Sismólogos avanzan en un modelo de aprendizaje profundo para predecir terremotos - INVDES
Sismólogos avanzan en un modelo de aprendizaje profundo para predecir terremotos - INVDES
Investigadores de la Universidad de California han desarrollado RECAST, un modelo de aprendizaje profundo que mejora significativamente la predicción de réplicas de terremotos de gran magnitud. Al analizar vastos conjuntos de datos sísmicos históricos y actuales, este enfoque supera al método tradicional ETAS, diseñado para una época de datos limitados. RECAST demuestra una mayor precisión y velocidad, demostrando que las capacidades computacionales modernas pueden manejar la complejidad de los extensos catálogos sísmicos de manera más efectiva que las técnicas estadísticas anteriores. La relevancia de los datos abiertos radica en la capacidad del modelo para aprovechar información integral y continuamente registrada sobre el movimiento del terreno, en lugar de depender de definiciones rígidas de eventos específicos. Este cambio fomenta el uso de todos los datos sísmicos disponibles, promoviendo un enfoque más inclusivo y robusto para el análisis. La flexibilidad de RECAST permite que sea entrenado con conjuntos de datos globales diversos y adaptado a regiones con menos recursos, destacando el potencial del intercambio abierto y estandarizado de datos para mejorar las capacidades predictivas a nivel mundial. En última instancia, este avance representa un cambio metodológico en la sismología, donde el volumen y la calidad de los datos abiertos impulsan directamente el progreso científico. Subraya la importancia de los conjuntos de datos accesibles y a gran escala en el desarrollo de herramientas de pronóstico confiables. Al superar los modelos tradicionales frágiles, los investigadores pueden crear sistemas adaptables que utilicen información de monitoreo continuo, mejorando la preparación ante desastres y la comprensión científica mediante la integración efectiva de registros sísmicos abiertos.
Fuente: invdes.com.mxPublicado el 2023-09-20