El proyecto de vinculación internacional generará un catálogo de sismos con datos de la red chilena gracias a la implementación de algoritmos que aumentará en 100 veces la cantidad de episodios telúricos registrables por los instrumentos.
Por: Iván Tobar Bocaz, periodista Departamento Ciencias de la Tierra comunicaciondct@udec.cl | Imágenes: Departamento Ciencias de la Tierra
Durante los últimos años, se ha registrado un importante avance en la comprensión de los eventos sísmicos y una de las nociones que ha cobrado más fuerza en la última década es que los sismos más pequeños (incluso los imperceptibles por las personas) podrían ser indicadores de la inminencia de grandes terremotos.
En este contexto, cobra mayor relevancia contar con equipos que sean capaces de ampliar el rango en que estos episodios se pueden registrar. Por eso, desde diversas latitudes, los expertos han echado mano de herramientas que están contribuyendo a mover la frontera del conocimiento en varias áreas, como es la inteligencia artificial.
Es el caso de una propuesta de colaboración chileno-checa, financiada por el Fondo de Vinculación Internacional de ANID y liderada desde la Universidad de Concepción por el Dr. Andrés Tassara Oddó. Su contraparte es el Dr. Christian Sippl, de la Academia Checa de Ciencias, y juntos están desarrollando un sistema de machine learning que, sostiene el profesor titular de la Facultad de Ciencias Químicas de la UdeC, “permite disminuir notablemente la magnitud mínima que es capaz de detectar una red de sismómetros cualquiera”.
Entrenamiento del algoritmo
El experto explica que mientras mayor sea la cantidad de episodios sísmicos que registren estos equipos, mejor será la comprensión que se obtenga de ellos y más refinado, por tanto, el análisis espaciotemporal de la sismicidad. “El flujo de trabajo que ha diseñado el Dr. Sippl involucra varias herramientas distintas dentro del procesamiento de los datos, para rescatar mucho mejor las señales de eventos de pequeña magnitud y poder, entonces, identificar sismos que hubiera sido muy difícil detectar con cualquier otra técnica, aumentando enormemente en 10 o 100 veces la cantidad de sismos registrados”, detalla Tassara.
Esto es muy relevante en la actualidad de esta ciencia porque hay acuerdo en que ciertos aspectos de la evolución espacial y temporal de los sismos muy pequeños podrían ser indicativos de procesos mayores, que están ocurriendo en las fallas en su camino hacia un gran terremoto.
“Entonces, el análisis de los sismos pequeños hoy día, en conjunto con el análisis de la deformación superficial que registran los GPS, realmente nos está llevando a un entendimiento mucho mejor de todos los procesos previos a la generación de grandes terremotos”, detalló y enfatizó que “el tener disponible un catálogo de sismos muy pequeños es un tremendo avance hacia un mejor entendimiento de los procesos que ocurren previo a los grandes terremotos y, además, nos permite entender mucho mejor la distribución de zonas que están sísmicamente activas”.
Realidad no lineal
En cuanto al uso de la herramienta de machine learning para este problema científico en particular, el Dr. Tassara explicó que el algoritmo desarrollado por el equipo del Dr. Sippl ya está entrenado con datos sismológicos de Italia y ahora lo que corresponde es nutrirlo con datos de la red sismológica de Chile.
“Lo que logran estos algoritmos es detectar automáticamente eventos que son muy pequeños dentro del registro continuo de una estación en una red de instrumentos suficientemente amplia y en la que estos registros se hayan identificado y revisados por alguien”, detalla Tassara.
Un mismo sismo, por ejemplo, puede ser registrado por varias estaciones de la red, en tiempos distintos, dependiendo de factores como la distancia y la velocidad de propagación de la onda. O, por el contrario, una misma estación puede registrar sismos muy continuos en el tiempo que no corresponden al mismo evento telúrico. Esto representa un importante desafío científico en el que el grupo de científicos espera aportar. “Éste es un problema no lineal porque, por ejemplo, la estructura de velocidad al interior de la Tierra tampoco es una estructura muy simple ni lineal”.
Last modified: 23 de febrero de 2025
