Inversión de tsunamis mediante representaciones neuronales profundas

Por qué esto importa para la seguridad costera

Las personas que viven junto al mar dependen de avisos tempranos para escapar de tsunamis inminentes, pero los sistemas actuales aún tienen dificultades cuando un evento es atípico o fallan los sensores. Este estudio muestra cómo ideas de la inteligencia artificial moderna pueden ayudar a los centros de alerta a interpretar las olas en alta mar de forma más flexible y rápida, con el objetivo de ofrecer una orientación más clara sobre qué costas están en mayor riesgo.

Del sacudón del lecho marino a la ola costera

Cuando un gran terremoto, un deslizamiento de tierra o una explosión volcánica perturba la superficie del océano, el tsunami resultante puede cruzar cuencas enteras. Para prever dónde y con qué intensidad golpeará, los científicos necesitan conocer la forma inicial del agua perturbada. Esa “foto de partida” es sorprendentemente difícil de reconstruir. Depende de detalles inciertos de la fuente, de la topografía del lecho marino, de las mareas e incluso de huecos o recortes en los registros de los sensores. Los métodos tradicionales a menudo suponen un tipo particular de falla sísmica y prerrecalculan enormes bibliotecas de escenarios, que requieren un almacenamiento inmenso y pueden fallar cuando el evento real no coincide con las expectativas.

Escuchar al océano en lugar de a la falla

Los autores proponen un punto de vista distinto: en lugar de centrarse en cómo se deslizó el lecho marino, se enfocan directamente en cómo responde el océano. Describen el océano con una herramienta llamada función de Green, que responde a la pregunta: «Si el agua se levantara brevemente en este punto, ¿qué vería cada sensor?» En principio, combinar las respuestas de muchos puntos así permite retroceder desde las olas medidas en sensores en alta mar hasta el parche original de agua levantada o hundida. Ese parche sirve entonces como punto de partida para simulaciones detalladas que predicen cómo evolucionará el tsunami hacia la costa.

Comprimir el comportamiento del océano con redes neuronales

En la práctica, cubrir una región oceánica realista con una rejilla fina produce un número enorme de posibles puntos fuente y ubicaciones de sensor. Almacenar cada función de Green directamente requeriría cientos de gigabytes y ralentizaría una previsión urgente. Para evitarlo, el equipo usa redes neuronales profundas como «compresores» compactos de funciones. Estas redes reciben las posiciones de una fuente y un receptor, junto con pequeños mapas del lecho marino cercano, y generan la señal de ola completa que viajaría entre ellos. Al entrenarse con muchas simulaciones por ordenador de tsunamis en torno a Japón, las redes aprenden a reproducir estas señales con precisión, sustituyendo tablas de datos masivas por un modelo que contiene solo unos pocos millones de parámetros.

Trabajar hacia atrás a partir de los datos de los sensores

Con este modelo oceánico compacto, los investigadores abordan el problema clave: inferir la perturbación inicial del agua a partir de registros de sensores reales o simulados. Configuran una búsqueda iterativa que ajusta la intensidad del levantamiento de cada celda de la rejilla hasta que las olas predichas en los sensores coinciden lo más posible con las observadas. Al mismo tiempo, el método favorece perturbaciones que sean tanto concentradas en área como suavemente variables, en consonancia con la forma en que tienden a empezar los tsunamis reales. Dado que la red neuronal puede generar respuestas de ola para cualquier ubicación de sensor sobre la marcha, el mismo modelo entrenado puede manejar distintas combinaciones de sensores operativos o fallados sin necesidad de reentrenamiento.

Pruebas con tsunamis reales e hipotéticos

Los autores ponen a prueba su enfoque en numerosos eventos extraídos de una base de datos ampliamente usada de terremotos pasados cerca de Japón. Usando datos de la densa red sísmica submarina S-net de Japón, muestran que su método puede reconstruir el patrón inicial del agua con una alta correlación respecto a la verdad simulada, incluso cuando solo está disponible una fracción de los sensores o cuando se añade ruido a las señales. A continuación, introducen el patrón reconstruido en una segunda red neuronal para predecir las alturas de ola frente a la costa durante varias horas. Estas predicciones son tan precisas como, o mejores que, un método existente de aprendizaje automático, a la vez que usan muchos menos parámetros del modelo y no están ligadas a una disposición fija de sensores. Finalmente, demuestran que el mismo marco puede manejar un tsunami hipotético de origen volcánico, ilustrando que no se limita a terremotos.

Qué significa esto para futuros sistemas de alerta

El estudio demuestra que las redes neuronales profundas pueden servir como sustitutos eficaces de modelos numéricos pesados, permitiendo inversiones de tsunamis rápidas y flexibles que se centran en el estado inicial del océano más que en los detalles de la falla. Al reducir la incertidumbre en esa imagen de partida y tolerar redes de sensores cambiantes, tales métodos podrían ayudar a futuros centros de alerta a juzgar mejor qué tramos de costa probablemente afrontarán olas peligrosas, comprando un tiempo precioso para la evacuación y la respuesta.

Cita: Morssy, A., Teal, P.D. & Kleijn, W.B. Tsunami inversion using deep neural representations. Sci Rep 16, 15925 (2026). https://doi.org/10.1038/s41598-026-38002-y

Palabras clave: predicción de tsunamis, sensores en alta mar, redes neuronales, olas oceánicas, alerta temprana