Aprendizado de máquina para estimativa rápida da intensidade macrosísmica a partir de dados sismométricos na Itália

Por que avaliações rápidas de tremores importam

Quando o solo começa a tremer, as equipes de emergência têm apenas minutos para decidir para onde enviar socorristas e recursos. Ainda assim, a maneira habitual de descrever o quanto um terremoto foi sentido na superfície — intensidade macrosísmica, como a escala de Mercalli usada na Itália — frequentemente chega horas, dias ou até meses depois, quando as pessoas preenchem questionários e especialistas inspecionam os danos. Este artigo explora como o aprendizado de máquina moderno pode transformar as primeiras leituras de sismômetros em mapas rápidos e razoavelmente precisos de quão forte um terremoto foi sentido, ajudando as autoridades a reagir mais depressa e com maior confiança.

De relatos de pessoas a estimativas rápidas

As estimativas tradicionais de intensidade na Itália dependem de duas fontes principais de dados. Uma consiste em levantamentos de campo feitos por especialistas e registrados em um banco de dados oficial, que se concentram em locais danificados mas demandam tempo para serem organizados. A outra vem do sistema online “Hai Sentito Il Terremoto”, onde cidadãos relatam o que sentiram e viram, fornecendo muitas observações de intensidade baixa e moderada. Ambas as fontes medem a intensidade na escala Mercalli-Cancani-Sieberg, que classifica o tremor do muito fraco ao destrutivo com base em respostas humanas e de edificações. Para vincular essas medidas centradas em pessoas às leituras instrumentais, os autores combinaram os dois conjuntos de dados em torno de cada estação sísmica, fazendo a média de todas as intensidades relatadas num raio de 5 km para obter um único valor representativo para aquela área e arredondando-o para uma classe inteira de 1 a 8.

Ensinando uma floresta de modelos a ler o tremor

Os pesquisadores formularam a estimação de intensidade como um problema de classificação: dadas as medições iniciais, prever qual das oito classes de intensidade se aplicará ao entorno de cada estação. Eles usaram um Random Forest, um conjunto de muitas árvores de decisão que cada uma realiza uma simples série de divisões do tipo “se–então” nos dados, como combinações de magnitude, profundidade, distância da fonte e medidas diretas do movimento do solo, como aceleração, velocidade e deslocamento máximos. Treinado com 5.466 observações de 523 terremotos na Itália (2008–2020), o modelo aprendeu relações complexas e não lineares entre o que os sismômetros registram e o que as pessoas relatam. Para lidar com o fato de que tremores fortes são mais raros nos dados, os autores ajustaram o treinamento para que todos os níveis de intensidade tivessem igual peso, evitando que o modelo se concentrasse apenas nos eventos mais comuns e mais fracos.

Comparando com regras estabelecidas

Para verificar se a abordagem de aprendizado de máquina realmente acrescenta valor, a equipe comparou suas previsões com duas famílias de relações empíricas amplamente usadas. A primeira, chamada Equações de Predição de Intensidade, estima a intensidade principalmente a partir da magnitude, profundidade e distância do terremoto, assumindo que o tremor diminui com a distância de forma suave. A segunda, Equações de Conversão de Movimento do Solo para Intensidade, transforma leituras instrumentais do movimento máximo em classes de intensidade esperadas. Essas fórmulas são compactas e fáceis de aplicar, mas não conseguem capturar totalmente como a geologia local, o tipo de construção ou a direção das ondas influenciam o tremor percebido. Em contraste, o Random Forest integra naturalmente parâmetros da fonte e medidas do movimento do solo, e pode se adaptar a padrões sutis no conjunto de dados italiano sem prescrever previamente uma forma matemática rígida.

Vendo dentro da caixa-preta e seus limites

Como os gestores de emergência precisam entender a base das decisões automatizadas, os autores construíram árvores de decisão “substitutas” mais simples que imitam o comportamento do Random Forest. Essas árvores menores podem ser desenhadas como diagramas, mostrando quais limiares de movimento do solo separam baixa de alta intensidade e onde variáveis como aceleração e velocidade predominam. Essa análise revelou que medidas diretas do movimento do solo, especialmente aceleração e velocidade de pico, têm mais peso do que magnitude ou profundidade isoladas. Os autores também introduziram uma maneira simples de sinalizar quão incerta é cada previsão da árvore substituta, usando medidas de quão misturados estão os exemplos de treinamento em cada ramo final. Ao mesmo tempo, constataram que intensidades muito fortes continuam difíceis de prever, em parte porque são naturalmente raras no registro histórico, levando a subestimações ocasionais dos níveis mais altos de tremor.

Teste no mundo real durante um recente terremoto italiano

A equipe avaliou seu framework em um evento real notável: um terremoto de magnitude 5,5 no mar Adriático, perto de Pesaro-Urbino, em 2022. Em cerca de 15 minutos, os sismólogos dispuseram das informações necessárias sobre a fonte e o movimento do solo, mas apenas cerca de 90 relatos públicos de intensidade haviam sido registrados, oferecendo um panorama muito fragmentado. Usando apenas os dados instrumentais, o Random Forest e sua árvore substituta geraram estimativas detalhadas de intensidade ao redor de centenas de estações em menos de dois segundos em um computador padrão. Quando comparados mais tarde com o mapa muito mais denso construído a partir de mais de 12.000 relatos de cidadãos coletados ao longo de dias, os mapas gerados pelo aprendizado de máquina capturaram tanto a área geral sentida quanto a extensão do abalo moderado de forma notavelmente precisa, equiparando-se ou superando as equações clássicas.

O que isso significa para quem vive com terremotos

No geral, o estudo mostra que um sistema de aprendizado de máquina cuidadosamente treinado pode usar os primeiros minutos de dados de sismômetros para produzir mapas rápidos e razoavelmente transparentes do impacto de um terremoto. Esses mapas não substituem levantamentos detalhados ou relatórios colaborativos, mas podem preencher a perigosa lacuna inicial quando as autoridades precisam escolher para onde enviar ambulâncias, bombeiros e inspetores estruturais com informações muito limitadas. Ao combinar algoritmos avançados com modelos simplificados interpretáveis e indicadores básicos de incerteza, o framework oferece um passo prático rumo a respostas mais rápidas e informadas a terremotos na Itália e pode ser adaptado a outras regiões que enfrentam riscos sísmicos semelhantes.

Citação: Patelli, L., Cameletti, M., De Rubeis, V. et al. Machine learning for prompt estimation of macroseismic intensity from seismometric data in Italy. Sci Rep 16, 7265 (2026). https://doi.org/10.1038/s41598-026-35740-x

Palavras-chave: intensidade de terremoto, aprendizado de máquina, random forest, risco sísmico, Itália