Fase preparatória de grandes terremotos iluminada pela categorização não supervisionada de características de catálogos de terremotos

Por que isto importa para quem vive com risco sísmico

Comunidades ao redor do mundo vivem com o receio de terremotos devastadores, mas os cientistas ainda não conseguem dizer exatamente quando e onde ocorrerá o próximo grande evento. Este estudo investiga se mudanças sutis nos pequenos terremotos cotidianos podem revelar quando uma falha está silenciosamente se preparando para um evento muito maior. Ao usar técnicas avançadas de detecção de padrões em catálogos de terremotos, os pesquisadores testam se é possível identificar um verdadeiro “aquecimento” antes de grandes tremores — ao mesmo tempo em que reconhecem quando nenhum desses avisos existe.

Ouvindo a falha através de muitos pequenos tremores

Grandes terremotos normalmente não acontecem do nada. Antes de uma ruptura importante, falhas frequentemente passam por mudanças como pré‑choques, enxames de pequenos tremores ou movimentos lentos e contínuos. No entanto, essas fases preparatórias variam muito de um lugar para outro e, em alguns casos, parecem ausentes. Os autores reúnem catálogos detalhados de terremotos pequenos e moderados de cinco regiões bem estudadas, incluindo o terremoto de Kahramanmaraş em 2023 na Turquia, o tremor de L’Aquila em 2009 na Itália e o mega‑trecho de subducção de Iquique em 2014 no Chile. Para cada área, examinam anos de sismicidade que antecedem o choque principal, procurando padrões que possam sinalizar que um trecho da falha está próximo do rompimento.

De catálogos brutos a famílias de eventos relacionados

Em vez de tratar cada terremoto como um ponto isolado, a equipe agrupa eventos em “famílias” que são próximas no espaço, no tempo e na magnitude. Cada família contém um choque principal (seu maior evento) e os pré‑choques e pós‑choques associados. Em torno de cada evento, os pesquisadores calculam dezenas de medidas descritivas: com que rapidez os tremores ocorrem, quão estreitamente eles se agrupam no espaço e no tempo, quanta energia/ deformação liberam e como os tamanhos dos tremores são distribuídos. Essas medidas por evento são então médias dentro de cada família e combinadas com descritores simples da estrutura interna da família (por exemplo, se parece mais com uma sequência de pós‑choques simples ou com um enxame mais difuso). O resultado é uma impressão digital compacta para cada família que captura como o segmento local da falha está se comportando.

Deixando os dados se organizarem

Em vez de dizer ao computador antecipadamente como um “padrão de alerta” deve ser, os autores utilizam aprendizado de máquina não supervisionado. Especificamente, aplicam um algoritmo k‑means que automaticamente classifica as famílias de terremotos em categorias com impressões digitais semelhantes. Essas categorias variam de um comportamento mais estável — eventos espalhados no tempo e no espaço e liberando pouca deformação — a um comportamento mais crítico, marcado por aglomerações apertadas, forte interação entre eventos e liberação concentrada de deformação. Crucialmente, o algoritmo não sabe quando o grande terremoto ocorre; ele simplesmente agrupa as famílias com base em suas características. Os pesquisadores então examinam quando e onde as categorias mais “críticas” aparecem em relação aos choques principais eventuais.

Onde a falha realmente esquenta — e onde não esquenta

Para três terremotos conhecidos por apresentarem fases preparatórias claras — Kahramanmaraş, L’Aquila e Iquique — o método identifica com sucesso famílias localizadas e de longa duração que aparecem pouco antes do choque principal e se destacam da atividade anterior. Nesses casos, as categorias críticas associam‑se a aglomerados densos de eventos, pegadas espaciais encolhendo e maior liberação de deformação, consistente com um segmento de falha concentrando tensões e danos antes do rompimento. Em contraste, para outros dois eventos — o terremoto de Amatrice em 2016 na Itália e o de Noto em 2024 no Japão — o fluxo de trabalho não encontra uma família criticamente única que persista até o choque principal. Amatrice parece ter sido precedido por relativo silêncio, e Noto por atividade de enxames complexos e fluidos, sugerindo que nem todos os grandes terremotos exibem um aviso sísmico claro no catálogo.

Rumo a informações precoces práticas, com cautela

Finalmente, os autores testam se sua abordagem poderia funcionar em algo mais próximo do tempo real. Treinam a categorização em um período anterior de dados e então avançam pelo catálogo para ver quando uma nova categoria distinta aparece. Nos três casos com fases preparatórias conhecidas, uma mudança marcada na medida de agrupamento ocorre semanas a meses antes do grande tremor, indicando seu possível uso para previsão operacional de terremotos. Ainda assim, o estudo enfatiza limites importantes: o método só detecta fases preparatórias que efetivamente produzem sismicidade detectável, depende de catálogos de alta qualidade e requer interpretação especializada para avaliar se uma categoria emergente é realmente crítica. Em resumo, essa estrutura não “prevê” terremotos, mas oferece uma forma fisicamente fundamentada de destacar quando e onde pequenos tremores podem estar indicando que uma falha está entrando em um estado mais perigoso.

Citação: 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

Palavras-chave: previsão de terremotos, padrões de sismicidade, aprendizado de máquina, pré‑choques, mecânica de falhas