Terremotos en tiempos de IA
Cuando el mayor terremoto en más de una década sacudió en
julio la remota península de Kamchatka, en Rusia, los sismólogos de todo el
mundo se enteraron en cuestión de segundos. Tanto si se trata de sismos grandes
como pequeños, los sensores repartidos por todo el mundo detectan las sacudidas
y transmiten esa información a los investigadores, que analizan rápidamente las
observaciones y emiten alertas.
Ahora, la inteligencia artificial está a punto de acelerar
casi todo lo relacionado con la investigación sísmica y de reescribir la
comprensión que tienen los investigadores sobre cómo se producen los terremotos.
Mediante el uso de una subdisciplina de la IA llamada
aprendizaje automático, algunos científicos están identificando hasta millones
de pequeños sismos, antes invisibles, en los datos recopilados de lugares
sísmicamente activos. Estas nuevas y mejoradas bases de datos están ayudando a
los investigadores a comprender mejor las fallas geológicas a lo largo de las
cuales se producen los simos, y pueden ayudar a esclarecer los riesgos de
futuros terremotos. Algunos científicos incluso están utilizando el aprendizaje
automático para mejorar sus previsiones sobre el número de réplicas que pueden
sacudir un lugar que acaba de sufrir un terremoto grande y destructivo.
En términos más generales, los investigadores esperan que el
aprendizaje automático, con su capacidad para procesar enormes cantidades de
información y aprender de los patrones que contiene, revele nuevos
conocimientos sobre algunos de los mayores misterios de los terremotos, como,
por ejemplo, cómo se desarrolla un sismo en sus primeros y devastadores
segundos.
“El aprendizaje automático ha abierto una ventana
completamente nueva”, afirma Mostafa Mousavi, sismólogo de la Universidad de
Harvard.
Tierra que tiembla,
datos explosivos
Los terremotos se producen cuando se acumula tensión
geológica en el suelo, como cuando dos placas de la corteza terrestre se rozan
entre sí, como ocurre en la falla de San Andrés, en California. En algún
momento, la tensión alcanza un umbral crítico y la falla se rompe, fracturando
la roca y provocando que la energía sísmica se propague hacia el exterior y
sacuda el suelo.
Esa energía es registrada por sismógrafos y otros
instrumentos en todo el mundo, que se encuentran en gran número en zonas
geológicamente activas como California y Japón. Los datos se introducen en
sistemas nacionales e internacionales para rastrear los sismos y alertar al
mundo. La cantidad de datos se ha disparado en los últimos años, ya que los
sismólogos han encontrado nuevas formas de recopilar información sobre los
movimientos del suelo, como la detección de señales sísmicas a través de redes
de fibra óptica o el uso de los acelerómetros integrados en los teléfonos
inteligentes para crear una red de alerta de terremotos basada en teléfonos.
Hace solo una o dos décadas, gran parte del análisis de las
señales sísmicas se realizaba a mano, y los científicos trabajaban lo más
rápido posible para evaluar los registros que llegaban de sus redes de
observación. Pero hoy en día hay demasiados puntos de datos. “Ahora, la única
forma —casi— de manejar los datos sísmicos es recurrir al procesamiento
automático”, afirma Mousavi, coautor de un artículo de 2023 en el Annual Review
of Earth and Planetary Sciences sobre el aprendizaje automático en la
sismología.
Uno de los usos más comunes del aprendizaje automático en
sismología es la medición del tiempo de llegada de las ondas sísmicas a un
lugar concreto, un proceso conocido como selección de fases. Los movimientos
telúricos generan dos tipos de ondas sísmicas, conocidas como ondas P y S, que
afectan al suelo de diferentes maneras y se muestran como diferentes tipos de
garabatos en un sismograma. En el pasado, un sismólogo analizaba los datos que
llegaban de los sensores sísmicos y seleccionaba manualmente lo que consideraba
el inicio de las ondas P o S en esos gráficos sismográficos. Seleccionar el
inicio de esas ondas con precisión y exactitud es importante para comprender
factores como el lugar exacto en el que se produjo el sismo. Pero la selección de
fases requiere mucho tiempo.
