Una red neuronal espacio-temporal profunda entrenada en más de 36, 000 terremotos ofrece una nueva forma de predecir rápidamente la intensidad del temblor del suelo una vez que se produce un terremoto, los investigadores informan en la Reunión Anual de 2021 de la Sociedad Sismológica de América (SSA).

DeepShake analiza las señales sísmicas en tiempo real y emite advertencias anticipadas de fuertes sacudidas basadas en las características de las primeras ondas detectadas de un terremoto.

DeepShake fue desarrollado por Daniel J. Wu, Avoy Datta, Weiqiang Zhu y William Ellsworth en la Universidad de Stanford.

Los datos del terremoto utilizados para entrenar la red DeepShake provienen de registros sísmicos del Ridgecrest 2019, Secuencia de California. Cuando sus desarrolladores probaron el potencial de DeepShake utilizando el temblor real del terremoto de magnitud 7.1 en Ridgecrest del 5 de julio, la red neuronal envió alertas simuladas entre 7 y 13 segundos antes de la llegada de temblores de tierra de alta intensidad a ubicaciones en el área de Ridgecrest.

Los autores destacaron la novedad de utilizar el aprendizaje profundo para la alerta temprana rápida y la predicción directamente a partir de registros sísmicos únicamente. "DeepShake es capaz de captar señales en formas de onda sísmicas en dimensiones de espacio y tiempo, "explicó Datta.

DeepShake demuestra el potencial de los modelos de aprendizaje automático para mejorar la velocidad y precisión de los sistemas de alerta de terremotos, añadió.

"DeepShake tiene como objetivo mejorar las alertas tempranas de terremotos al realizar sus estimaciones de sacudidas directamente a partir de las observaciones del movimiento del suelo, eliminar algunos de los pasos intermedios utilizados por los sistemas de alerta más tradicionales, "dijo Wu.

Muchos sistemas de alerta temprana determinan primero la ubicación y la magnitud del terremoto, y luego calcular el movimiento del suelo para una ubicación según las ecuaciones de predicción del movimiento del suelo, Wu explicó.

"Cada uno de estos pasos puede introducir errores que pueden degradar el pronóstico de temblores del suelo, "añadió.

Para abordar esto, el equipo de DeepShake recurrió a un enfoque de red neuronal. La serie de algoritmos que componen una red neuronal se entrenan sin que el investigador identifique qué señales son "importantes" para que la red las utilice en sus predicciones. La red aprende qué características pronostican de manera óptima la fuerza de las sacudidas futuras directamente a partir de los datos.

"Hemos notado al construir otras redes neuronales para su uso en sismología que pueden aprender todo tipo de cosas interesantes, por lo que es posible que no necesiten el epicentro y la magnitud del terremoto para hacer un buen pronóstico, "dijo Wu." DeepShake está entrenado en una red preseleccionada de estaciones sísmicas, para que las características locales de esas estaciones se conviertan en parte de los datos de entrenamiento ".

"Al entrenar un modelo de aprendizaje automático de un extremo a otro, realmente creemos que estos modelos pueden aprovechar esta información adicional para mejorar la precisión, " él dijo.

Wu, Datta y sus colegas ven a DeepShake como un complemento del ShakeAlert operativo de California, añadiendo a la caja de herramientas de los sistemas de alerta temprana de terremotos. "Estamos muy entusiasmados con la expansión de DeepShake más allá de Ridgecrest, y fortaleciendo nuestro trabajo para el mundo real, incluyendo casos de falla como estaciones caídas y alta latencia de la red, "añadió Datta.