Durante la última semana de junio y en el marco del Congreso de Modelización Estadística Espacio Temporal, la experta en modelos espacio-temporales y geoestadística, Orietta Nicolis, presentó su trabajo “Prediction of seismic events by combining statistical methods and deep learning neural networks”, cuyo objetivo es predecir la tasa sísmica en Chile.
Esta investigación está en una etapa preliminar y abarca la sismicidad en Chile y futuras predicciones en el país, a través del análisis y modelamiento de los eventos ocurridos en el pasado.
Según la investigadora de la línea “Riesgo y resiliencia en sistemas complejos y redes” del Centro de Investigación para la Gestión Integrada del Riesgo de Desastres (CIGIDEN), uno de los motivos para desarrollar la predicción de terremotos es poder “evitar algunos daños a las personas y a las estructuras”, y de esta forma también afrontar las pérdidas económicas derivadas de un desastre socionatural.
“Ahora estamos incorporando algunas variables que pueden ser predictivas de terremotos como por ejemplo las mediciones con GPS para identificar la velocidad del desplazamiento de la costa terrestre y también cuánto se está desplazando” agrega la Dra. Nicolis. Algunos resultados preliminares ya se encuentran en el artículo Spatio-Temporal Seismicity Prediction in Chile Using a Multi-Column ConvLSTM recientemente publicado en la prestigiosa revista IEEE Access.
Según la académica UNAB en América Latina no hay muchos modelos que predigan, o que intenten clasificar, si un evento es un precursor de un terremoto más grande, si es una réplica o si se trata del evento principal y cuándo será el próximo terremoto.
Varios aspectos de su presentación en torno a un método que identifique las áreas de riesgo sísmico, provienen del paper “Assessing Seismic Hazard in Chile Using Deep Neural Networks”, donde destaca el uso de deep learning a través de una red neuronal artificial, que permitiría mejorar modelos matemáticos para acercarse a la predicción de sismos según su ubicación.