Como a inteligência artificial detectou sinais sísmicos antes de grandes terremotos

Um modelo de machine learning conseguiu reconhecer, de forma automática, padrões na atividade sísmica associados a variações transitórias observadas antes de alguns grandes terremotos. O resultado, publicado em Nature Communications, foi coordenado por um grupo internacional que incluiu o Istituto Nazionale di Oceanografia e di Geofisica Sperimentale (OGS), a Università di Genova, o Helmholtz Centre for Geosciences, a RWTH Aachen University, a Università di Potsdam, a Freie Universität Berlin e a Stanford University.

O estudo demonstra que a inteligência artificial pode contribuir para a compreensão dos processos que precedem alguns terremotos, sem, no entanto, constituir um sistema de previsão sísmica. «Prever terremotos permanece impossível hoje e é uma das maiores dificuldades nas geociências», observa Matteo Picozzi, diretor do Centro de Pesquisas Sismológicas do OGS e coautor do trabalho. «Nos últimos anos, contudo, o machine learning abriu novas oportunidades para analisar grandes volumes de dados sísmicos e estudar a evolução dos sistemas de falha. Nesta pesquisa usamos um método não supervisionado, que identifica de forma autônoma estruturas e similaridades nos dados sem instruções prévias.»

A análise abrangeu cinco grandes eventos sísmicos ocorridos em diferentes regiões do planeta: o terremoto de Kahramanmara (Turquia, 2023), o sismo de L'Aquila (Itália, 2009), o terremoto de Iquique (Chile, 2014), o sismo de Amatrice (Itália, 2016) e o terremoto de Noto (Japão, 2024). Estes casos foram selecionados porque alguns apresentaram enxames sísmicos ou aumento da atividade nas semanas ou meses anteriores ao evento principal, enquanto outros não mostraram sinais óbvios ou foram difíceis de detectar com métodos tradicionais.

Utilizando catálogos sísmicos disponíveis, os pesquisadores extraíram um conjunto amplo de características estatísticas e sismológicas de cada evento registrado. Essas métricas — que capturam propriedades temporais, espaciais e dinâmicas da atividade — foram então processadas por um algoritmo que agrupou os dados em famílias com comportamentos semelhantes. O objetivo foi verificar se o sistema seria capaz de identificar, de forma autônoma, padrões recorrentes associados a fases de sismicidade transitória já descritas em literatura prévia.

Do ponto de vista metodológico, o enfoque não supervisionado é poderoso porque trata os catálogos como uma base de sinais e ruídos onde o algoritmo procura estruturas emergentes — como se escaneássemos o sistema nervoso de uma região tectônica em busca de pulsações atípicas. Essa abordagem é menos dependente de hipóteses pré-formuladas e pode revelar classes de comportamento que escapam à intuição humana ou aos modelos clássicos.

Os resultados mostram que, em vários casos estudados, o algoritmo conseguiu isolar configurações de atividade sísmica que precederam o evento principal. Isso fornece um novo instrumento analítico para estudar a evolução espacial e temporal das falhas geológicas — os alicerces físicos sobre os quais se constrói a sismicidade. Ainda assim, os autores ressaltam as limitações: identificar sinais retrospectivamente não equivale a prever eventos no futuro com confiança operacional.

Em termos práticos, a contribuição é dupla. Primeiro, amplia o repertório de técnicas para monitoramento e interpretação de catálogos sísmicos; segundo, sugere rotas para integrar camadas de inteligência baseadas em dados aos sistemas de vigilância geofísica existentes. Trata-se de um avanço na arquitetura digital das observações geocientíficas — uma camada analítica que pode informar decisões de mitigação e pesquisa sem prometer certezas inviáveis.

Para regiões densamente monitoradas na Europa e na Itália, a aplicação desses métodos pode melhorar a caracterização das fases pré-ruptura e a compreensão de como as infraestruturas naturais acumulam e liberam tensões. Em linguagem de engenharia de redes, o estudo propõe um novo tipo de sensor virtual que lê o fluxo de microeventos e reagrupa sinais em padrões relevantes para a ciência das falhas.

Em suma: a inteligência artificial adiciona resolução e escala à análise sísmica, oferecendo um instrumento analítico valioso para pesquisadores, mas sem substituir o escrutínio científico e sem transformar-se em um mecanismo de previsão operativa.