Patrones ocultos en la sismicidad volcánica: conocimientos de deep learning sobre la actividad del Monte Etna 2020–2021

Escuchando a un volcán inquieto

El Monte Etna, en Sicilia, es uno de los volcanes más activos del mundo, y sus erupciones pueden amenazar localidades cercanas, aeropuertos e infraestructuras críticas. Los observatorios volcánicos ya vigilan de cerca al Etna con numerosos instrumentos, pero el gran volumen de datos dificulta que solo los humanos detecten a tiempo todas las señales de alerta. Este estudio muestra cómo la inteligencia artificial moderna puede examinar un año del “latido” sísmico del Etna para descubrir patrones ocultos que revelan cuándo el volcán está tranquilo, cuándo se está recargando y cuándo se está preparando para erupcionar.

Por qué importan las “banda sonoras” volcánicas

Los volcanes generan constantemente vibraciones que se propagan por el subsuelo como ondas sísmicas. Algunas son sacudidas agudas, parecidas a terremotos, mientras que otras son más un zumbido continuo llamado tremor volcánico o tonos especiales conocidos como eventos de periodo largo. En el Etna, estas señales se registran día y noche mediante una densa red de sismómetros. Tradicionalmente, los expertos analizan la potencia y la frecuencia de estas sacudidas, junto con las emisiones de gas, la deformación del terreno y observaciones visuales, para evaluar si el volcán está en una fase segura o se acerca a una erupción peligrosa. Pero la actividad del Etna desde finales de 2020 hasta finales de 2021 fue especialmente intensa, produciendo dos largas secuencias de espectaculares fuentes de lava y un aluvión de datos difíciles de interpretar en tiempo real.

Enseñar a los ordenadores a detectar patrones ocultos

Los investigadores emplearon un enfoque de deep learning no supervisado, lo que significa que al ordenador no se le indicó de antemano qué días eran eruptivos o tranquilos. En su lugar, introdujeron espectrogramas diarios—imágenes a color que muestran cómo varía la intensidad de las vibraciones sísmicas en el tiempo y en frecuencia—provenientes de dos estaciones en la cima del Etna. Un tipo de red neuronal llamado autoencoder aprendió primero a comprimir la compleja “imagen” sísmica de cada día en un pequeño conjunto de características clave y luego a reconstruirla, garantizando que se preservara la información importante. Un método de clustering agruparía después los días con huellas sísmicas similares en cuatro clústeres distintos. El equipo contrastó estos grupos con evidencias independientes: cuándo se reportaron fuentes de lava, cuán intenso fue el tremor, cuántos eventos de periodo largo ocurrieron y cuántos pequeños terremotos sacudieron debajo del volcán.

Cuatro caras de la actividad del Etna

Los cuatro clústeres identificados por el ordenador se correspondieron de forma clara con comportamientos volcánicos significativos. Un grupo coincidía con días relativamente tranquilos o mixtos, en los que solo estaban presentes el tremor de fondo y explosiones leves ocasionales. Un segundo grupo recogía días dominados por numerosos eventos de periodo largo, probablemente reflejo de gases y fluidos ascendentes que presurizan el sistema de conductos superficiales sin generar aún grandes erupciones. Un tercer grupo destacaba una “fase preparatoria”, cuando el tremor se intensificó y se volvió más persistente durante semanas desde mediados de diciembre de 2020 hasta mediados de febrero de 2021, aunque todavía no se habían producido grandes fuentes de lava en la superficie. El cuarto grupo coincidía con las propias y espectaculares episodios de fuentes de lava con notable precisión, detectando alrededor del 95 % de los días eruptivos y mostrando energía sísmica intensa y de banda ancha durante los paroxismos.

Ver transiciones y días ambiguos

Combinando los datos de ambas estaciones de la cima y buscando días en los que varios instrumentos concordaran en el mismo clúster, los investigadores pudieron distinguir regímenes claros de intervalos más ambiguos. Algunos días quedaron en una categoría “indefinida”, donde las señales eran mixtas o diferentes en los dos sitios—probablemente reflejando procesos superpuestos como terremotos, tremor y eventos impulsados por gases ocurriendo simultáneamente. De forma interesante, el método también detectó signos de un régimen preparatorio a finales de noviembre de 2021 y apuntó indicios del segundo ciclo eruptivo varios días antes de que las fuentes de lava fueran confirmadas, lo que sugiere que cambios sutiles en los patrones sísmicos pueden preceder la actividad visible.

Qué significa esto para la gente que vive cerca de volcanes

Para el público general, el mensaje clave es que los ordenadores ahora pueden “escuchar” a un volcán inquieto y clasificar automáticamente sus complejas vibraciones en unos pocos estados comprensibles: actividad de fondo, presurización interna, fase de acumulación y erupciones completas. El estudio demuestra que estas herramientas de deep learning no supervisadas pueden coincidir estrechamente con el juicio experto al tiempo que operan con rapidez y consistencia en grandes conjuntos de datos. Aunque este enfoque no sustituye a los vulcanólogos ni a otros métodos de vigilancia, ofrece un par de ojos adicional y potente—ayudando a los observatorios a reconocer cuándo un volcán como el Etna está hirviendo a fuego lento, cuándo se está recargando y cuándo puede estar al borde de otra erupción dramática.

Cita: Abed, W., Zali, Z., Sciotto, M. et al. Hidden patterns in volcanic seismicity: deep learning insights from Mt. Etna’s 2020–2021 activity. Sci Rep 16, 6155 (2026). https://doi.org/10.1038/s41598-026-36677-x

Palabras clave: vigilancia volcánica, aprendizaje automático, Monte Etna, actividad sísmica, predicción de erupciones