Investigadores desarrollan un modelo de aprendizaje profundo que podría revolucionar la predicción de terremotos

Se ha producido un avance revolucionario en la previsión de réplicas de terremotos que podría cambiar radicalmente la forma de anticipar la actividad sísmica.

A diferencia de los modelos tradicionales, como el modelo ETAS (Epidemic Type Aftershock Sequence), el nuevo RECAST destaca en el tratamiento de grandes conjuntos de datos sísmicos.
A diferencia de los modelos tradicionales, como el modelo ETAS (Epidemic Type Aftershock Sequence), el nuevo RECAST destaca en el tratamiento de grandes conjuntos de datos sísmicos.
Lee Bell
Lee Bell Meteored Reino Unido 4 min

La Universidad de California ha desarrollado un avance innovador en el pronóstico de réplicas de terremotos que podría cambiar fundamentalmente la forma en que los científicos predicen la actividad sísmica en el futuro.

Este nuevo e innovador modelo, llamado Recurrent Earthquake foreCAST (RECAST), emplea aprendizaje profundo para predecir réplicas. Y a diferencia de los modelos tradicionales, como el modelo de secuencia de réplicas de tipo epidémico (ETAS), RECAST destaca en el manejo de grandes conjuntos de datos sísmicos.

Se cree que las capacidades de aprendizaje profundo del modelo allanarán el camino para el uso de diversas fuentes de datos en el pronóstico sísmico.


El modelo ETAS se diseñó en una época en la que las observaciones eran escasas, lo que lo hacía menos adaptable a los vastos y detallados catálogos de terremotos actuales. Sin embargo, el almacenamiento de datos moderno y los equipos sensibles han dado lugar a catálogos de millones de terremotos, abrumando al modelo más antiguo. La superioridad del modelo RECAST radica en su capacidad para gestionar estos grandes conjuntos de datos con facilidad.

Simulando réplicas de un terremoto

Para probar la eficacia del modelo, los investigadores simularon catálogos de terremotos con un modelo ETAS, seguido de probar el modelo RECAST con datos reales del catálogo de terremotos del sur de California.

Descubrieron que, a medida que aumentaba el volumen de datos, el modelo RECAST, que aprende continuamente, superó con creces al ETAS en la predicción de réplicas. También requirió menos esfuerzo computacional y tiempo para conjuntos de datos más grandes.

Se cree que las capacidades de aprendizaje profundo del modelo allanarán el camino para utilizar diversas fuentes de datos en la predicción sísmica, aprovechando en última instancia los registros continuos de movimientos del suelo
Se cree que las capacidades de aprendizaje profundo del modelo allanarán el camino para utilizar diversas fuentes de datos en la predicción sísmica, aprovechando en última instancia los registros continuos de movimientos del suelo

En los últimos años se ha explorado en cierta medida el aprendizaje automático para la predicción de terremotos, pero hasta ahora se ha enfrentado a limitaciones. Sin embargo, los recientes avances en el aprendizaje automático han garantizado que RECAST sea más preciso y adaptable, lo que lo convierte en una opción más realista para los científicos.

Por ello, los investigadores creen que la flexibilidad del modelo abre nuevas vías de previsión, pudiendo agrupar información de varias regiones para mejorar las predicciones en zonas menos estudiadas.

Se cree que las capacidades de aprendizaje profundo del modelo allanarán el camino para utilizar diversas fuentes de datos en la predicción sísmica, aprovechando en última instancia los registros continuos de movimientos del suelo.

Además, los investigadores creen que el potencial de RECAST podría revolucionar la predicción de terremotos e inspirar debates sobre sus aplicaciones en el futuro, ayudando potencialmente a salvar vidas.