En los últimos años, los sismólogos han estado utilizando
algoritmos de aprendizaje automático para seleccionar las fases sísmicas mucho
más rápido de lo que puede hacerlo un ser humano. Existen varios métodos
automatizados que pueden realizar la selección de fases, pero los algoritmos de
aprendizaje automático, que han sido entrenados con grandes volúmenes de datos
sobre terremotos pasados, pueden identificar una amplia variedad de señales de
diferentes tipos de temblores de una manera que antes no era posible. Esta
práctica es ahora tan habitual que el término “aprendizaje automático” ya no
aparece en los títulos de los artículos de investigación, afirma Mousavi. “Por
defecto, todo el mundo lo sabe”.
La selección de fases basada en la IA es más rápida que la
selección de fases realizada por humanos y al menos igual de precisa, afirma Mousavi.
Los sismólogos están trabajando ahora para ampliar estas herramientas a otros
tipos de análisis sísmicos.
Ampliación de los catálogos de sismos
Un área en la que ya se han producido grandes
descubrimientos es el uso del aprendizaje automático para ampliar los catálogos
de sismos, que son básicamente listas de los movimientos telúricos que se han
producido en una región concreta. Los catálogos de sismos incluyen todos los
temblores que los sismólogos pueden identificar a partir de las señales registradas,
pero la IA puede encontrar exponencialmente más temblores que los científicos
humanos.
Básicamente, el aprendizaje automático puede rastrear los
datos para identificar pequeños temblores que las personas no tienen la
capacidad o el tiempo para señalar. “O bien no se ven a simple vista, o bien no
hay tiempo para ir a observar todos esos pequeños eventos”, afirma Leila
Mizrahi, sismóloga del Servicio Sismológico Suizo de la ETH Zürich. A menudo,
estos temblores quedan ocultos por el ruido de fondo de los datos.
En un estudio pionero publicado en 2019 en Science, los
investigadores utilizaron un algoritmo de inteligencia artificial que comparaba
los patrones de las ondas sísmicas para identificar más de 1,5 millones de
pequeños sismos que se produjeron en el sur de California entre 2008 y 2017,
pero que no se habían detectado anteriormente. Se trata de temblores minúsculos
que la mayoría de la gente no sentiría ni siquiera si estuviera encima de
ellos. Pero saber que existen es importante para ayudar a los sismólogos a
comprender los patrones de comportamiento a lo largo de una falla geológica.
En particular, dice Mousavi, los pequeños temblores son
importantes como ventana para comprender cómo se originan los terremotos más
grandes. Los grandes terremotos pueden producirse a lo largo de una falla
concreta una vez cada siglo o más, un periodo demasiado largo para que los
científicos puedan observarlos y comprender el proceso de ruptura. Los pequeños
temblores se comportan de forma muy similar a los grandes, pero se producen con
mucha más frecuencia. Por lo tanto, estudiar el patrón de los pequeños
temblores en los catálogos de sismos recientemente ampliados podría ayudar a
los científicos a comprender mejor qué es lo que lo provoca todo. De este modo,
los catálogos más completos “tienen el potencial de ayudarnos a comprender y
modelar mejor el riesgo sísmico”, afirma Mousavi.
Los catálogos de sismos ampliados también pueden arrojar
mucha más luz que antes sobre la estructura de las fallas geológicas que se
encuentran debajo de una región. Es como pasar de un boceto simplista de la
disposición de las fallas a una pintura con detalles más fotorrealistas. En
2022, un equipo dirigido por el sismólogo Yongsoo Park, entonces en la
Universidad de Stanford, utilizó el aprendizaje automático para crear un
catálogo ampliado de sismos en Oklahoma y Kansas entre 2010 y 2019, muchos de
ellos inducidos por empresas petroleras y extractoras de gas que inyectaban
aguas residuales en el suelo. El trabajo sacó a la luz estructuras de fallas
que antes no eran visibles, lo que permitió a los científicos cartografiar las
fallas con mayor precisión y comprender mejor el riesgo sísmico.
Park y sus colegas demostraron que el 80% de los sismos más
grandes que se produjeron podrían haberse anticipado basándose en los temblores
más pequeños que ocurrieron antes de los grandes. “Siempre existe la
posibilidad de que el próximo gran terremoto se produzca en una falla que aún
no se ha cartografiado”, afirma Park, que ahora trabaja en el Laboratorio
Nacional de Los Álamos, en Nuevo México. “El registro sistemático de los
temblores más pequeños podría revelar esas fallas ocultas antes de que se
produzca un gran terremoto”.
