El modelo fue bautizado como Recurrent Earthquake foreCAST (RECAST). Analiza conjuntos de datos sísmicos, tanto históricos como actuales, para predecir posibles réplicas de gran magnitud

Investigadores de la Universidad de California presentaron un modelo de aprendizaje profundo capaz de predecir las réplicas de los terremotos. El avance puede cambiar la metodología que los sismólogos utilizan para pronosticar la actividad sísmica en el futuro.

El modelo fue bautizado como Recurrent Earthquake foreCAST (RECAST). Su aporte está en el manejo de grandes conjuntos de datos sísmicos tanto históricos como actuales que permitirán predecir con mayor precisión posibles réplicas de sismos de gran magnitud.

El desarrollo superó al proceso actual de secuencia de réplicas de tipo epidémico conocido como Epidemic Type Aftershock Sequence (ETAS) en la gestión de información para catálogos de terremotos de aproximadamente 10,000 eventos y más.

El doctor Kelian Dascher-Cousineau, autor principal del estudio, explicó que «el enfoque del modelo ETAS fue diseñado para las investigaciones que tuvimos en los años ochenta y noventa, cuando intentábamos construir pronósticos confiables basados ​​en muy pocas observaciones. Hoy el panorama es muy diferente».

Con equipos de monitoreo más sensibles y mayores capacidades de almacenamiento de datos, los catálogos de terremotos ahora son más vastos y detallados. El modelo anterior fue superado por estas condiciones. Según el equipo de sismólogos, el principal desafío del estudio no fue diseñar RECAST. El mayor reto estuvo en lograr que ETAS funcionara con enormes conjuntos de datos para comparar la precisión de los dos procesos.

Para comprobar la eficacia del nuevo modelo, los investigadores simularon catálogos de sismos de gran magnitud con un modelo ETAS. Después pusieron a prueba a RECAST con datos reales de inventarios de terremotos del sur de California. El resultado fue que a medida que el volumen de información aumentaba, RECAST superó en precisión y velocidad la previsión de réplicas respecto a ETAS. El modelo planteado en la investigación requirió menos tiempo y recursos computacionales para manejar conjuntos de datos más grandes.

El aprendizaje profundo puede ser la clave para predecir terremotos

«El modelo ETAS es algo frágil y tiene muchas formas muy sutiles y delicadas en las que puede fallar. Por lo tanto, dedicamos mucho tiempo a asegurarnos de no arruinar nuestro punto de referencia en comparación con el desarrollo del modelo real», afirmó Dascher-Cousineau.

En el pasado, la comunidad científica ha utilizado sistemas de aprendizaje automático en un intento para pronosticar la actividad sísmica, pero no fue hasta hace poco que la tecnología entregó las condiciones adecuadas para usarla de manera más eficiente. Los avances en la materia hacen que el modelo RECAST sea más preciso y fácilmente adaptable a diferentes catálogos de terremotos. La flexibilidad del proceso convierte al modelo en una alternativa más realista para desarrollar aplicaciones de previsión sobre los movimientos del suelo, incluso en zonas poco estudiadas.

«Podríamos entrenar en Nueva Zelanda, Japón, California y tener un modelo que en realidad sea bastante bueno para pronosticar en lugares donde los datos podrían no ser tan abundantes», dijo Dascher-Cousineau.

Para seguir aplicando modelos de aprendizaje profundo a la predicción de réplicas es necesario tener un mejor sistema de evaluación comparativa que considere toda la información disponible. «Estamos registrando el movimiento del suelo todo el tiempo. Así que el siguiente nivel es utilizar toda esa información, no preocuparnos por si lo llamamos terremoto o no, sino utilizarlo todo», afirmó Emily Brodsky, profesora de ciencias terrestres y planetarias en la Universidad de California y coautora del estudio.

Fuente: es.wired.com