Análisis desde una sola estación de las señales sísmicas de Campi Flegrei (Italia) mediante entropía multiescala y aprendizaje no supervisado

Por qué importa este volcán italiano inquieto

Al oeste de Nápoles se encuentra Campi Flegrei, una vasta depresión volcánica rodeada de barrios densamente poblados y hogar de más de dos millones de personas. Aunque no ha entrado en erupción desde el siglo XVI, el terreno allí se está elevando, salen gases y los pequeños terremotos son cada vez más frecuentes. Vigilar un volcán tan activo es crucial, pero el gran volumen de datos sísmicos ruidosos dificulta a los expertos humanos detectar a tiempo señales sutiles de alarma. Este estudio examina cómo una forma de inteligencia artificial puede escuchar desde una sola estación sísmica y detectar automáticamente comportamientos inusuales que podrían señalar cambios en el estado del volcán.

Escuchar un volcán ruidoso con un solo oído

Campi Flegrei es una caldera volcánica colapsada de unos 12 kilómetros de diámetro, que solapa los distritos occidentales de Nápoles y la localidad costera de Pozzuoli. Desde los años cincuenta, la zona ha alternado periodos de calma y de inquietud, caracterizados por levantamientos del terreno, enjambres de pequeños sismos y cambios en los gases calientes que emergen de las fumarolas. En el área de Pisciarelli, una de las zonas más activas, una estación sísmica se sitúa a apenas unos 50 metros de una fumarola rugiente y una poza de lodo burbujeante. Esa ubicación es ideal para percibir pequeños temblores vinculados al movimiento de gas y agua caliente bajo tierra, pero también sufre un ruido de fondo continuo. Los autores se propusieron determinar si una sola estación así, analizada con algoritmos inteligentes, podría distinguir de forma fiable señales significativas del rumor volcánico constante.

Enseñar a un mapa neuronal a clasificar señales volcánicas

Los investigadores convirtieron las grabaciones continuas de 2023 en una gran colección de fragmentos de un minuto y luego tradujeron cada fragmento en una “huella” compacta que un ordenador pudiera comparar. Usaron tres tipos de huellas: una que captura la forma de las frecuencias de la señal, otra que describe cómo cambia su amplitud en el tiempo y una tercera —llamada entropía multiescala— que mide cuán compleja e irregular es la señal a través de distintas escalas temporales. Estas huellas se introdujeron en un Mapa Autoorganizado, un tipo de red neuronal que sitúa patrones similares cerca unos de otros en una rejilla. Sin etiquetas humanas, el mapa aprendió a agrupar minutos de datos con comportamientos sísmicos parecidos, formando cúmulos que podían inspeccionarse después.

Encontrar fallos ocultos, sismos y tremores por vapor

Una vez entrenado, el sistema detectó de inmediato un patrón inesperado: muchos minutos de un mes específico se agruparon en una esquina del mapa, lo que apuntaba a un cambio en el comportamiento de la estación. Al inspeccionar más a fondo, ese cúmulo resultó estar vinculado a una avería técnica que comenzó el 18 de junio y se reparó un mes después, un problema que no había sido evidente previamente. Tras excluir ese periodo y reentrenar con las huellas más informativas, el mapa empezó a aislar cúmulos ricos en terremotos registrados en el catálogo oficial, incluyendo algunos pequeños eventos que no habían sido catalogados en absoluto. Otros cúmulos estuvieron dominados por la vibración continua, o tremor, de la fumarola de Pisciarelli. Al seguir cuán concentrados estaban los datos de cada día en el mapa, los autores definieron un “índice de agrupamiento” que aumentaba cuando la estación registraba largos tramos de actividad similar tipo tremor.

Tiempo, gas y el estado diario del volcán

El equipo comparó este índice de agrupamiento con medidas independientes de precipitación, flujo de dióxido de carbono y temperatura alrededor de Pisciarelli. En varias ocasiones, picos en el índice coincidieron con aumentos en las emisiones de CO₂ y episodios de fuertes lluvias, lo que sugiere que tanto la liberación de gas como la infiltración de agua en el suelo pueden modular el tremor fumarólico registrado por la estación. Aplicando el mismo enfoque a estaciones cercanas se comprobó que los cúmulos de tremor más nítidos aparecían solo en los sensores más próximos a la fumarola, subrayando lo localizados que son estas señales. Finalmente, los autores proyectaron nuevos datos de principios de 2025 sobre el mapa previamente entrenado. En abril y principios de mayo, el índice de agrupamiento ascendió de forma sostenida en paralelo con un aumento de la energía sísmica total y temperaturas más altas en la fumarola, indicando una actividad hidrotermal más intensa. Poco después de que ambas medidas cayeran bruscamente, la zona sufrió un terremoto de magnitud 4,4 —el mayor de la secuencia reciente.

Qué significa esto para la gente que vive cerca de Campi Flegrei

Para los residentes y las agencias de protección civil, el mensaje clave es que las herramientas avanzadas de reconocimiento de patrones pueden convertir una sola estación sísmica en un oído de alerta temprana para un volcán inquieto. Al comprimir señales complejas en huellas simples y permitir que un mapa neuronal las ordene, el método puede señalar automáticamente problemas instrumentales, descubrir terremotos previamente inadvertidos y rastrear cambios en el tremor constante de gas y fluidos calientes ascendentes. Aunque no predice erupciones por sí solo, este enfoque ofrece a los científicos una visión más rápida y clara de cómo Campi Flegrei respira y se desplaza día a día, ayudándoles a centrar la atención experta cuando el sistema subterráneo muestra signos de tensión inusuales.

Cita: Grimaldi, A., Amoroso, O., Scarpetta, S. et al. Single-station analysis of Campi Flegrei (Italy) seismic signals using multiscale entropy and unsupervised learning. Sci Rep 16, 7669 (2026). https://doi.org/10.1038/s41598-026-38257-5

Palabras clave: Campi Flegrei, vigilancia volcánica, tremor sísmico, aprendizaje automático, entropía multiescala