Investigadores desarrollan un modelo de aprendizaje avanzado 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 predecir la actividad sísmica. Aquí te contamos más.
La Universidad de California ha presentado un avance pionero en la predicción de réplicas de terremotos que podría cambiar radicalmente el modo en que los científicos predicen la actividad sísmica en el futuro.
Bautizado como Recurrent Earthquake foreCAST (RECAST), el nuevo e innovador modelo emplea el aprendizaje profundo para predecir réplicas. Y a diferencia de los modelos tradicionales, como el modelo ETAS (Epidemic Type Aftershock Sequence), RECAST destaca en el manejo de grandes conjuntos de datos sísmicos.
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 moderno de datos y los equipos sensibles han dado lugar a catálogos de millones de terremotos, lo que ha desbordado al modelo antiguo. La superioridad del modelo RECAST reside en su capacidad para gestionar con facilidad estos grandes conjuntos de datos.
Simulación de réplicas de terremotos
Para comprobar la eficacia del modelo, los investigadores simularon catálogos de terremotos con un modelo ETAS y, a continuación, probaron el modelo RECAST con datos reales del catálogo de terremotos del sur de California.
Comprobaron que, a medida que aumentaba el volumen de datos, el modelo RECAST -que aprende continuamente- superaba con creces al ETAS en la previsión de réplicas. También requirió menos tiempo y esfuerzo de cálculo para conjuntos de datos más grandes.
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 impulsar el debate sobre sus aplicaciones en el futuro, lo que podría contribuir a salvar vidas.