Aprendizaje automático para predecir terremotos con meses de antelación

   MADRID, 30 Ago. (EUROPA PRESS) -

   Un nuevo método de detección, basado en aprendizaje automático, permite identificar agitación tectónica de bajo nivel en grandes áreas previa a un gran terremoto con incluso meses de antelación.

   "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 en un comunicado el profesor el profesor asistente de investigación Társilo Girona del Instituto Geofísico de la UAF (Universidad de Alaska Fairbanks).

   Girona, geofísico y científico de datos, estudia la actividad precursora de erupciones volcánicas y terremotos. El geólogo Kyriaki Drymoni de la Ludwig-Maximilians-Universität en Munich fue coautor en el desarrollo del nuevo método de detección, publicado en Nature Communications.

   Los autores escribieron un algoritmo informático para buscar en los datos actividad sísmica anormal. Los algoritmos son un conjunto de instrucciones informáticas que enseñan a un programa a interpretar datos, aprender de ellos y hacer predicciones o decisiones informadas.

   Se centraron en dos grandes terremotos: el terremoto de Anchorage de magnitud 7,1 de 2018 y la secuencia de terremotos de Ridgecrest, California, de magnitudes entre 6,4 y 7,1 de 2019.

   Encontraron que aproximadamente tres meses de sismicidad regional anormal de baja magnitud habían ocurrido en alrededor del 15% al 25% del centro-sur de Alaska y el sur de California antes de cada uno de los dos terremotos estudiados.

   Su investigación descubre que la alteración que precede a los grandes terremotos se refleja principalmente en la actividad sísmica con una magnitud inferior a 1,5.

   El terremoto de Anchorage ocurrió el 30 de noviembre de 2018 a las 8:29 a.m., con un epicentro ubicado aproximadamente a 16 kilómetros al norte de la ciudad. Causó grandes daños en algunas carreteras y autopistas, y varios edificios sufrieron daños.

   Utilizando su programa entrenado con datos, Girona y Drymoni descubrieron que, en el caso del terremoto de Anchorage, la probabilidad de que se produjera un terremoto importante en 30 días o menos aumentó abruptamente hasta aproximadamente el 80% unos tres meses antes del terremoto del 30 de noviembre. La probabilidad aumentó a aproximadamente el 85% tan solo unos días antes de que ocurriera. Obtuvieron resultados de probabilidad similares para la secuencia de terremotos de Ridgecrest durante un período que comenzó unos 40 días antes del inicio de la secuencia de terremotos.

   Girona y Drymoni proponen una causa geológica para la actividad precursora de baja magnitud: un aumento significativo de la presión del fluido intersticial dentro de una falla.

   La presión del fluido intersticial se refiere a la presión del fluido dentro de una roca. Las altas presiones del fluido intersticial pueden potencialmente provocar un deslizamiento de la falla si la presión es suficiente para superar la resistencia de fricción entre los bloques de roca a ambos lados de la falla.

   "El aumento de la presión del fluido intersticial en las fallas que provocan terremotos importantes cambia las propiedades mecánicas de las fallas, lo que a su vez conduce a variaciones desiguales en el campo de tensión regional", dijo Drymoni. "Proponemos que estas variaciones desiguales controlan la sismicidad anormal y precursora de baja magnitud".

   El aprendizaje automático está teniendo un gran impacto positivo en la investigación de terremotos, dijo Girona.

   "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", dijo. "Aquí es donde los avances en el aprendizaje automático y la computación de alto rendimiento pueden desempeñar un papel transformador, permitiendo a los investigadores identificar patrones significativos que podrían indicar un terremoto inminente".

   Los autores afirman que su algoritmo se probará en situaciones casi en tiempo real para identificar y abordar los desafíos potenciales para la predicción de terremotos. El método no debería emplearse en nuevas regiones sin entrenar el algoritmo con la sismicidad histórica de esa área, agregan.

   Producir pronósticos de terremotos confiables tiene una "dimensión profundamente importante y a menudo controvertida", dijo Girona.

   "La previsión precisa tiene el potencial de salvar vidas y reducir las pérdidas económicas al proporcionar alertas tempranas que permitan evacuaciones y preparación oportunas", dijo. "Sin embargo, la incertidumbre inherente a la predicción de terremotos también plantea importantes cuestiones éticas y prácticas".

    "Las falsas alarmas pueden provocar pánico innecesario, trastornos económicos y pérdida de confianza pública, mientras que las predicciones erróneas pueden tener consecuencias catastróficas", afirmó.