Un catálogo de alta resolución de millones de terremotos en el sur de California, EEUU, ha revelado valiosa información sobre el aumento de actividad sísmica que precede a los grandes temblores de tierra.
En un estudio publicado Geophysical Research Letters, los científicos del Los Álamos National Laboratory (LANL) examinaron un conjunto de datos masivos de los grandes y pequeños sismos de la región, e informaron un aumento distintivo de la actividad sísmica en las semanas y días previos a la mayoría de los terremotos.
«Es muy difícil desempacar lo que desencadena terremotos más grandes porque son poco frecuentes, pero con esta nueva información sobre una gran cantidad de terremotos pequeños, podemos ver cómo evoluciona el estrés en los sistemas de fallas», dijo Daniel Trugman, un becario postdoctoral en Los Alamos National Laboratory y coautor de un artículo publicado en la revista Science.
«Esta nueva información sobre los mecanismos de activación y las anticipaciones ocultas nos brinda una plataforma mucho mejor para explicar cómo comienzan los grandes terremotos«, dijo.
Trugman y coautores del Instituto de Tecnología de California y la Institución de Oceanografía Scripps realizaron una operación masiva de minería de datos de la Red Sísmica del Sur de California para terremotos reales enterrados en el ruido. El equipo pudo detectar, comprender y localizar terremotos con mayor precisión, y crearon el catálogo de terremotos más completo hasta la fecha.
El trabajo identificó 1,81 millones de terremotos, 10 veces más terremotos que ocurren 10 veces más frecuentemente que los terremotos previamente identificados utilizando los métodos de sismología tradicionales.
El equipo desarrolló una biblioteca completa y detallada sobre terremotos para toda la región del sur de California, llamada catálogo Quake Template Matching (QTM). Lo están utilizando para crear un mapa más completo de las fallas y el comportamiento del terremoto de California. Este catálogo puede ayudar a los investigadores a detectar y localizar terremotos con mayor precisión.
El equipo analizó casi dos décadas de datos recopilados por la Red Sísmica del Sur de California (SCSN). La red, considerada uno de los mejores sistemas sísmicos del mundo, acumula un catálogo de terremotos de 550 estaciones de monitoreo sísmico en la región. El catálogo SCSN se basa completamente en el enfoque tradicional: observación manual y análisis visual. Pero Trugman dice que este enfoque tradicional pierde muchas señales débiles que son indicadores de pequeños terremotos.
El equipo mejoró este catálogo con la minería de datos. Utilizando la computación paralela, agruparon casi 100 terabytes de datos en 200 unidades de procesamiento de gráficos. Al acercarse a alta resolución durante un período de 10 años, realizaron una coincidencia de plantilla utilizando sismogramas (formas de onda o señales) de terremotos previamente identificados.
Para crear plantillas, cortaron piezas de formas de onda de terremotos registrados previamente y combinaron esas formas de onda con patrones de señales grabadas simultáneamente desde múltiples estaciones sísmicas. La coincidencia de plantillas se ha realizado antes, pero nunca a esta escala.
«Ahora podemos automatizarlo y buscar exhaustivamente en todo el archivo de forma de onda para encontrar señales de terremotos muy pequeños previamente ocultos en el ruido», explicó Trugman.
La aplicación de las plantillas encontró eventos precursores de terremotos, anticipaciones y pequeños terremotos que se habían perdido con los métodos manuales. Esos eventos a menudo proporcionan detalles físicos y geográficos clave para ayudar a predecir grandes terremotos. El equipo también identificó secuencias de iniciación que revelan cómo se desencadenan los terremotos.
Nuevos detalles también revelaron geometría tridimensional y estructuras de fallas, que apoyarán el desarrollo de modelos más realistas.
Recientemente, los colegas de Trugman y Los Alamos han aplicado el aprendizaje automático para estudiar los terremotos creados en máquinas de terremotos de laboratorio. Ese trabajo ha descubierto detalles importantes sobre el comportamiento de los terremotos que pueden usarse para predecir terremotos.
«En el laboratorio, vemos pequeños eventos como precursores de grandes eventos de deslizamiento, pero no vemos esto consistentemente en el mundo real. Este análisis de coincidencia de plantillas de grandes datos cierra la brecha», dijo.
«Y ahora descubrimos terremotos que antes se descartaban como ruido y aprendimos más sobre su comportamiento. Si podemos identificar estas secuencias como anticipaciones en tiempo real, podemos predecir el Big One».
