Fase preparatoria de grandes terremotos iluminada por la categorización no supervisada de características de catálogos sísmicos

Por qué esto importa para las personas que viven con riesgo sísmico

Comunidades de todo el mundo viven con el temor a terremotos devastadores, pero los científicos aún no pueden decir con exactitud cuándo y dónde ocurrirá el próximo gran sismo. Este estudio explora si cambios sutiles en los terremotos cotidianos de baja magnitud pueden revelar cuándo una falla se está preparando silenciosamente para un evento mucho mayor. Mediante técnicas avanzadas de detección de patrones aplicadas a catálogos de terremotos, los investigadores prueban si es posible identificar una verdadera “preparación” para grandes sismos, al tiempo que reconocen cuándo no existe tal aviso.

Escuchar la falla a través de muchos pequeños terremotos

Los grandes terremotos por lo general no ocurren de la nada. Antes de una ruptura mayor, las fallas a menudo experimentan cambios como precursores, enjambres de pequeños sismos o movimientos lentos y continuos. Sin embargo, estas fases preparatorias varían mucho según el lugar y, en algunos casos, parecen estar ausentes. Los autores reúnen catálogos detallados de terremotos pequeños y moderados de cinco regiones bien estudiadas, incluyendo el terremoto de Kahramanmaraş de 2023 en Türkiye, el sismo de L’Aquila de 2009 en Italia y el megatón de Iquique de 2014 en Chile. Para cada área examinan años de sismicidad previos al choque principal, buscando patrones que puedan señalar que una falla se acerca a la ruptura.

De catálogos crudos a familias de eventos relacionados

En lugar de tratar cada terremoto como un punto aislado, el equipo agrupa los eventos en “familias” que están próximas en espacio, tiempo y magnitud. Cada familia contiene un choque principal (su evento más grande) y sus precursores y réplicas asociadas. Alrededor de cada evento, los investigadores calculan docenas de medidas descriptivas: la rapidez con que ocurren los sismos, cuán estrechamente se agrupan en espacio y tiempo, cuánto esfuerzo alivian y cómo se distribuyen los tamaños de los sismos. Estas mediciones por evento se promedian dentro de cada familia y se combinan con descriptores sencillos de la estructura interna de la familia (por ejemplo, si se asemeja más a una secuencia típica de réplicas o a un enjambre más difuso). El resultado es una huella compacta para cada familia que captura cómo se comporta el segmento de falla local.

Dejar que los datos se organicen por sí mismos

En vez de decirle al ordenador de antemano cómo debe ser un “patrón de advertencia”, los autores usan aprendizaje automático no supervisado. En concreto, aplican un algoritmo k-means que ordena automáticamente las familias de terremotos en categorías con huellas similares. Estas categorías abarcan desde comportamientos más estables—eventos dispersos en el tiempo y el espacio que liberan poca deformación—hasta comportamientos más críticos, marcados por agrupamientos estrechos, fuerte interacción entre eventos y liberación concentrada de esfuerzo. Lo crucial es que el algoritmo no sabe cuándo ocurre el gran sismo; simplemente agrupa familias según sus características. Los investigadores examinan entonces cuándo y dónde aparecen las categorías más “críticas” en relación con los choques principales posteriores.

Dónde la falla realmente se calienta — y dónde no

Para tres terremotos conocidos por tener fases preparatorias claras—Kahramanmaraş, L’Aquila e Iquique—el método identifica con éxito familias duraderas y altamente localizadas que aparecen poco antes del choque principal y se distinguen de la actividad anterior. En estos casos, las categorías críticas se asocian con cúmulos densos de eventos, huellas espaciales que se reducen y mayor liberación de esfuerzo, coherente con un segmento de falla concentrando tensión y daño antes de la falla. En contraste, para otros dos eventos—el terremoto de Amatrice de 2016 en Italia y el de Noto de 2024 en Japón—el flujo de trabajo no encuentra una familia críticamente única que persista hasta el choque principal. Amatrice parece estar precedido por una relativa calma, y Noto por actividad de enjambre compleja y presencia de fluidos, lo que sugiere que no todos los grandes terremotos muestran una advertencia sísmica clara en el catálogo.

Hacia información temprana práctica, con cautela

Finalmente, los autores prueban si su enfoque podría funcionar en algo más cercano al tiempo real. Entrenan su categorización con un período anterior de datos y luego avanzan a lo largo del catálogo para ver cuándo aparece una categoría nueva y distinta. En los tres casos con fases preparatorias conocidas, se observa un cambio marcado en la medida de agrupamiento semanas a meses antes del gran sismo, lo que insinúa su posible uso para la previsión operativa de terremotos. Aun así, el estudio subraya límites importantes: el método solo puede detectar fases preparatorias que realmente produzcan sismicidad detectable, depende de catálogos de alta calidad y requiere interpretación experta para juzgar si una categoría emergente es verdaderamente crítica. En resumen, este marco no “predice” terremotos, pero ofrece una forma físicamente fundamentada de resaltar cuándo y dónde los pequeños sismos pueden indicar que una falla está entrando en un estado más peligroso.

Cita: Karimpouli, S., Martínez-Garzón, P., Núñez-Jara, S. et al. Preparatory phase of large earthquakes illuminated by unsupervised categorization of earthquake catalog features. Nat Commun 17, 4024 (2026). https://doi.org/10.1038/s41467-026-72279-x

Palabras clave: predicción de terremotos, patrones de sismicidad, aprendizaje automático, precursores sísmicos, mecánica de fallas