Utilizan redes neuronales artificiales para predecir seísmos

Investigadores de la Universidad Pablo de Olavide, del NT2 Labs – Nikola Tesla New Technology Labs de Chile y de la Universidad de Sevilla han aplicado técnicas basadas en la minería de datos para el descubrimiento de patrones en series temporales de origen sísmico, y así poder predecir su ocurrencia. En concreto, han utilizado redes neuronales artificiales para predecir terremotos en Chile, uno de los países con mayor actividad sísmica del mundo, y en la Península Ibérica.

Las redes neuronales artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida.

En un artículo publicado en la revista Applied Soft Computing [1], muestran un método concreto, basado en la aplicación de redes neuronales artificiales, que han usado para predecir terremotos en Chile, uno de los países con mayor actividad sísmica del mundo. Este metodología, con ligeras modificaciones, se ha aplicado con éxito a las dos zonas más activas de la Península Ibérica. Sus resultados se publicaron en 2013 en la revista Tectonophysics [2]. Recientemente, se ha depurado la metodología y mejorado los resultados en ambas zonas, alcanzando tasas de acierto superiores al 80%, mediante la aplicación de técnicas de selección de atributos. Los resultados se han publicado en Knowledge-Based Systems [3].

Para toda su experimentación, los investigadores realizan dos tipos de predicciones: la probabilidad de que un terremoto sea de magnitud mayor que un determinado valor umbral, así como la probabilidad de ocurrencia de un terremoto de magnitud dentro de un determinado intervalo de tiempo. En ambos casos, se mide la probabilidad de que ocurran en los siguientes cinco o siete días, para los casos de Chile y de la Península Ibérica, respectivamente.

La precisión del método se evaluó en experimentos retrospectivos. La alta tasa de éxito alcanzado apoya la conveniencia de la aplicación de técnicas de minería de datos en este ámbito, según los investigadores, y plantea nuevos retos que deben abordarse.

Aunque en el mercado ya existen diversos aparatos que detectan con cierta anticipación la venida de un terremoto, ninguno es tan preciso y tampoco tiene posibilidades de ampliar su desarrollo o entregar datos analíticos. Francisco Martínez Álvarez, miembro del grupo TIC-200: Sistemas Inteligentes y Minería de Datos de la Universidad Pablo de Olavide, afirma que este modelo es capaz de predecir terremotos con alta fiabilidad, para una incertidumbre temporal de entre cinco y siete días y con una margen de error espacial del orden de, aproximadamente, 100×100 km².

Los investigadores responsables de este trabajo afirman, igualmente, que la metodología desarrollada podría extrapolarse a cualquier tipo de desastre natural siempre que se aporten los datos necesarios, lo cual sería de gran interés por ejemplo para la predicción de tsunamis tras un terremoto, puesto que el sistema de detección actual, consistente en alarmas-sensores colocados en boyas instaladas en el mar, avisa sólo cuatro horas antes de que se produzca. En la actualidad, están estudiando también si se puede extrapolar la metodología a otras partes del mundo, habiendo ya obtenido los primeros resultados positivos para determinadas zonas de China y de Japón.

También los investigadores están estudiando la posibilidad de aplicar la minería de datos a la predicción de tifones, lo que requiere hacer un análisis de datos relacionados, determinar si la metodología es aplicable y extrapolable, y por tanto hacer las modificaciones oportunas.

[1]  J. Reyes, A. Morales-Esteban, F. Martínez-Álvarez. Neural networks to predict earthquakes in Chile. Applied Soft Computing, vol. 13, pp. 1314-1328, 2013.

[2]  A. Morales-Esteban, F. Martínez-Álvarez, J. Reyes. Earthquake prediction in seismogenic areas of the Iberian Peninsula based on computational intelligence. Tectonophysics, vol. 593, pp. 121-134, 2013.

[3]  F. Martínez-Álvarez, J. Reyes, A. Morales-Esteban, C. Rubio-Escudero. Determining the best set of seismicity indicators to predict earthquakes. Two case studies: Chile and the Iberian Peninsula. Knowledge-Based Systems, vol. 50, pp. 198-210, 2013.

Contacto:

Francisco Martínez Álvarez, profesor de Ingeniería Informática en Sistemas de Información.

Universidad Pablo de Olavide, de Sevilla
Teléfono: 954977370

Email: fmaralv@upo.es

www.upo.es/eps/martinez