Un poderoso estudio computacional de los registros sísmicos del sur de California ha revelado información detallada sobre una gran cantidad de pequeños terremotos previamente no detectados, dando una imagen más precisa sobre el estrés en la corteza terrestre. Un nuevo catálogo público de estos hallazgos ayudará a los sismólogos a comprender mejor elenfatiza desencadenar los terremotos más grandes que ocasionalmente sacuden la región.
"Es muy difícil desempacar lo que desencadena terremotos más grandes porque son poco frecuentes, pero con esta nueva información sobre una gran cantidad de terremotos pequeños, podemos ver cómo evoluciona el estrés en los sistemas de fallas", dijo Daniel Trugman, un becario postdoctoralen el Laboratorio Nacional de Los Alamos y coautor de un artículo publicado en la revista ciencia hoy. "Esta nueva información sobre los mecanismos de activación y los adelantos ocultos nos brinda una plataforma mucho mejor para explicar cómo comienzan los grandes terremotos", dijo Trugman.
Crujiendo los números
Trugman y coautores del Instituto de Tecnología de California y la Institución de Oceanografía Scripps realizaron una operación masiva de minería de datos de la Red Sísmica del Sur de California para terremotos reales enterrados en el ruido. El equipo pudo detectar, comprender y localizar terremotos con mayor precisión, y crearon el catálogo de terremotos más completo hasta la fecha. El trabajo identificó 1,81 millones de terremotos, 10 veces más terremotos que ocurren 10 veces más frecuentemente que los terremotos identificados previamente utilizando métodos de sismología tradicionales.
El equipo desarrolló una biblioteca completa y detallada sobre terremotos para toda la región del sur de California, llamada catálogo Quake Template Matching QTM. La están utilizando para crear un mapa más completo de las fallas y el comportamiento de los terremotos de California. Este catálogo puede ayudar a los investigadoresdetectar y localizar terremotos con mayor precisión.
El equipo analizó casi dos décadas de datos recopilados por la Red Sísmica del Sur de California. La red, considerada uno de los mejores sistemas sísmicos del mundo, acumula un catálogo de terremotos de 550 estaciones de monitoreo sísmico en la región. El catálogo SCSN se basa completamentesobre el enfoque tradicional: observación manual y análisis visual. Pero Trugman dice que este enfoque tradicional pierde muchas señales débiles que son indicadores de pequeños terremotos.
La coincidencia de plantillas es clave
El equipo mejoró este catálogo con la minería de datos. Utilizando la computación paralela, procesaron casi 100 terabytes de datos en 200 unidades de procesamiento de gráficos. Acercaron a alta resolución durante un período de 10 años, realizaron una coincidencia de plantillas utilizando sismogramas formas de onda oseñales de terremotos previamente identificados. Para crear plantillas, cortaron piezas de formas de onda de terremotos previamente registrados y combinaron esas formas de onda con patrones de señales grabadas simultáneamente desde múltiples estaciones sísmicas. La coincidencia de plantillas se ha realizado antes, pero nunca a esta escala.
"Ahora podemos automatizarlo y buscar exhaustivamente en todo el archivo de forma de onda para encontrar señales de terremotos muy pequeños previamente ocultos en el ruido", explicó Trugman.
Al aplicar las plantillas, se encontraron eventos precursores, terremotos y pequeños terremotos que se habían perdido con métodos manuales. Esos eventos a menudo proporcionan detalles físicos y geográficos clave para ayudar a predecir grandes terremotos. El equipo también identificó secuencias de iniciación que revelan cómo se desencadenan los terremotos.
Los nuevos detalles también revelaron geometría tridimensional y estructuras de fallas, que apoyarán el desarrollo de modelos más realistas.
Recientemente, los colegas de Trugman y Los Alamos han aplicado el aprendizaje automático para estudiar los terremotos creados en máquinas de terremotos de laboratorio. Ese trabajo ha descubierto detalles importantes sobre el comportamiento de los terremotos que pueden usarse para predecir terremotos.
"En el laboratorio, vemos pequeños eventos como precursores de grandes eventos de deslizamiento, pero no vemos esto consistentemente en el mundo real. Este análisis de coincidencia de plantillas de grandes datos cierra la brecha", dijo. "Y ahora nosotrosdescubrimos terremotos previamente descartados como ruido y aprendimos más sobre su comportamiento. Si podemos identificar estas secuencias como premoniciones en tiempo real, podemos predecir la gran ".
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Los Alamos . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :