How Much Temporal Information Does Earthquake Declustering Remove? An Entropy-Based Analysis of the Türkiye Catalogue

Los terremotos rara vez ocurren de forma aislada. Cuando un temblor golpea, a menudo desencadena una reacción en cadena: un pequeño sismo precursor podría preceder a un evento principal, el cual es seguido por un enjambre de réplicas que pueden durar semanas o incluso años. Para los científicos que intentan comprender los patrones de estrés profundo de la Tierra, estos grupos actúan como estática en una radio, ahogando el ruido de fondo constante e independiente de la actividad sísmica natural del planeta. Para obtener una señal clara, los investigadores utilizan un proceso llamado declustering (desagrupamiento), que intenta eliminar estos eventos dependientes y dejar solo los "sismos principales" que representan el ritmo verdadero y subyacente de la región. Sin embargo, siempre ha existido una duda persistente sobre si este proceso de limpieza elimina demasiada parte de la historia, o si deja atrás un patrón predecible que podría ayudarnos a entender cómo se comportan los terremotos a lo largo del tiempo.

Un nuevo estudio centrado en Turquía, una nación situada sobre algunas de las líneas de falla más activas del mundo, aborda esta cuestión midiendo cuánta información se pierde cuando intentamos separar estos eventos sísmicos. El investigador, Hakan Karaca, no buscaba una bola de cristal para predecir exactamente cuándo ocurrirá el próximo sismo; tal predicción precisa sigue estando más allá de la ciencia actual. En su lugar, planteó una pregunta más fundamental: si sabemos qué tan activa estuvo la Tierra el mes pasado, ¿nos dice eso algo sobre qué tan activa estará el próximo mes? Para responder a esto, aplicó tres métodos diferentes, ampliamente utilizados, para el desagrupamiento de una enorme base de datos de terremotos turcos que abarca cincuenta años, desde 1976 hasta 2025. Luego utilizó un concepto matemático conocido como entropía, que esencialmente mide cuánta incertidumbre existe en un sistema, para ver cuánto orden permanecía en los datos después del proceso de limpieza.

El estudio comenzó con un catálogo único y unificado de casi 40,000 terremotos. El investigador luego pasó estos datos por tres filtros diferentes. Los dos primeros métodos, conocidos como Gardner-Knopoff y Deniz-Yücemen, utilizan ventanas de tiempo y distancia fijas para decidir qué eventos forman parte de un grupo y cuáles son independientes. El tercer método, Reasenberg, utiliza un enfoque basado en la interacción más complejo, donde los grupos crecen y evolucionan a medida que los eventos se vinculan entre sí. Los resultados de este filtrado fueron marcadamente diferentes. Los dos primeros métodos fueron agresivos, eliminando aproximadamente el 70 al 73 por ciento de los eventos registrados como grupos dependientes, dejando atrás unos 11,000 eventos. El método Reasenberg fue mucho más conservador, eliminando solo alrededor del 32 por ciento de los eventos y reteniendo casi 27,000. Esta diferencia en la cantidad de eventos conservados proporcionó el escenario perfecto para probar si la forma en que limpiamos los datos cambia la historia que cuentan los datos.

Cuando el investigador analizó los recuentos mensuales de estos terremotos restantes, convirtió los números brutos en cuatro estados simples: actividad baja, moderadamente baja, moderadamente alta y alta. Luego observó la secuencia de estos estados mes a mes para ver si conocer el estado de un mes reducía la incertidumbre sobre el siguiente. Los resultados mostraron que la elección del método de limpieza cambió completamente el resultado. Para los dos métodos que eliminaron más eventos, la conexión entre un mes y el siguiente desapareció. Los datos parecían esencialmente aleatorios; saber que el mes pasado fue tranquilo no te decía nada sobre si este mes sería tranquilo o ruidoso. Las medidas estadísticas confirmaron que estos métodos habían eliminado casi toda la dependencia detectable a corto plazo, dejando una secuencia que se comportaba como el lanzamiento de una moneda.

En contraste, los datos procesados por el método Reasenberg contaban una historia diferente. Debido a que este método conservó más de los eventos agrupados, la secuencia resultante retuvo una cantidad significativa de organización temporal. En los primeros años del registro y nuevamente en las décadas más recientes, los datos mostraron un patrón claro donde el nivel de actividad de un mes proporcionaba información real sobre el siguiente. La incertidumbre sobre el futuro se redujo de manera mensurable cuando se conocía el presente. Esto no significaba que los terremotos fueran predecibles en un sentido determinista, pero sí significaba que el "ruido" de los grupos no había sido eliminado por completo, dejando tras de sí una estructura que los otros dos métodos habían borrado con éxito.

El estudio además dividió la cronología de cincuenta años en tres períodos distintos para ver si estos patrones se mantenían en el tiempo. Los dos métodos agresivos mostraron consistentemente que no había una conexión significativa entre los meses, independientemente de la era. El método Reasencer, sin embargo, mostró vínculos fuertes y estadísticamente significativos en los primeros y últimos períodos, mientras que el período intermedio pareció más aleatorio. Esto sugiere que la aparente predictibilidad de la actividad sísmica no es una propiedad fija de la Tierra misma, sino que es una característica que depende en gran medida de cómo se preparen los datos. El investigador encontró que el enfoque más conservador dejó atrás una "memoria" de la actividad pasada, mientras que los enfoques más agresivos limpiaron esa memoria por completo.

En última instancia, el artículo demuestra que la respuesta a cuánta información temporal elimina el desagrupamiento de terremotos depende enteramente de la herramienta utilizada para realizar la eliminación. No existe una verdad única y objetiva sobre el orden restante en los datos; solo existe el orden que sobrevive a las reglas específicas del algoritmo elegido. Los hallazgos sugieren que si los científicos utilizan métodos que eliminan agresivamente los grupos, verán un mundo de eventos independientes e impredecibles. Si utilizan métodos que son más permisivos, verán un mundo con patrones persistentes y dependencias a corto plazo. Esto no significa que un método sea correcto y el otro erróneo, sino que cualquier conclusión sobre la predictibilidad de los terremotos debe entenderse en el contexto del proceso de limpieza de datos que lo produjo. El estudio sirve como un recordatorio de que la forma en que organizamos nuestras observaciones puede alterar fundamentalmente los patrones que vemos en el mundo natural.