The accurate and efficient analysis of seismic data requires the implementation of automatic rocessing algorithms. Therefore, the reliability and quality of these automatic results have become critical requirements for seismological networks. Two methodologies, Grid-search and Bayesian optimization, were used to optimize the automatic detection and phase picking parameters in SeisComP. These methodologies were tested using a set of stations selected from two seismological networks the Brazilian Seismic Network (RSBR) and Colombian National Seismological Network (RSNC). A comparison of manual and previous automatic locations, revealed numerous missing events and others with low-quality locations in automatic databases. We selected 508 manual events from 2017/01/01 to 2020/07/31 in Brazil, and 532 manual events from 2019/02/01 to 2019/02/15 near the Bucaramanga Nest in Colombia, as training data sets for the optimization process. A code was implemented to use an iterative grid-search to optimize the picking parameters. In addition, the Optuna Python package was used to implement the Bayesian optimization. Selected events were used as a training set, and an iterative process according to the Bayesian method was used. The results of both methodologies were compared. Both methodologies improved the system performance by increasing the number of picks and detections. Grid-search allowed us to perform a complete analysis of the results examining the entire space of parameters. However, Grid-search lose efficiency while increasing the number of parameters being optimized. On the other hand, the Bayesian algorithm is computationally more efficient by not exploring the entire parameter space. After the optimization process, automatic picks associated with P phases increases by 78% (76 picks) and 56% (903 picks) for RSBR and RSNC, respectively. Although not all new picks belong to new events, the number of locations calculated using new automatic picks doubled the automatic locations determined by the systems before the optimization process for both networks. Seismological centers could implement methodologies such as Grid-search or Bayesian optimization to improve their automatic processing systems. Besides, the standardization of these methodologies would help to make their implementation easier.

A análise precisa e eficiente de dados sísmicos requer a implementação de algoritmos de processamento automático. Portanto, a confiabilidade e a qualidade desses resultados automáticos tornaram-se requisitos críticos para redes sismológicas. Duas metodologias, Grid-Search e algoritmo Bayesiano, foram utilizadas para otimizar a detecção automática de eventos e os parâmetros de seleção de fases no software SeisComP. Essas metodologias foram testadas com um conjunto de estações selecionadas de duas redes sismológicas, Rede Sismográfica Brasileira (RSBR) e a Rede Sismológica Nacional da Colômbia (RSNC). Depois de comparar as localizações manuais e automáticas, encontramos vários eventos ausentes e outros com localizações de baixa qualidade nos bancos de dados automáticos. Selecionamos 508 eventos manuais no período 2017/01/01 - 2020/07/31 no Brasil, e 532 eventos manuais no período 2019/02/01 - 2019/02/15 próximos ao Ninho de Bucaramanga na Colômbia, como conjuntos de dados de treinamento para o processo de otimização. Foi implementado um código para usar Grid-Search como uma metodologia de otimização; este código faz um processo iterativo que gera picks automáticos modificando os parâmetros. O pacote Optuna foi utilizado para implementar o algoritmo Bayesiano como metodologia de otimização. Os eventos selecionados foram usados como um conjunto de treinamento, e um processo iterativo de acordo com o método Bayesiano foi usado. Ambas as metodologias melhoraram o desempenho do sistema, aumentando o número de picks e detecções. Grid-Search nos permitiu realizar uma análise completa dos resultados examinando todo o espaço de parâmetros. Grid-Search, no entanto, aumenta o tempo de computação ao testar muitos valores dos parâmetros envolvidos no processo de otimização. Por outro lado, o algoritmo Bayesiano pode ser implementado usando vários parâmetros sem aumentar o tempo de computação. Após o processo de otimização, os picks automáticos aumentam em 78% e 56% para RSBR e RSNC, respectivamente. Embora nem todos os novos picks pertençam a novos eventos, O número de localizações calculadas com os novos pikcs automáticos, dobrou as localizações automáticas determinadas pelos sistemas antes do processo de otimização para ambas as redes. Centros sismológicos podem implementar metodologias como Grid-Search ou algoritmo Bayesiano para melhorar seus sistemas de processamento automático. Além disso, a padronização dessas metodologias ajudaria a facilitar sua implementação.