El 1 de enero de 2008, a la 1:59 AM en Calipatria, California, ocurrió un terremoto. Probablemente no haya oído hablar de este terremoto; incluso si hubiera estado viviendo en Calipatria, no habría sentido nada. Tuvo una magnitud de -0.53, aproximadamente la misma cantidad de temblor que el paso de un camión. Aún así, este terremoto es notable, no porque fuera grande, sino porque fue pequeño, y sin embargo, lo conocemos.
En los últimos siete años, las herramientas de IA basadas en imágenes computarizadas han automatizado casi por completo una de las tareas fundamentales de la sismología: la detección de terremotos. Lo que solía ser tarea de analistas humanos, y más tarde, de programas informáticos más simples, ahora puede ser realizado de forma automática y rápida por herramientas de aprendizaje automático.
Estas herramientas de aprendizaje automático pueden detectar terremotos más pequeños que los analistas humanos, especialmente en entornos ruidosos como las ciudades. Los terremotos brindan información valiosa sobre la composición de la Tierra y qué peligros podrían ocurrir en el futuro.
“En el mejor de los casos, cuando se adoptan estas nuevas técnicas, incluso en los mismos datos antiguos, es como ponerse gafas por primera vez y poder ver las hojas de los árboles”, dijo Kyle Bradley, coautor del boletín Earthquake Insights.
Se consultó a varios científicos especializados en terremotos, y todos coincidieron en que los métodos de aprendizaje automático han reemplazado a los humanos para mejor en estas tareas específicas.
“Es realmente notable”, afirmó Judith Hubbard, profesora de la Universidad de Cornell y coautora de Bradley.
Menos claro es lo que viene después. La detección de terremotos es una parte fundamental de la sismología, pero hay muchas otras tareas de procesamiento de datos que aún no se han visto afectadas. Los mayores impactos potenciales, hasta la predicción de terremotos, aún no se han materializado.
“Realmente fue una revolución”, dijo Joe Byrnes, profesor de la Universidad de Texas en Dallas. “Pero la revolución está en curso”.
¿Qué hacen los sismólogos?
Cuando ocurre un terremoto en un lugar, el temblor pasa a través del suelo, de forma similar a como las ondas sonoras pasan a través del aire. En ambos casos, es posible extraer inferencias sobre los materiales a través de los cuales pasan las ondas.
Imagine golpear una pared para averiguar si está hueca. Debido a que una pared sólida vibra de manera diferente a una pared hueca, se puede determinar la estructura por el sonido.
Con los terremotos, este mismo principio se aplica. Las ondas sísmicas pasan a través de diferentes materiales (roca, petróleo, magma, etc.) de manera diferente, y los científicos utilizan estas vibraciones para obtener imágenes del interior de la Tierra.
La principal herramienta que los científicos utilizan tradicionalmente es un sismómetro. Estos registran el movimiento de la Tierra en tres direcciones: arriba-abajo, norte-sur y este-oeste. Si ocurre un terremoto, los sismómetros pueden medir el temblor en esa ubicación particular.
Luego, los científicos procesan la información sin procesar del sismómetro para identificar los terremotos.
Los terremotos producen múltiples tipos de temblores, que viajan a diferentes velocidades. Dos tipos, las ondas Primarias (P) y las ondas Secundarias (S) son particularmente importantes, y a los científicos les gusta identificar el inicio de cada una de estas fases.
Encontrando terremotos antes del aprendizaje automático
Antes de que existieran buenos algoritmos, la catalogación de terremotos tenía que hacerse a mano. Byrnes dijo que “tradicionalmente, algo así como el laboratorio del Servicio Geológico de los Estados Unidos tendría un ejército de estudiantes universitarios o pasantes que observarían los sismogramas”.
Sin embargo, solo hay una cantidad limitada de terremotos que se pueden encontrar y clasificar manualmente. La creación de algoritmos para encontrar y procesar terremotos de manera efectiva ha sido durante mucho tiempo una prioridad en el campo, especialmente desde la llegada de las computadoras a principios de la década de 1950.
“El campo de la sismología históricamente siempre ha avanzado a medida que ha avanzado la informática”, dijo Bradley.
Sin embargo, existe un gran desafío con los algoritmos tradicionales: no pueden encontrar fácilmente terremotos más pequeños, especialmente en entornos ruidosos.
Como vemos en el sismograma anterior, muchos eventos diferentes pueden causar señales sísmicas. Si un método es demasiado sensible, corre el riesgo de detectar falsamente eventos como terremotos. El problema es especialmente grave en las ciudades, donde el zumbido constante del tráfico y los edificios puede ahogar los pequeños terremotos.
Sin embargo, los terremotos tienen una “forma” característica. El terremoto de magnitud 7.7 anterior se ve bastante diferente del aterrizaje del helicóptero, por ejemplo.
Fuente original: ver aquí