Innovador método de aprendizaje automático para predecir terremotos
Un equipo de investigadores ha desarrollado un innovador método basado en aprendizaje automático que permite identificar y predecir agitación tectónica de bajo nivel en grandes áreas con meses de antelación a terremotos.
Este avance, publicado en la revista Nature Communications, podría transformar la forma en que se predicen estos fenómenos.
El estudio, liderado por Társilo Girona, profesor asistente de investigación del Instituto Geofísico de la Universidad de Alaska Fairbanks, y Kyriaki Drymoni, geóloga de la Ludwig-Maximilians-Universität en Múnich, se centra en el uso de algoritmos de aprendizaje automático para analizar conjuntos de datos sísmicos.
“Nuestro artículo demuestra que las técnicas estadísticas avanzadas, en particular el aprendizaje automático, tienen el potencial de identificar precursores de terremotos de gran magnitud mediante el análisis de conjuntos de datos derivados de catálogos de terremotos”, explica Girona.
El equipo desarrolló un algoritmo informático diseñado para buscar señales de actividad sísmica inusual en grandes volúmenes de datos.
Este algoritmo, que utiliza un conjunto de instrucciones para interpretar datos y hacer predicciones, se aplicó a dos grandes terremotos: el de Anchorage (Alaska) de magnitud 7,1 en 2018, y la secuencia sísmica de Ridgecrest (California) con magnitudes entre 6,4 y 7,1 en 2019.
En ambos casos, los investigadores detectaron actividad sísmica anormal de baja magnitud en un 15% al 25% del área afectada aproximadamente tres meses antes de los eventos principales.
Método que permitiría predecir terremotos
La investigación indica que la alteración precursora de los grandes terremotos se manifiesta principalmente en la actividad sísmica de magnitud inferior a 1,5.
Utilizando el algoritmo desarrollado, Girona y Drymoni observaron que la probabilidad de un gran terremoto aumentó significativamente unos tres meses antes del evento.
En el caso de Anchorage, la probabilidad de un terremoto importante en 30 días o menos se elevó a un 80%, y alcanzó el 85% poco antes del sismo del 30 de noviembre de 2018.
Resultados similares se obtuvieron para los terremotos de Ridgecrest, donde el aumento de probabilidad comenzó unos 40 días antes del primer terremoto de la secuencia.
Los investigadores sugieren que esta actividad precursora de baja magnitud podría estar relacionada con un aumento en la presión del fluido intersticial dentro de las fallas tectónicas. “Proponemos que estas variaciones en la presión del fluido controlan la sismicidad anormal y precursora de baja magnitud”, afirma Drymoni.
Girona destaca el impacto positivo del aprendizaje automático en la investigación de terremotos: “Las redes sísmicas modernas producen enormes conjuntos de datos que, cuando se analizan adecuadamente, pueden ofrecer información valiosa sobre los precursores de los eventos sísmicos”.
Sin embargo, advierten que este método no debería emplearse en nuevas regiones sin entrenar previamente el algoritmo con la sismicidad histórica de la zona. También reconocen los desafíos éticos asociados con la predicción de terremotos, como las posibles consecuencias de las falsas alarmas o de las predicciones incorrectas.
“La previsión precisa tiene el potencial de salvar vidas, pero también plantea importantes cuestiones éticas y prácticas”, concluye Girona.