CM358 (A21), CM359 (A21) y CM363
(A21), fueron eliminadas porque se obtuvieron frecuencias características incongruentes con el sitio
donde se encontraban (zona de lomas), además de amplitudes muy bajas. Es importante mencionar
el cálculo de los cocientes espectrales HVSR y la determinación de la frecuencia característica se
hizo de manera automática en un script, por lo que pueden existir errores, sobre todo en el cálculo
de las frecuencias características.

267
Anexo VII. Distribución espacial de las frecuencias características por
arreglo

Figura AVII_1. Distribución espacial de las frecuencias características en el arreglo A1.

Figura AVII_2. Distribución espacial de las frecuencias características en el arreglo A2.

269
Figura AVII_3 Distribución espacial de las frecuencias características en el arreglo A3.

Figura AVII_4. Distribución espacial de las frecuencias características en el arreglo A4.

270
Figura AVII_5. Distribución espacial de las frecuencias características en el arreglo A5.

Figura AVII_6. Distribución espacial de las frecuencias características en el arreglo A6.

271
Figura AVII_7. Distribución espacial de las frecuencias características en el arreglo A7.

Figura AVII_8. Distribución espacial de las frecuencias características en el arreglo A8.

272
Figura AVII_9. Distribución espacial de las frecuencias características en el arreglo A9.

Figura AVII_10. Distribución espacial de las frecuencias características en el arreglo A10.

273
Figura AVII_11. Distribución espacial de las frecuencias características en el arreglo A11.

Figura AVII_12. Distribución espacial de las frecuencias características en el arreglo A12.

274
Figura AVII_13. Distribución espacial de las frecuencias características en el arreglo A13.

Figura AVII_14. Distribución espacial de las frecuencias características en el arreglo A14.

275
Figura AVII_15 Distribución espacial de las frecuencias características en el arreglo A15.

Figura AVII_16. Distribución espacial de las frecuencias características en el arreglo A16.

276
Figura AVII_17. Distribución espacial de las frecuencias características en el arreglo A17.

Figura AVII_18. Distribución espacial de las frecuencias características en el arreglo A18.

277
Figura AVII_19. Distribución espacial de las frecuencias características en el arreglo A19.

Figura AVII_21. Distribución espacial de las frecuencias características en el arreglo A21.

278
Figura AVII _22. Distribución espacial de las frecuencias características en el arreglo A22.

Figura AVII_23. Distribución espacial de las frecuencias características estimadas en este trabajo

279