Un sistema de aprendizaje automatizado puede alertar sobre sismos Copiar al portapapeles

Uno de los mayores riesgos para poblaciones humanas en diferentes partes del mundo son los sismos. Estos eventos no se pueden predecir y tienen un alto poder destructivo.

Sin embargo, el análisis de la actividad sísmica subterránea puede dar indicios de la aparición de un sismo de gran magnitud. Eso es lo que propone un grupo de investigadores de la Universidad de Alaska Fairbanks (UAF).

Estadísticas que apuntan hacia grandes sismos

Un grupo de investigadores de la UAF analizó los mayores sismos de Alaska y California. A partir de esos datos logró identificar los disturbios en áreas amplias en niveles tectónicos bajos previos a los sismos de gran intensidad.

Para desarrollar su método predictivo de sismos, los investigadores recurrieron a la inteligencia artificial, específicamente a una máquina de aprendizaje. Los resultados se publicaron en la revista Nature Communications.

Los investigadores comienzan señalando que reconocer las señales que anuncian sismos potenciales es indispensable para comprender la dinámica de la corteza terrestre y proveer alertas sísmicas confiables. Los eventos que preceden a los terremotos son confusos; sin embargo, estudios experimentales sugieren que hay algunos signos de alerta robustos que preceden a los sismos en el corto plazo.

El periodo en que se puede predecir un gran sismo, de acuerdo con el estudio, va de algunos días a meses de anticipación. Como ejemplos, los investigadores citan a la secuencia M6.4-M7.1 2019 Ridgecrest en California y el terremoto M7.1 2018 Anchorage en Alaska.

En ambos casos, ocurrieron disturbios en escala regional alrededor de 3 meses antes del evento sísmico. La propagación de la sismicidad en magnitud baja en ambos casos estuvo entre el 15 y el 25%.

Para reconocer esta actividad se recurrió a catálogos de sismos para obtener datos. Con ellos se alimentó un algoritmo basado en una máquina de aprendizaje.

“Nuestro estudio 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 en un comunicado el profesor Társilo Girona del Instituto de Geofísica. Él aparece como primer firmante del artículo.

De acuerdo con el estudio, los disturbios que preceden a los grandes sismos registran actividad sísmica por debajo de la magnitud 1.5.

El algoritmo que crearon los investigadores se diseñó para encontrar actividad sísmica fuera de lo normal. Se le programó con instrucciones para interpretar datos, aprender de ellos y hacer predicciones para tomar decisiones.

El algoritmo predijo tres meses antes del evento sísmico de Anchorage  una probabilidad de 80% de un gran sismo en los siguientes 30 días. Esta probabilidad aumentaba a 85% unos días antes de la fecha en que realmente ocurrió. Sobre el de Ridgecrest el resultado fue similar con 40 días de anticipación.

De acuerdo con el estudio, la presión del fluido poroso en el interior de los segmentos de fallas grandes aumenta de forma significativa cuando está cerca de su límite. Esto provoca cambios en el campo de estrés regional.

“El aumento de la presión del fluido poroso en las fallas que conducen a terremotos importantes modifica las propiedades mecánicas de las fallas, lo que a su vez conduce a variaciones desiguales en el campo de tensión regional”, explica Kyriaki Drymoni quien participó en el estudio.

“Proponemos que estas variaciones desiguales ... controlen la sísmica anormal, precursora de baja magnitud”, agrega Drymoni quien es geólogo en la Universidad Ludwig-Maximilians en Munich, Alemania.

De acuerdo con Girona, las redes de monitoreo sísmico actuales producen un gran volumen de datos. Si se analizan adecuadamente, ofrecen información valiosa para anticipar eventos sísmicos.

“Aquí es donde los avances en el aprendizaje automático y la computación de alto rendimiento pueden jugar un papel transformador, permitiendo a los investigadores identificar patrones significativos que podrían señalar un terremoto inminente”, señala Girona.

Por ahora el algoritmo se ha probado con datos de archivo. El siguiente paso será que se pruebe en situaciones de tiempo real para afrontar los retos reales de la predicción sísmica.

“La previsión precisa tiene el potencial de salvar vidas y reducir las pérdidas económicas al proporcionar alertas tempranas que permiten evacuaciones y preparativos oportunos”, resalta Girona. 

También representa un reto ético el realizar predicciones adecuadas. “Las falsas alarmas pueden provocar pánico innecesario, trastornos económicos y una pérdida de confianza pública, mientras que las predicciones no realizadas pueden tener consecuencias catastróficas”, concluye el investigador.