Red neuronal convolucional ligera para la detección en tiempo real de ondas P de terremotos en dispositivos edge en Nueva Zelanda

Segundos que pueden salvar vidas

Cuando ocurre un terremoto, unos pocos segundos de aviso previo pueden marcar la diferencia entre la seguridad y el desastre. Este estudio explora cómo pequeños ordenadores de bajo coste, combinados con algoritmos inteligentes, pueden detectar las primeras ondulaciones de un terremoto con la suficiente rapidez para avisar a personas y sistemas automatizados antes de que llegue el mayor temblor. Al adaptar su enfoque al suelo inquieto de Nueva Zelanda, los autores demuestran que la alerta temprana de alta tecnología no tiene por qué depender de grandes centros de datos: puede ejecutarse en dispositivos lo bastante pequeños como para conectarse directamente a un sensor en el campo.

Por qué importan los primeros temblores suaves

Los terremotos emiten varios tipos de ondas. Las primeras son las ondas P, que suelen ser suaves pero viajan por delante de las ondas más dañinas que las siguen. Si podemos detectar estos primeros temblores de forma rápida y fiable, se pueden enviar avisos mientras aún hay tiempo para agacharse bajo un escritorio, detener un tren, pausar una cirugía o cerrar válvulas de gas. Los métodos tradicionales buscan cambios sencillos en la señal, pero a menudo se confunden con ruido procedente del tráfico, maquinaria o viento, y pueden reaccionar con lentitud. Los métodos más nuevos de aprendizaje profundo son más precisos, pero por lo general exigen ordenadores potentes y largos tramos de datos, lo que dificulta su ejecución en dispositivos pequeños junto a los propios sensores.

Enseñar a un modelo pequeño a escuchar con inteligencia

Los investigadores diseñaron un tipo compacto de modelo de aprendizaje profundo llamado red neuronal convolucional para abordar este problema. En lugar de necesitar treinta segundos o más de movimiento, su sistema funciona con solo una ventana de dos segundos de sacudida del terreno, lo que lo hace especialmente rápido. Lo entrenaron no solo para reconocer ondas P, sino también ondas S más fuertes y el ruido de fondo habitual. Para ello recurrieron a alrededor de 89.000 registros de la red nacional de instrumentos de movimiento fuerte de Nueva Zelanda, centrados en eventos a unos 100–150 kilómetros de los sensores y con magnitudes superiores a 3.0. Cada registro de 90 segundos fue limpiado, filtrado y luego dividido en ventanas cortas que representaban ondas P, ondas S y ruido, proporcionando al modelo una amplia variedad de condiciones del mundo real para aprender, incluidas muchas situaciones en las que la señal apenas supera al ruido.

Empaquetando potencia en una huella diminuta

Diseñar para hardware de bajo coste implicó que el modelo debía ser extremadamente eficiente. El equipo exploró muchas variantes de su red, ajustando el número de capas y de filtros y midiendo tanto la precisión como la cantidad de cálculo requerida. Combinaban estos factores en una única puntuación que les permitía ver cuándo la complejidad adicional dejaba de aportar beneficios reales. Esta búsqueda condujo a un diseño final con solo unos 38.000 parámetros ajustables —mucho menos que muchos modelos sísmicos existentes— y aun así etiquetó correctamente alrededor del 97 por ciento de los segmentos de prueba en general y el 98 por ciento de los ejemplos de ondas P. En ensayos sobre una Raspberry Pi 5, un ordenador de aficionado ampliamente disponible, cada decisión tardó aproximadamente 6,5 milésimas de segundo, utilizó solo una pequeña fracción de un núcleo de procesador y se mantuvo bien dentro de límites de temperatura seguros durante una semana de funcionamiento continuo.

Demostrando su eficacia con grandes terremotos y sensores económicos

Para comprobar si el sistema podía manejar los temblores que más importan, los autores lo aplicaron al potente terremoto de Kaikōura de 2016, aunque este evento se excluyó de los datos de entrenamiento. Usando ventanas solapadas de dos segundos y solo un reescalado simple de la señal entrante, el modelo detectó las primeras ondas P en estaciones situadas hasta 200 kilómetros, a menudo decenas de segundos antes de que el temblor fuerte alcanzara su pico. También funcionó bien con datos de sensores Raspberry Shake de bajo coste, que son más ruidosos que los instrumentos profesionales pero mucho más fáciles de desplegar a gran escala. Sin necesidad de reentrenamiento, el modelo siguió encontrando ondas P y S de forma clara en varias estaciones Raspberry Shake durante un evento de magnitud 3.6, lo que sugiere que sus “habilidades de escucha” se transfieren entre distintos dispositivos.

Qué significa esto para la seguridad cotidiana

El estudio demuestra que es posible comprimir una detección sísmica rápida y fiable en un modelo lo bastante pequeño y eficiente como para ejecutarse en dispositivos edge económicos distribuidos por un país. Al actuar como un disparador de primera etapa que reacciona en segundos en cada sensor, el sistema puede alimentar redes mayores o análisis más detallados que estimen la intensidad del temblor y dónde golpeará con más fuerza. Para las personas que viven en regiones propensas a terremotos como Nueva Zelanda, este enfoque trae la promesa de alertas más tempranas sin depender únicamente de infraestructura centralizada y costosa, allanando el camino hacia sistemas de alerta temprana más accesibles y resilientes que algún día podrían ser tan comunes como los detectores de humo.

Cita: Ravishan, D., Prasanna, R., Herath, P. et al. Lightweight convolutional neural network for real-time earthquake P-wave detection on edge devices in New Zealand. Sci Rep 16, 11536 (2026). https://doi.org/10.1038/s41598-026-42568-y

Palabras clave: alerta temprana de terremotos, detección de ondas P, computación en el borde, aprendizaje profundo, sismología de Nueva Zelanda