Aprendizado de máquina mapeou mais de 60 mil terremotos na crise de Santorini

Uma crise sísmica vulcânica ganha contornos mais nítidos

A intensa sequência sísmica que afetou Santorini e ilhas vizinhas entre o fim de 2024 e meados de 2025 foi muito maior e mais estruturada do que a monitorização convencional havia mostrado. De acordo com uma pesquisa apresentada na reunião anual de 2026 da Seismological Society of America, uma análise baseada em aprendizado de máquina identificou mais de 60 mil terremotos durante o episódio, criando um catálogo de alta resolução que permitiu aos cientistas acompanhar a crise à medida que ela se desenrolava.

O número em si é impressionante, mas o significado mais amplo está no que esse tipo de análise quase em tempo real torna possível. Em vez de revisar os dados meses depois, a equipe de pesquisa usou ferramentas de aprendizado de máquina enquanto o evento ainda estava em curso, detectando surtos de sismicidade, rastreando como a atividade migrava por redes de falhas e capturando detalhes que fluxos de trabalho padrão provavelmente teriam perdido ou entregue tarde demais para orientar decisões operacionais.

Por que a sequência de Santorini foi difícil de acompanhar

A crise sísmica de Santorini foi incomumente intensa. Os pesquisadores disseram que alguns períodos continham centenas de terremotos em uma única hora, uma escala que torna a catalogação convencional difícil sob pressão de tempo. Esse volume importa porque, quando os terremotos chegam em clusters densos, o desafio não é apenas medir magnitude ou localização, mas separar eventos individuais de formas de onda sobrepostas e fazer isso rápido o suficiente para que a informação continue acionável.

Usando pipelines de aprendizado de máquina executados em paralelo, a equipe liderada por Stanford conseguiu processar grandes quantidades de dados de formas de onda e identificar milhares e milhares de eventos durante a própria crise. O conjunto de dados resultante cobriu de dezembro de 2024 a junho de 2025 e ofereceu uma imagem muito mais detalhada de como a sequência evoluiu ao longo do tempo.

Essa é uma mudança operacional importante. O aprendizado de máquina em sismologia costuma ser usado de forma retrospectiva, depois que uma crise já passou. Em Santorini, os métodos foram empregados de uma forma que se aproximou da monitorização em tempo real. Isso torna o trabalho notável não apenas como estudo de uma sequência sísmica, mas como demonstração de como crises sísmicas ligadas a вулcões poderiam ser tratadas de maneira diferente no futuro.

Surtos, migração e evidências apontando para movimento de magma

O catálogo identificou 46 surtos recorrentes de sismicidade, cada um envolvendo centenas de terremotos ao longo de uma ou duas horas. Durante alguns surtos, a migração sísmica se deslocou ao longo de zonas de falha a velocidades de até 2 quilômetros por hora. Esses padrões são mais do que curiosidades descritivas. Eles ajudam os cientistas a avaliar o processo subjacente que impulsiona a enxurrada sísmica.

Segundo os pesquisadores, tanto a velocidade quanto o padrão de migração reforçam a interpretação de que a sequência esteve ligada a uma intrusão de magma associada aos вулcões da região. Em outras palavras, os terremotos não foram simplesmente ruído tectônico disperso. Eles parecem ter traçado o movimento de material e de tensões através de um sistema вулcânico ativo.

Essa distinção importa para a avaliação de risco. Em ambientes vulcânicos, se uma enxurrada é impulsionada principalmente por deslizamento de falhas, movimento de fluidos ou intrusão de magma muda a forma como os cientistas pensam sobre o risco de escalada e a comunicação pública. Um catálogo mais rico não elimina a incerteza, mas pode reduzir a faixa de explicações plausíveis e ajudar as autoridades a construir um quadro situacional mais claro.

De ferramenta de pesquisa a expectativa operacional

Uma das mensagens mais fortes do estudo é institucional mais do que puramente geológica: os pesquisadores argumentam que esses métodos devem sair do uso limitado e entrar na prática operacional rotineira. Essa é uma afirmação relevante. As agências de monitoramento costumam ser cautelosas ao adotar novos métodos analíticos em fluxos de trabalho em tempo real, porque confiabilidade, velocidade e interpretabilidade importam quando a segurança pública está em jogo.

Mas eventos como Santorini expõem as limitações da abordagem atual. Quando uma crise evolui rapidamente, atrasos na análise não são apenas inconveniências acadêmicas. Eles podem afetar previsões, alertas e planejamento de emergência. A posição dos pesquisadores é que o aprendizado de máquina amadureceu o suficiente para fazer parte do conjunto padrão de ferramentas de monitoramento, especialmente em crises вулcânicas de ritmo acelerado, nas quais analistas humanos sozinhos podem ter dificuldade para acompanhar o volume de eventos.

Se essa transição acontecer, as implicações práticas poderão ir muito além do Egeu. Observatórios vulcânicos e redes de monitoramento sísmico em todo o mundo enfrentam desafios semelhantes durante enxames, intrusões e cascatas de terremotos. Catálogos de eventos mais rápidos e mais densos poderiam melhorar a forma como as agências interpretam perigos em desenvolvimento e comunicam incerteza ao público.

O que este estudo muda

A sequência de Santorini virou um estudo de caso sobre como a computação pode mudar a ciência observacional durante um evento ao vivo. O valor não foi apenas o aprendizado de máquina encontrar mais terremotos. Ele encontrou estrutura: surtos repetidos, atividade migratória e detalhes da rede de falhas que, juntos, produziram uma narrativa mais coerente sobre o que acontecia no subsolo.

Essa é a lição mais profunda. Na ciência do risco, uma melhor resolução pode mudar o significado do próprio evento. Um enxame difuso e avassalador se torna um processo mapeado, com ritmos, trajetórias e possíveis motores. Isso não torna a previsão fácil, nem elimina a possibilidade de surpresas. Mas melhora a qualidade da informação disponível quando decisões precisam ser tomadas em tempo real.

Para Santorini, o resultado é um registro mais claro de uma crise sísmica notável. Para o campo em geral, é um sinal de que a sismologia operacional pode estar entrando em uma nova fase, na qual o aprendizado de máquina deixa de ser um assistente de pesquisa pós-evento e passa a ser uma ferramenta analítica de linha de frente.

Principais pontos

• Pesquisadores identificaram mais de 60 mil terremotos durante a sequência de Santorini de 2025 usando aprendizado de máquina.
• O estudo detectou 46 surtos recorrentes de sismicidade e migração ao longo de falhas a velocidades de até 2 quilômetros por hora.
• Os padrões observados sustentam a interpretação de que a intrusão de magma teve papel central na crise.
• A equipe afirma que esses métodos de aprendizado de máquina devem se tornar parte da monitorização rotineira em tempo real durante futuras emergências vulcânicas.

Este artigo é baseado em reportagem da Phys.org. Leia o artigo original.