Los científicos están aplicando este enfoque en todo el
mundo. Por ejemplo, investigadores de Taiwán utilizaron recientemente el
aprendizaje automático para elaborar un catálogo más detallado de un terremoto
de magnitud 7,3, ocurrido en abril de 2024, que causó la muerte de al menos 18
personas en la isla y dañó cientos de edificios. El estudio, presentado en una
reunión de sismología en abril de 2025, reveló que el catálogo basado en la
inteligencia artificial era aproximadamente cinco veces más completo que el
elaborado por analistas humanos, y se elaboró en un día en lugar de en meses.
Reveló nuevos detalles sobre la ubicación y la orientación de las fallas
geológicas, información que puede ayudar a las autoridades a prepararse mejor
para los movimientos del suelo en futuros terremotos. Estos catálogos “se
convertirán en la norma en todas las regiones propensas a los terremotos en el
futuro”, afirma el líder del equipo y sismólogo Hsin-Hua Huang, de la Academia
Sinica de Taiwán.
La predicción sigue siendo un problema
Hasta ahora, la IA no ha tenido tanto éxito a la hora de
abordar otro de los mayores retos de la sismología: pronosticar la probabilidad
de futuros terremotos.
El campo de la predicción de terremotos se ocupa de
probabilidades generales, como las posibilidades de que se produzca un sismo de
magnitud X en la región Y durante el periodo de tiempo Z. Actualmente, los
sismólogos crean predicciones de sismos utilizando análisis matemáticos de
terremotos pasados, como un método estadístico que se basa en observaciones de
cómo los sismos pasados desencadenaron terremotos posteriores. Este enfoque
funciona bastante bien para tareas específicas, como comprender cuántas
réplicas pueden sacudir una región después de un gran terremoto. Ese tipo de
información puede ayudar a las personas que se encuentran en una zona de desastre
a saber si es seguro regresar a sus casas o si es posible que se produzcan más
réplicas, lo que podría provocar el derrumbe de más edificios.
Pero este tipo de análisis no siempre puede captar con
precisión el riesgo sísmico real, especialmente a lo largo de fallas que rara
vez producen grandes terremotos y, por lo tanto, no están bien representadas en
los registros sísmicos. Los sismólogos están probando algoritmos basados en
inteligencia artificial para la predicción de terremotos con el fin de ver si
pueden mejorar los resultados, pero hasta ahora las noticias son poco
alentadoras. En sus mejores resultados, los análisis de aprendizaje automático
son tan buenos como los métodos estándar de predicción de terremotos. “Aún no
superan a los tradicionales”, afirma Mousavi, que resumió el estado de la
cuestión en un artículo publicado en agosto de 2025 en Physics Today.
En uno de los experimentos más prometedores, Mizrahi ha
intentado utilizar la IA para acelerar la producción de pronósticos de réplicas
en los minutos y horas cruciales tras un gran terremoto. Ella y un colega
entrenaron un algoritmo de aprendizaje automático con el método estadístico más
antiguo de predicción de terremotos y luego lo pusieron en marcha por su cuenta
para ver cómo funcionaba la IA. Funcionó mucho más rápido que el enfoque
antiguo, sin IA, pero aún queda trabajo por hacer. “Estamos evaluando nuestro
grado de satisfacción con él”, afirma Mizrahi, que publicó los resultados el
año pasado en Seismological Research Letters.
En el futuro, los investigadores esperan acelerar este tipo
de análisis de predicción. Otras áreas de la sismología también podrían
beneficiarse con el tiempo. Algunas investigaciones preliminares sugieren que
el aprendizaje automático podría utilizarse en la alerta temprana de
terremotos, por ejemplo, para estimar exactamente cuánto se moverá el suelo en
los segundos posteriores al inicio de un terremoto en las cercanías. Pero la
utilidad de esto se limita a las pocas partes del mundo que cuentan con
sistemas de alerta temprana, como California y Japón.
Park también advierte sobre el peligro de confiar demasiado
en las herramientas de aprendizaje automático. Los científicos deben tener
cuidado con el control de calidad para asegurarse de que interpretan
correctamente los resultados de cualquier análisis de IA, afirma.
Sin embargo, en general, los sismólogos ven un futuro
prometedor en el uso de la IA para comprender mejor los terremotos. “Vamos por
buen camino”, afirma Mizrahi.
Knowable. Traducción: Debbie Ponchner.
