Un terremoto fuerte suele sentirse como el final de un episodio, pero en sismología muchas veces es solo el principio. Las réplicas son esos temblores posteriores que llegan cuando la gente intenta salir, cuando los equipos de rescate entran en edificios dañados o cuando se restablecen servicios críticos. En ocasiones, el daño añadido de una réplica puede ser tan grave —o más— que el del evento principal, porque encuentra estructuras ya debilitadas y comunidades en pleno esfuerzo de respuesta.
El problema práctico es que, tras un sismo relevante, autoridades y servicios de emergencia necesitan una idea rápida y razonable de qué puede ocurrir en las siguientes horas. Es como si, después de una tormenta, tuvieras que decidir en minutos si conviene cerrar una carretera por riesgo de desprendimientos: no esperas el informe perfecto de varios días si puedes disponer de un pronóstico fiable en el momento.
De horas o días a segundos: el salto operativo
Hasta ahora, los métodos habituales para estimar el riesgo de réplicas podían requerir mucho tiempo de cálculo. Un ejemplo clave es el modelo ETAS (Epidemic-Type Aftershock Sequence), uno de los sistemas más utilizados para describir y prever secuencias de réplicas y que se emplea de forma operativa en países como Italia, Nueva Zelanda y Estados Unidos, según explica el British Geological Survey (BGS) en una nota de prensa fechada el 25 de noviembre de 2025.
La lógica de ETAS es potente, pero su coste computacional no es trivial: necesita ejecutar muchas simulaciones para generar pronósticos, y eso puede traducirse en esperas de varias horas o incluso días en un ordenador de gama media, especialmente tras ciertos eventos. En un contexto de crisis, esa demora es como tener un mapa excelente que llega cuando ya te has tenido que poner en marcha sin él.
Frente a esa limitación, un equipo del BGS, la Universidad de Edimburgo y la Universidad de Padua ha desarrollado herramientas de inteligencia artificial capaces de producir estimaciones de réplicas casi en tiempo real. La idea central no es “adivinar” el futuro con magia, sino aprender patrones a partir de grandes volúmenes de datos sísmicos históricos para acelerar cálculos que, por vías tradicionales, requieren más recursos.
Cómo se entrena una herramienta de aprendizaje automático para réplicas
En estos modelos, la materia prima es el registro de terremotos pasados. Los investigadores entrenaron sus sistemas de aprendizaje automático con datos reales de regiones con actividad sísmica frecuente y características tectónicas distintas: California, Nueva Zelanda, Italia, Japón y Grecia. Esa diversidad es importante porque la Tierra no se comporta igual en todas partes: no es lo mismo una “bisagra” tectónica que una “cremallera” de fallas; ambos mecanismos pueden generar secuencias de réplicas con ritmos y distribuciones diferentes.
Con un entrenamiento que combina experiencias de varios “paisajes” tectónicos, los autores sostienen que estas herramientas podrían aplicarse en la mayoría de zonas del mundo expuestas a terremotos. Dicho de forma cotidiana: si solo aprendes a conducir en calles tranquilas, la autopista te intimida; si practicas en ciudad, carretera y lluvia, tu conducción se adapta mejor. Con los modelos ocurre algo parecido: más variedad de escenarios ayuda a que el sistema generalice.
Qué se evaluó exactamente: magnitud y ventana de 24 horas
Para medir el rendimiento, el equipo analizó la capacidad de sus modelos de prever cuántas réplicas ocurrirían durante las 24 horas posteriores a terremotos de magnitud 4 o superior. Ese detalle no es menor. Elegir una ventana de un día tiene sentido operativo porque es cuando se toman muchas decisiones urgentes: despliegue de recursos, perímetros de seguridad, evaluación de daños, accesos a infraestructuras y protección del personal que trabaja “a pie de calle”.
Después compararon el desempeño con el modelo ETAS. El resultado, según el comunicado del BGS, es que ambos enfoques ofrecen una calidad de pronóstico similar en términos de estimación del riesgo de réplicas. La diferencia crítica está en el tiempo: mientras ETAS puede tardar mucho por su enfoque basado en simulaciones múltiples, los modelos de inteligencia artificial generan su salida en segundos y con un coste computacional bajo.
