- El modelo combina redes convolucionales, redes profundas y unidades recurrentes GRU y alcanzó un R² de 0,9918 dentro del conjunto independiente utilizado por los investigadores.
- Los propios autores aclaran que la herramienta estima magnitudes a partir de información histórica y geoespacial y no anticipa el momento exacto ni la intensidad superficial de un terremoto.
Un modelo híbrido de inteligencia artificial entrenado con 3,5 millones de registros de eventos sísmicos ha conseguido estimar magnitudes con errores relativamente pequeños dentro de un conjunto de prueba cronológicamente separado. El trabajo, publicado este 23 de agosto en Scientific Reports, combina varias arquitecturas de aprendizaje profundo y algoritmos de optimización para intentar capturar relaciones espaciales y temporales presentes en grandes catálogos históricos de terremotos.
La arquitectura reúne una red convolucional para extraer características espaciales, una red neuronal profunda para construir representaciones jerárquicas y unidades recurrentes GRU destinadas a capturar dependencias temporales. Los autores añadieron además un algoritmo de evolución diferencial binaria para seleccionar variables y un algoritmo Firefly para ajustar hiperparámetros. El entrenamiento utilizó registros comprendidos entre 1990 y 2023, separados cronológicamente entre entrenamiento, validación y prueba independiente.
En ese protocolo, el sistema obtuvo un error absoluto medio de 0,0837 unidades de magnitud, un RMSE de 0,1048 y un coeficiente R² de 0,9918. También superó a varias arquitecturas utilizadas como referencia dentro de los experimentos publicados, entre ellas CNN, LSTM, GRU, ResNet50 y VGG-19. Estas métricas describen el comportamiento sobre el catálogo empleado y no garantizan idéntico rendimiento en una red sísmica real de otra región.
La precisión de las cifras puede llevar a una conclusión incorrecta: el modelo no predice cuándo se producirá un futuro terremoto. Los propios investigadores aclaran expresamente que su sistema está diseñado para estimar magnitudes utilizando datos históricos y geoespaciales y que no anticipa ni la hora concreta de un evento ni la severidad del movimiento fuerte que finalmente experimentará la superficie.
Esto diferencia el trabajo de una predicción sísmica completa. En un sistema de alerta temprana real, las estaciones detectan las primeras ondas de un terremoto que ya ha comenzado y necesitan determinar rápidamente su magnitud, localización y posibles efectos antes de que lleguen las ondas más destructivas a lugares más alejados. Los autores consideran que su arquitectura podría actuar en el futuro como un componente de estimación si se integra con datos de formas de onda en tiempo real y estaciones operativas.
Antes de llegar a ese uso será necesario comprobar el modelo con señales sísmicas reales en tiempo real, regiones diferentes y catálogos que no compartan las mismas propiedades estadísticas. Los terremotos extremos son además mucho menos frecuentes que los pequeños, lo que complica la capacidad de cualquier algoritmo para aprender todos los escenarios relevantes únicamente observando datos históricos. El valor actual del estudio está, por tanto, en la estimación computacional de magnitud y no en haber resuelto la predicción de terremotos.
