¿Puede la IA predecir con precisión terremotos con 72 horas de antelación a partir de datos sísmicos y atmosféricos ?

¿Podrían los avances en inteligencia artificial, entrenada con datos sísmicos y atmosféricos, predecir de manera fiable terremotos hasta tres días antes de que ocurran? Las apuestas son enormes: las advertencias oportunas podrían transformar la preparación para desastres en todo el mundo. Sin embargo, ¿qué dice realmente la ciencia sobre esta posibilidad?

Background

La predicción de terremotos sigue siendo uno de los problemas más desafiantes en la geociencia. Los métodos tradicionales se basan en el análisis estadístico de la sismicidad histórica, mediciones geodésicas de la deformación cortical y señales precursoras como los sismos premonitorios, pero ninguno ha proporcionado de manera consistente pronósticos a corto plazo confiables (días a semanas) antes de eventos mayores (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

En los últimos años, se han explorado enfoques de aprendizaje automático (ML) para detectar patrones sutiles y no lineales en datos sísmicos que podrían preceder a los terremotos. Estudios han utilizado conjuntos de datos a gran escala de redes sísmicas densas para entrenar redes neuronales profundas capaces de identificar anomalías en características de formas de onda, como agrupamiento temporal, contenido espectral o cambios en el parámetro b (DeVries et al., 2018; Mignan et al., 2021). Algunos modelos reportan un mejor rendimiento en el pronóstico de secuencias de réplicas o en la detección de señales de alerta temprana a escala regional (por ejemplo, Perol et al., 2018; Zhang et al., 2021). Sin embargo, la interpretabilidad física de estas anomalías sigue siendo debatida, y las validaciones prospectivas rigurosas en diversos entornos tectónicos son limitadas (van der Elst et al., 2021).

La inclusión de datos atmosféricos —como perturbaciones ionosféricas (por ejemplo, anomalías en el contenido total de electrones), emisiones de radón o anomalías en infrarrojo térmico— se ha sugerido como posibles indicadores precursores, basándose en observaciones anecdóticas y estudios de casos (por ejemplo, Pulinets & Ouzounov, 2011). El monitoreo basado en satélites (por ejemplo, GOES, Swarm) ha permitido una cobertura espacial más amplia de estas señales, y algunos modelos de ML han intentado fusionar entradas sísmicas y atmosféricas para mejorar la capacidad predictiva (por ejemplo, Akhoondzadeh & Di Mauro, 2022). No obstante, los mecanismos que vinculan los cambios atmosféricos con el estrés tectónico siguen siendo especulativos, y faltan pruebas sólidas de vías causales (Thomas et al., 2017; Dautermann et al., 2007).

A pesar de los informes anecdóticos y los análisis de casos aislados, la comunidad geofísica en general mantiene que no existe un método validado para predecir el momento, la ubicación y la magnitud de los terremotos con la precisión suficiente como para justificar advertencias públicas (por ejemplo, editorial de Nature, 2018). El USGS afirma explícitamente que la predicción a corto plazo confiable no es factible con el conocimiento y la tecnología actuales (USGS, 2023). Aunque la IA puede mejorar la detección de patrones sutiles, persiste el escepticismo sobre si estos representan verdaderos precursores o correlaciones espurias (por ejemplo, Mignan, 2016). Por lo tanto, el frente de investigación se centra en distinguir la señal del ruido y en garantizar que cualquier señal predictiva putative pueda validarse prospectivamente en condiciones ciegas en múltiples regímenes sísmicos.

La predicción de terremotos a corto plazo —definida como predecir un evento específico con horas o días de antelación— sigue siendo uno de los objetivos más desafiantes de la sismología. Desde la década de 1970, los investigadores han explorado las relaciones entre señales geofísicas y atmosféricas (por ejemplo, anomalías electromagnéticas, emisiones de radón o perturbaciones ionosféricas) y temblores inminentes, pero los conjuntos de datos prospectivos validados que cubren el horizonte completo de 72 horas son escasos. Los estudios estadísticos que afirman tener habilidad en esta escala temporal a menudo no resisten pruebas rigurosas fuera de la muestra o no se han replicado en múltiples entornos tectónicos. Los modelos de aprendizaje profundo que procesan flujos continuos de datos sísmicos y meteorológicos han mostrado promesas en conjuntos de datos retrospectivos —a veces reportando ganancias aparentes en métricas de pronóstico a corto plazo—, pero estos avances aún no se han traducido en sistemas operativos respaldados por encuestas geológicas importantes. La ausencia de un mecanismo físico universalmente aceptado que vincule las señales atmosféricas con la nucleación de la ruptura sigue limitando el desarrollo de predictores confiables y generalizables en el horizonte de tres días.

— Enriquecido el 15 de mayo de 2026