En la práctica, esto abre un enfoque híbrido muy atractivo: usar una herramienta rápida para orientar decisiones tempranas y, si es necesario, complementar con métodos más intensivos cuando haya tiempo y capacidad de cálculo. No se trata de reemplazar por reemplazar, sino de sumar herramientas que encajan en distintos momentos de la emergencia.
Por qué la velocidad importa tanto en una crisis sísmica
La rapidez no es un capricho tecnológico: es una ventaja tangible para la gestión del riesgo. Si un pronóstico llega en segundos, puede integrarse en flujos operativos que funcionan en tiempo real, justo cuando la información es más valiosa. Las autoridades pueden evaluar dónde conviene restringir accesos, qué zonas priorizar para inspecciones estructurales o cómo distribuir equipos de rescate, especialmente si hay incertidumbre sobre la estabilidad de edificios e infraestructuras.
Imagínalo como el aviso de tráfico que aparece en el móvil antes de salir: no elimina el atasco, pero te permite elegir mejor la ruta. Con las herramientas de pronóstico de réplicas, el objetivo es parecido: reducir exposición al peligro en las horas más delicadas y asignar recursos con mayor criterio.
Catálogos sísmicos más finos y modelos que aprenden: un círculo virtuoso
En la publicación científica asociada, difundida por el BGS como aparecida en la revista Earth, Planets and Space, se destaca un punto que ayuda a entender el potencial futuro: la combinación de modelos de aprendizaje automático con catálogos sísmicos de alta resolución que se actualizan casi en tiempo real. Si los catálogos son como el “diario” detallado de lo que está ocurriendo bajo los pies, un modelo rápido puede leer ese diario al vuelo y ajustar su pronóstico mientras la crisis evoluciona.
La líder del estudio, Foteini Dervisi, doctoranda en el BGS y en la School of GeoSciences de la Universidad de Edimburgo, subraya precisamente esa idea: pronósticos de réplicas en segundos con una calidad comparable a ETAS y con un coste computacional bajo, lo que facilitaría su uso operativo y mejoraría la monitorización de crisis sísmicas conforme se desarrollan.
Esta visión encaja con una tendencia más amplia en ciencias de la Tierra: pasar de análisis “de despacho” que llegan tarde, a sistemas capaces de acompañar el evento casi en directo, sin perder rigor.
Financiación y colaboración internacional
El trabajo no nace en el vacío. El BGS indica que la investigación contó con apoyo del programa Horizon 2020 de la Unión Europea, dentro de una red de formación e innovación Marie Skłodowska-Curie denominada SPIN Innovative Training Network. Este tipo de iniciativas suele impulsar colaboraciones entre centros, movilidad de investigadores y desarrollo de capacidades, algo especialmente útil en un campo donde los datos, los métodos y las necesidades operativas cruzan fronteras.
También es relevante el carácter internacional del propio entrenamiento de los modelos: usar terremotos de regiones distintas no solo aporta variedad tectónica, sino que conecta prácticas y estándares de datos entre comunidades científicas.
Qué cambia para el futuro de la predicción de réplicas
Conviene ser precisos con las expectativas. Estas herramientas no “evitan” terremotos ni prometen certezas absolutas, porque la sismología trabaja con probabilidades y con sistemas naturales complejos. Lo que sí proponen es mejorar el pronóstico de réplicas en el periodo de mayor urgencia, con una relación coste-tiempo muy favorable.
Si la comparación con ETAS se mantiene en diferentes escenarios y con implementaciones operativas, el impacto más visible será práctico: decisiones más rápidas con información cuantitativa, menor dependencia de grandes recursos de computación y capacidad de actualizar estimaciones a medida que se registran nuevos eventos.
En otras palabras, es como pasar de hacer pan a mano en una cocina improvisada a tener un horno eficiente que mantiene la calidad y acelera el proceso. La receta sigue siendo científica y exigente; lo que cambia es la velocidad con la que puedes servir el resultado cuando más hace falta.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí