Un equipo internacional de científicos reveló que la caldera de Yellowstone, en EEUU y considerada una de las zonas volcánicas más activas del planeta, registra una actividad sísmica muy superior a la reconocida hasta ahora. Mediante la utilización de técnicas avanzadas de machine learning, los expertos identificaron cerca de diez veces más terremotos que los registros tradicionales.
El hallazgo, publicado en la revista Science Advances, redefine la comprensión de la actividad sísmica en este parque nacional de Estados Unidos, aportando perspectivas para la seguridad y el desarrollo energético en áreas volcánicas.
La University of Western Ontario informó que el estudio fue dirigido por Bing Li, especialista en terremotos inducidos por fluidos y mecánica de rocas, en colaboración con la Universidad Industrial de Santander (Colombia) y el United States Geological Survey. El equipo analizó datos sísmicos de Yellowstone, región que abarca partes de Wyoming, Idaho y Montana, correspondientes a quince años, de 2008 a 2022. Identificaron y catalogaron 86.276 terremotos, multiplicando por diez los registros anteriores y ofreciendo una visión inédita de la dinámica interna del sistema volcánico.
Machine learning, herramienta clave para acelerar la detección sísmica
El avance se atribuye principalmente al machine learning, rama de la inteligencia artificial que permite a las computadoras identificar patrones complejos en grandes volúmenes de datos. Antes, la detección dependía de la inspección manual por parte de especialistas, un proceso laborioso y limitado para identificar eventos de baja magnitud o corta duración.
“La inspección manual de todos estos datos sería imposible, no es escalable”, explicó Bing Li según la University of Western Ontario. Gracias a la automatización y capacidad de procesamiento, se lograron detectar miles de eventos hasta ahora inadvertidos, generando un catálogo sísmico mucho más completo para Yellowstone. Esta revolución en la sismología enriqueció de manera significativa la base de datos disponible para los investigadores.
