Los investigadores desarrollan un modelo de aprendizaje profundo que podría revolucionar la previsión de terremotos
Ha surgido un avance innovador en el pronóstico de réplicas de terremotos que podría cambiar fundamentalmente la forma en que predecimos la actividad sísmica.
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.
Llamado Recurrent Earthquake foreCAST (RECAST), el nuevo e innovador modelo 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.
El modelo ETAS fue diseñado en una era 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 anterior. 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, para luego 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.
El aprendizaje automático se ha explorado un poco para la predicción de terremotos en los últimos años, pero hasta ahora ha enfrentado limitaciones. Sin embargo, los avances recientes 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 lo tanto, los investigadores creen que la flexibilidad del modelo abre nuevas vías para la predicción, potencialmente agrupando información de varias regiones para mejorar las predicciones en áreas menos estudiadas.
Se cree que las capacidades del modelo de aprendizaje profundo allanarán el camino para el uso de diversas fuentes de datos en el pronóstico sísmico y, en última instancia, aprovecharán los registros continuos del movimiento 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, lo que podría ayudar a salvar vidas.