Una crisis sísmica volcánica se ve con mucha más claridad

La intensa secuencia sísmica que afectó a Santorini y a las islas vecinas entre finales de 2024 y mediados de 2025 fue mucho más grande y más estructurada de lo que mostraba la vigilancia convencional. Según una investigación presentada en la reunión anual de 2026 de la Seismological Society of America, un análisis basado en aprendizaje automático identificó más de 60.000 terremotos durante el episodio, creando un catálogo de alta resolución que permitió a los científicos seguir la crisis a medida que se desarrollaba.

La cifra por sí sola es llamativa, pero la importancia más amplia está en lo que este tipo de análisis casi en tiempo real hace posible. En lugar de revisar los datos meses después, el equipo de investigación utilizó herramientas de aprendizaje automático mientras el evento seguía en curso, detectando ráfagas de sismicidad, trazando cómo la actividad migraba a través de redes de fallas y capturando detalles que los flujos de trabajo estándar probablemente habrían pasado por alto o entregado demasiado tarde para orientar decisiones operativas.

Por qué la secuencia de Santorini fue difícil de seguir

La crisis sísmica de Santorini fue inusualmente intensa. Los investigadores dijeron que algunos periodos contenían cientos de terremotos en una sola hora, una escala que dificulta la catalogación convencional bajo presión de tiempo. Ese volumen importa porque, cuando los terremotos llegan en grupos densos, el reto no es solo medir la magnitud o la ubicación, sino separar eventos individuales de formas de onda superpuestas y hacerlo lo bastante rápido para que la información siga siendo útil.

Con canalizaciones de aprendizaje automático que funcionaban en paralelo, el equipo liderado por Stanford pudo procesar grandes cantidades de datos de formas de onda e identificar miles y miles de eventos durante la propia crisis. El conjunto de datos resultante abarcó de diciembre de 2024 a junio de 2025 y ofreció una imagen mucho más detallada de cómo evolucionó la secuencia con el tiempo.

Se trata de un cambio operativo importante. El aprendizaje automático en sismología se utiliza a menudo de forma retrospectiva, después de que una crisis ya ha pasado. En Santorini, los métodos se desplegaron de una manera que se aproximó al monitoreo en tiempo real. Esto hace que el trabajo sea notable no solo como estudio de una secuencia sísmica, sino como demostración de cómo podrían manejarse de forma diferente en el futuro las crisis sísmicas relacionadas con volcanes.

Ráfagas, migración y pruebas que apuntan al movimiento de magma

El catálogo identificó 46 ráfagas recurrentes de sismicidad, cada una con cientos de terremotos a lo largo de una o dos horas. Durante algunas ráfagas, la migración sísmica avanzó a lo largo de zonas de falla a velocidades de hasta 2 kilómetros por hora. Esos patrones son más que curiosidades descriptivas. Ayudan a los científicos a evaluar el proceso subyacente que impulsa el enjambre.

Según los investigadores, tanto la velocidad como el patrón de migración refuerzan la interpretación de que la secuencia estuvo vinculada a una intrusión de magma asociada con los volcanes de la región. En otras palabras, los terremotos no fueron simplemente ruido tectónico disperso. Parecen haber trazado el movimiento de material y de esfuerzos a través de un sistema volcánico activo.

Esa distinción importa para la evaluación del riesgo. En contextos volcánicos, que un enjambre esté impulsado principalmente por deslizamiento de fallas, movimiento de fluidos o intrusión de magma cambia la forma en que los científicos piensan sobre el riesgo de escalada y la comunicación pública. Un catálogo más rico no elimina la incertidumbre, pero puede reducir el rango de explicaciones plausibles y ayudar a las autoridades a construir una imagen situacional más clara.

De herramienta de investigación a expectativa operativa

Uno de los mensajes más fuertes del estudio es institucional más que puramente geológico: los investigadores argumentan que estos métodos deberían pasar de un uso limitado a una práctica operativa rutinaria. Es una afirmación de gran alcance. Las agencias de monitoreo suelen ser cautelosas a la hora de adoptar nuevos métodos analíticos en flujos de trabajo en tiempo real porque la fiabilidad, la rapidez y la interpretabilidad importan mucho cuando está en juego la seguridad pública.

Pero eventos como Santorini ponen al descubierto las limitaciones de los enfoques actuales. Cuando una crisis evoluciona rápidamente, los retrasos en el análisis no son simples inconvenientes académicos. Pueden afectar la predicción, las alertas y la planificación de emergencias. La postura de los investigadores es que el aprendizaje automático ha madurado lo suficiente como para formar parte del conjunto estándar de herramientas de monitoreo, especialmente en crisis volcánicas de alto ritmo en las que los analistas humanos por sí solos pueden tener dificultades para seguir el volumen de eventos.

Si esa transición ocurre, las implicaciones prácticas podrían extenderse mucho más allá del Egeo. Los observatorios volcánicos y las redes de monitoreo sísmico de todo el mundo enfrentan desafíos similares durante enjambres, intrusiones y cascadas de terremotos. Catálogos de eventos más rápidos y densos podrían mejorar la forma en que las agencias interpretan los peligros en desarrollo y comunican la incertidumbre al público.

Qué cambia este estudio

La secuencia de Santorini se ha convertido en un caso de estudio sobre cómo la computación puede cambiar la ciencia observacional durante un evento en vivo. El valor no fue solo que el aprendizaje automático encontrara más terremotos. Encontró estructura: ráfagas repetidas, actividad migratoria y detalles de la red de fallas que, en conjunto, produjeron una historia más coherente sobre lo que ocurría bajo tierra.

Esa es la enseñanza más profunda. En la ciencia de riesgos, una mejor resolución puede cambiar el significado del propio evento. Un enjambre difuso y abrumador se convierte en un proceso cartografiado con ritmos, trayectorias y posibles impulsores. Eso no hace que la predicción sea fácil, ni elimina la posibilidad de sorpresas. Pero sí mejora la calidad de la información disponible cuando hay que tomar decisiones en tiempo real.

Para Santorini, el resultado es un registro más claro de una crisis sísmica notable. Para el campo en general, es una señal de que la sismología operativa puede estar entrando en una nueva fase en la que el aprendizaje automático ya no es un asistente de investigación posterior al evento, sino una herramienta analítica de primera línea.

Conclusiones clave

  • Los investigadores identificaron más de 60.000 terremotos durante la secuencia de Santorini de 2025 usando aprendizaje automático.
  • El estudio detectó 46 ráfagas recurrentes de sismicidad y migración a lo largo de fallas a velocidades de hasta 2 kilómetros por hora.
  • Los patrones observados respaldan la interpretación de que la intrusión de magma desempeñó un papel central en la crisis.
  • El equipo sostiene que estos métodos de aprendizaje automático deberían formar parte del monitoreo rutinario en tiempo real durante futuras emergencias volcánicas.

Este artículo se basa en una cobertura de Phys.org. Leer el artículo original.

Originally published on phys.org