Combinando datos sísmicos históricos, Los investigadores que utilizan un modelo de aprendizaje automático han descubierto distintas características estadísticas que marcan la etapa formativa de las rupturas de deslizamiento lento en la corteza terrestre meses antes de que el temblor o los datos del GPS detectaran un deslizamiento en las placas tectónicas. Dada la similitud entre los eventos de deslizamiento lento y los terremotos clásicos, Estas firmas distintas también pueden ayudar a los geofísicos a comprender el momento de los devastadores terremotos más rápidos.

"El modelo de aprendizaje automático descubrió que cerca del final del ciclo de deslizamiento lento, se imprime una instantánea de los datos con información fundamental sobre la próxima falla del sistema, "dijo Claudia Hulbert, un geofísico computacional en ENS y el Laboratorio Nacional de Los Alamos y autor principal del estudio, publicado hoy en Comunicaciones de la naturaleza . "Nuestros resultados sugieren que la ruptura de deslizamiento lento puede ser predecible, y debido a que los eventos de deslizamiento lento tienen mucho en común con los terremotos, Los eventos de deslizamiento lento pueden proporcionar una manera más fácil de estudiar la física fundamental de la ruptura de la tierra ".

Los eventos de deslizamiento lento son terremotos que sacuden suavemente el suelo durante días, meses, o incluso años, no irradian ondas sísmicas de gran amplitud, ya menudo pasan desapercibidos para la persona promedio. Los terremotos clásicos con los que la mayoría de la gente está familiarizada rompen el suelo en minutos. En un área determinada también ocurren con menos frecuencia, haciendo que los terremotos más grandes sean más difíciles de estudiar con las técnicas de aprendizaje automático que requieren gran cantidad de datos.

El equipo analizó las ondas sísmicas continuas que cubren el período 2009 a 2018 de la Red Sísmica del Noroeste del Pacífico, que rastrea los movimientos de tierra en la región de Cascadia. En esta zona de subducción, durante un evento de deslizamiento lento, la placa de América del Norte se tambalea hacia el suroeste sobre la placa de Juan de Fuca aproximadamente cada 14 meses. El conjunto de datos se prestó bien al enfoque de aprendizaje automático supervisado desarrollado en experimentos de terremotos de laboratorio por los colaboradores del equipo de Los Alamos y utilizado para este estudio.

El equipo calculó una serie de características estadísticas relacionadas con la energía de la señal en señales de baja amplitud, bandas de frecuencia que identificaron su trabajo anterior como las más informativas sobre el comportamiento del sistema geológico. La característica más importante para predecir el deslizamiento lento en los datos de Cascadia es la potencia sísmica, que corresponde a la energía sísmica, en particular bandas de frecuencia asociadas a eventos de deslizamiento lento. Según el periódico, el deslizamiento lento a menudo comienza con una aceleración exponencial en la falla, una fuerza tan pequeña que elude la detección por sensores sísmicos.

"Para la mayoría de los eventos, podemos ver las firmas de una ruptura inminente desde semanas hasta meses antes de la ruptura, ", Dijo Hulbert." Son lo suficientemente similares de un ciclo de eventos al siguiente para que un modelo entrenado en datos pasados ​​pueda reconocer las firmas en datos de varios años después. Pero sigue siendo una pregunta abierta si esto se mantiene durante largos períodos de tiempo ".

La hipótesis del equipo de investigación sobre la señal que indica la formación de un evento de deslizamiento lento se alinea con otro trabajo reciente de Los Alamos y otros que detectan premoniciones de pequeña amplitud en California. Ese trabajo encontró que los sismos previos se pueden observar en promedio dos semanas antes de la mayoría de los terremotos de magnitud superior a 4.

Los algoritmos de aprendizaje automático supervisados ​​de Hulbert y sus colaboradores se entrenan en las características sísmicas calculadas a partir de la primera mitad de los datos sísmicos e intentan encontrar el mejor modelo que mapee estas características con el tiempo restante antes del próximo evento de deslizamiento lento. Luego lo aplican a la segunda mitad de los datos, que no ha visto.

Los algoritmos son transparentes, lo que significa que el equipo puede ver qué características utiliza el aprendizaje automático para predecir cuándo se produciría la falla. También permite a los investigadores comparar estas características con las más importantes en los experimentos de laboratorio para estimar los tiempos de falla. Estos algoritmos se pueden probar para identificar qué características estadísticas de los datos son importantes en las predicciones del modelo, y por qué.

"Al identificar las características estadísticas importantes, podemos comparar los resultados con los de experimentos de laboratorio, lo que nos da una ventana a la física subyacente, ", Dijo Hulbert." Dadas las similitudes entre las características estadísticas en los datos de Cascadia y los experimentos de laboratorio, parece haber puntos en común en la física de la fricción que subyace a la ruptura y nucleación por deslizamiento lento. Las mismas causas pueden escalar desde el pequeño sistema de laboratorio hasta la gran escala de la zona de subducción de Cascadia ".

El equipo de sismología de Los Alamos, dirigido por Paul Johnson, ha publicado varios artículos en los últimos años siendo pioneros en el uso del aprendizaje automático para desempacar la física subyacente a los terremotos en experimentos de laboratorio y datos sísmicos del mundo real.