Pronosticando terremotos con Inteligencia Artificial

Nota del editor: hoy nuestra publicación corre a cargo de Phoebe DeVries, investigadora postdoctoral del departamento de Astronomía en Harvard, que ha colaborado con Google en la predicción de la ubicación de réplicas de terremotos con ciencia asistida por IA. 

Desde huracanes e inundaciones hasta volcanes y terremotos, la Tierra no deja de evolucionar con estallidos de espectacular actividad. Solo los terremotos y los consiguientes maremotos han provocado una destrucción masiva en la pasada década; es más, mientras escribía esta publicación, se registraron terremotos en Nueva Caledonia, el sur de California, Irán y Fiyi, entre otros tantos.

Los terremotos normalmente se producen de forma secuencial: a un temblor inicial (el hecho que suele copar las noticias) le siguen a menudo varias réplicas.Aunque, por lo general, estas réplicas son de menor magnitud que el temblor principal, pueden dificultar notablemente las tareas de recuperación y no es fácil predecir la ubicación de estos sucesos.

Hemos colaborado con los expertos en machine learning de Google para ver si podríamos aplicar aprendizaje profundo para determinar dónde podrían producirse las réplicas y con lo averiguado hemos publicado un estudio. Pero primero hablaremos de los antecedentes: comenzamos con una base de datos con información de más de 118 terremotos importantes de todo el mundo.

Una representación visual del terremoto de magnitud 7,3 que se produjo en Landers (California) en 1992. El segmento multicolor representa el temblor inicial y los cuadros rojos representan las réplicas

A partir de estos datos, aplicamos una red neuronal para analizar la relación entre los cambios de estrés estático causados por las ubicaciones del temblor inicial y las réplicas. El resultado final fue un modelo notablemente mejorado de predicción de las ubicaciones de las réplicas, que un día podría ayudar a desplegar servicios de emergencias y evacuar zonas en riesgo de réplica. Aunque este sistema aún es impreciso, supone un avance enorme con respecto a las técnicas clásicas.

La imagen muestra un mapa de la distribución de probabilidades de réplica del terremoto de Landers. Las zonas en rojo oscuro son regiones más propensas a sentir réplicas según las predicciones. Los puntos negros representan réplicas observadas y la línea amarilla muestra las fallas que se rompieron durante el temblor principal.

Con el estudio también obtuvimos un resultado inesperado: nos puede ayudar a comprender mejor la causa de los terremotos, no solo de las réplicas. Al aplicar redes neuronales al conjunto de datos, pudimos observar de cerca los factores concretos que considera importante o útiles para esa predicción, en vez de solo tomar los resultados de las predicciones tal cual. Esto abre nuevas posibilidades a teorías físicas que nos permitan comprender mejor este fenómeno de la naturaleza. Seguiremos desentrañando los misterios que subyacen tras los terremotos con el fin de mitigar sus efectos nocivos.

from Blog Oficial de Google España https://ift.tt/2LCHedX
via IFTTT