Los investigadores utilizaron la IA para identificar los cambios en la atmósfera terrestre que se generan cuando comienzan a formarse olas de tsunami en el mar.
Esto podría ampliar significativamente el tiempo de alerta para las comunidades costeras que se enfrentan a riesgos de tsunamis.
Valentino Constantinou, de Terran Orbital Corporation, con sede en Florida, explica: "No existe una red mundial de detección de tsunamis y la instalación de equipos físicos, como los sistemas basados en boyas, es cara. Pero sabemos que las constelaciones de pequeños satélites proliferan por todas partes".
La velocidad de las señales producidas por los terremotos en el mar está influida por la densidad de las partículas cargadas en la ionosfera terrestre, que se encuentra a unos 300 a 350 kilómetros por encima de la superficie.
Cuando un tsunami genera ondas de choque que ascienden a la atmósfera, alteran la densidad de estas partículas cargadas, lo que provoca modificaciones leves pero detectables en las señales que reciben los satélites.
Investigación previa llevado a cabo por el Laboratorio de Propulsión a Chorro de la NASA y la Universidad de la Sapienza de Roma (Italia) condujo a un método computacional para calibrar las fluctuaciones en la densidad de partículas cargadas debidas a los tsunamis.
A partir de ahí, Constantinou y su equipo convirtieron los datos, originalmente en formatos unidimensionales, en imágenes bidimensionales. A continuación, analizaron estas imágenes mediante modelos de IA en busca de signos relacionados con tsunamis.
El equipo entrenó su sistema de IA utilizando datos de tres tsunamis específicos provocados por terremotos: el chileno de 2010, el japonés de 2011 y el canadiense de 2012.
Pusieron a prueba la eficacia del modelo en un cuarto tsunami provocado por el terremoto de Illapel de 2015 en Chile. Se analizó la IA para evaluar en qué medida podía diferenciar los cambios inducidos por el tsunami del ruido de fondo ionosférico estándar.
Para minimizar los falsos positivos, los investigadores filtraron las perturbaciones causadas por las estaciones terrestres en comunicación con los satélites aéreos.
Según Quentin Brissaud, de NORSAR, una fundación noruega de investigación sísmica no vinculada al estudio, esta metodología arrojó "resultados bastante buenos", con una tasa de precisión en la detección superior a 90%. Sin embargo, Brissaud señaló que se necesitarían más datos para determinar la fiabilidad de este sistema para distintos tipos de tsunamis.
Quentin Brissaud señala que "la rareza de los grandes tsunamis dificulta el análisis y la predicción de estos fenómenos".
Uno de los retos que plantea el despliegue de un sistema mundial de alerta de tsunamis es la necesidad de compartir los datos a escala internacional. Como menciona Constantinou, "los datos suelen estar en manos de los gobiernos o de los socios comerciales que operan los satélites. No hay un único lugar donde obtener los datos para un sistema mundial".
Más información sobre el estudio
Este estudiar combina datos de satélite con aprendizaje automático (ML) para analizar los cambios en la atmósfera terrestre provocados por los tsunamis.
Aunque la detección de tsunamis ha avanzado recientemente, muchas costas siguen teniendo una cobertura inadecuada de los sistemas de alerta temprana.
Así es como funciona:
- Los investigadores han desarrollado un marco basado en IA para identificar los primeros indicios de tsunamis mediante el seguimiento de las perturbaciones ionosféricas viajeras (TID) en la ionosfera terrestre. Estas perturbaciones afectan al contenido total de electrones (TEC), detectable a través del Sistema Mundial de Navegación por Satélite (GNSS).
- Este enfoque aprovecha los datos de múltiples sistemas de satélites como GPS, Galileo, GLONASS y BeiDou. Ofrece cobertura en tiempo real en alta mar y constituye un valioso complemento para las zonas geográficas a las que no llegan los sistemas de alerta tradicionales basados en boyas.
- El modelo de IA utiliza redes neuronales convolucionales (CNN) entrenadas con datos históricos de los tsunamis de Maule de 2010, Tohoku de 2011 y Haida-Gwaii de 2012. Posteriormente fue validado con datos del tsunami de Illapel de 2015, alcanzando una precisión de 91,7%.
- El sistema emplea una estrategia de mitigación de falsos positivos (FPM), que reduce significativamente la tasa de falsas alarmas.
Muchos sistemas de IA se utilizan para predecir catástrofes medioambientales, entre ellas Centro de inundaciones de Googleque se ha ampliado recientemente para abarcar más regiones.
