Saltar al contenido principalSaltar al pie de página

Ciencias de la Tierra

Descubren terremotos ocultos gracias a la Inteligencia Artificial

Los movimientos se registraron en la caldera o "supervolcán" de Yellowstone, considerada una de las zonas sísmicas más intensas y peligrosas del planeta

Aguas termales Grand Prismatic, en el Parque Nacional de Yellowstone: se originan en una cámara de magma situada bajo la superficie.

Aguas termales Grand Prismatic, en el Parque Nacional de Yellowstone: se originan en una cámara de magma situada bajo la superficie. / Crédito: Bing Li.

Pablo Javier Piacente / T21

Un equipo científico utilizó el aprendizaje automático para reexaminar datos históricos de terremotos de la caldera de Yellowstone, durante un período de 15 años. Gracias a este nuevo enfoque, los especialistas lograron detectar aproximadamente 10 veces más eventos sísmicos o terremotos que los registrados anteriormente con tecnologías previas.

Un estudio liderado por el profesor Bing Li, de la Universidad de Ontario Occidental, en Canadá, y publicado recientemente en la revista Science Advances, revela cómo gracias a técnicas de aprendizaje automático e Inteligencia Artificial (IA), los investigadores han identificado diez veces más terremotos de los registrados hasta hoy en la caldera de Yellowstone, en Estados Unidos, entre 2008 y 2022.

Yellowstone es una caldera volcánica ubicada en el parque nacional del mismo nombre: mide aproximadamente 55 por 72 kilómetros y se formó durante la última de las tres erupciones de mayor magnitud que se produjeron a lo largo de los últimos 2,1 millones de años.

Terremotos ocultos

Algunas teorías indican que una nueva erupción de esta estructura podría acabar con la vida sobre la Tierra, aunque otras investigaciones lo desmienten. El reciente éxodo de animales ha generado preocupación en algunos sectores, sugiriendo una posible erupción inminente. Sin embargo, voces científicas han desestimado esa posibilidad.

El nuevo trabajo analizó 15 años de datos sísmicos históricos para construir un catálogo mucho más completo de la actividad subterránea en esta zona, que podrá ayudar a entenderla con mayor detalle. Los científicos aplicaron algoritmos de aprendizaje automático sobre ondas sísmicas archivadas en centros de datos.

Es importante recordar que el aprendizaje automático es una variedad de IA que se enfoca en crear sistemas capaces de aprender y mejorar a partir de la experiencia, sin necesidad de ser programados para cada nueva tarea. Estas herramientas permitieron detectar y asignar magnitudes a eventos de muy baja intensidad, que pasaron desapercibidos con métodos manuales tradicionales.

Predicción de terremotos y energía geotérmica

El nuevo catálogo resultante contabilizó 86.276 terremotos en la zona durante esos 15 años, frente a los aproximadamente 8.600 del registro previo, concretando un aumento de casi el 900%. Esta cifra otorga a los investigadores una visión más detallada de la dinámica volcánica y sísmica de Yellowstone, una región que abarca partes de Wyoming, Idaho y Montana y que es considerada uno de los sistemas volcánicos más activos del planeta.

Referencia

Long-term dynamics of earthquake swarms in the Yellowstone caldera. Manuel A. Florez et al. Science Advances (2025). DOI:https://doi.org/10.1126/sciadv.adv6484

Más de la mitad de estos eventos se agrupan en los denominados "enjambres sísmicos", que son series de pequeños terremotos que ocurren en un espacio reducido y en lapsos cortos, sin un movimiento principal seguido de réplicas. De acuerdo a una nota de prensa, este fenómeno sugiere interacciones complejas entre fluidos subterráneos y fallas geológicas.

Las conclusiones indican que comprender patrones de sismicidad a tan pequeña escala abre nuevas vías para mejorar la seguridad frente a terremotos, ya que anticipar los enjambres podría fortalecer los protocolos de alerta. Además, el método puede orientar proyectos de energía geotérmica, evitando perforaciones en zonas de alto riesgo sísmico y aprovechando mejor el flujo de calor del subsuelo.

TEMAS

Tracking Pixel Contents