Earthquake aftershock forecasting with conditional generative models

Quando um terremoto massivo atinge a terra, o solo não simplesmente silencia. Por horas, dias e, às vezes, anos depois, a crosta continua a estremecer, liberando milhares de tremores menores conhecidos como réplicas. Estes seguem um ritmo previsível: ocorrem com maior frequência logo após o evento principal e diminuem gradualmente, enquanto suas localizações tendem a se agrupar ao longo da linha de falha específica que se rompeu. Cientistas há muito utilizam regras estatísticas para supor onde e quando essas réplicas podem ocorrer, tratando cada tremor como um ponto isolado em uma vasta nuvem aleatória. Esses métodos tradicionais funcionam bem na média, mas frequentemente falham em capturar os detalhes desordenados do mundo real de como uma sequência específica se desenrola. Eles têm dificuldade em prever a forma exata da zona de réplicas ou quantos tremores uma sequência específica produzirá, muitas vezes suavizando os padrões recortados e alinhados às falhas que definem o rescaldo de um terremoto real.

Um pesquisador da Universidade da Califórnia, Berkeley, desenvolveu uma nova maneira de prever essas sequências que vai além das simples estatísticas. Em vez de tentar prever tremores individuais um por um, ele treinou um modelo de computador para imaginar todo o cenário futuro da atividade sísmica como uma única imagem em evolução. Esta nova abordagem, chamada QuakeGen, aprende com vastas quantidades de dados históricos de terremotos para entender como as réplicas se espalham no espaço e no tempo. Ao ser testado contra os métodos padrão usados por agências governamentais, este novo modelo provou ser mais preciso em identificar onde as réplicas se agrupariam e como a atividade decairia. Ele recriou com sucesso as formas longas e estreitas das zonas de réplicas que seguem falhas reais, um detalhe que modelos antigos frequentemente perdem, substituindo-os por palpites circulares vagos.

A ideia central por trás deste trabalho é uma mudança de perspectiva. A previsão tradicional trata uma sequência de terremotos como uma lista de eventos separados, usando fórmulas matemáticas fixas para estimar quantos acontecerão e onde. Essas fórmulas assumem que as réplicas se espalham uniformemente em todas as direções a partir do choque principal, como ondulações em um lago. No entanto, terremotos reais não se comportam dessa maneira. As réplicas geralmente se alinham ao longo da falha quebrada, criando aglomerados longos e esticados que refletem a geometria da ruptura nas profundezas do subsolo. O pesquisador percebeu que tentar prever cada evento individualmente limitava sua capacidade de ver esse quadro maior. Em vez disso, ele decidiu tratar a previsão como um campo, semelhante à forma como os meteorologistas mapeiam o tempo. Ele queria um modelo que pudesse gerar um mapa completo da atividade sísmica futura, mostrando tanto o número de tremores esperados quanto o tamanho do maior deles em cada pequena parcela de terreno.

Para construir este sistema, o pesquisador utilizou um tipo de inteligência artificial conhecida como modelo de difusão. Esta tecnologia, que recentemente revolucionou campos como a previsão do tempo e a análise de estrutura de proteínas, funciona aprendendo a reverter um processo de adição de ruído. Imagine uma fotografia nítida que é lentamente coberta por estática até se tornar apenas grãos sem sentido. Um modelo de difusão aprende como pegar esses grãos e, passo a passo, remover o ruído para revelar a imagem original. Neste estudo, a "imagem" não é uma fotografia, mas um mapa de atividade sísmica. O modelo começa com um mapa vazio e ruidoso e, guiado pelas informações do que já aconteceu, refina gradualmente o mapa em uma previsão clara do que acontecerá a seguir.

O pesquisador treinou seu modelo, QuakeGen, em dois tipos diferentes de dados para ver quão bem ele poderia generalizar. Primeiro, utilizou um conjunto de dados globais contendo milhares de sismos principais e suas réplicas de todo o mundo, abrangendo de 1990 a 2023. Ele ensinou o modelo a observar a atividade sísmica nos dias que antecederam um grande terremoto e nas primeiras horas de réplicas imediatamente após o evento. Com base nessa informação limitada, o modelo tinha que prever o padrão de réplicas para os próximos dias, semanas ou até meses. Em seguida, testou o modelo em 80 grandes terremotos que ocorreram em 2024 e 2025, os quais o modelo nunca havia visto antes. Nestes testes, o QuakeGen superou o modelo operacional padrão usado pelo Serviço Geológico dos Estados Unidos (USGS). Enquanto o modelo tradicional produzia um halo circular amplo de atividade prevista, o QuakeGen identificou corretamente as formas alongadas e alinhadas às falhas das zonas de réplica. Por exemplo, após um terremoto de magnitude 7,5 no Japão, o novo modelo reproduziu a extensão de 150 quilômetros de réplicas ao longo da falha, enquanto o modelo antigo espalhou a previsão em um círculo amplo.

O segundo teste focou em uma única região: o sul da Califórnia. Aqui, o objetivo não era apenas prever as réplicas de um único grande abalo, mas sim prever a taxa diária de terremotos em uma grande área ao longo do tempo. O pesquisador treinou o modelo em um catálogo altamente detalhado de sismicidade na região, que inclui muitos pequenos tremores que os detectores padrão costumam perder. Em seguida, pediu ao modelo que previsse as contagens diárias de terremotos para sub-regiões conhecidas pela atividade frequente, como o Mar de Salton e a falha de San Jacinto. Neste cenário, o modelo igualou o desempenho dos melhores modelos estatísticos ajustados, que foram cuidadosamente calibrados para aquela área específica. Isso é significativo porque sugere que um único modelo baseado em dados pode aprender o comportamento complexo de todo um sistema de falhas sem a necessidade de ser recalibrado manualmente para cada nova região.

Um dos aspectos mais impressionantes do novo modelo é como ele lida com a incerteza. Como o futuro de uma sequência de terremotos é inerentemente imprevisível, o modelo não produz apenas uma resposta única. Em vez disso, ele gera um conjunto de 100 futuros possíveis para cada previsão. Cada um desses 100 mapas é uma realização válida do que poderia acontecer, mostrando locais específicos diferentes para os tremores individuais. Quando o pesquisador tirou a média desses 100 mapas, obteve uma imagem suave da taxa geral de atividade, que correspondeu de perto aos padrões observados na natureza. Essa abordagem permite que os previsores vejam não apenas o resultado mais provável, mas toda a gama de possibilidades, fornecendo uma visão mais clara de onde o risco está concentrado.

O estudo também explorou a capacidade do modelo de prever o tamanho do maior tremor esperado em qualquer área. Os métodos tradicionais frequentemente têm dificuldade com isso, pois dependem de médias estatísticas que podem ser distorcidas por áreas vazias. O QuakeGen, no entanto, gera a contagem de tremores e o tamanho do maior deles simultaneamente. Ao observar o percentil 90 de suas previsões, o modelo foi capaz de concentrar a previsão para os maiores tremores ao longo da falha rompida, correspondendo à observação do mundo real de que os maiores tremores de réplica tendem a ocorrer exatamente onde ocorreu a ruptura principal. Essa previsão conjunta de frequência e magnitude oferece uma visão mais completa e realista do perigo.

Apesar desses sucessos, o pesquisador reconhece que o modelo possui limites. Ele depende fortemente da qualidade e quantidade dos dados para os quais foi treinado. Para os terremotos muito grandes, que são raros, o modelo às vezes subestima o número total de réplicas ou falha em capturar a extensão total da zona de ruptura. Isso ocorre porque o modelo viu menos exemplos desses eventos massivos durante seu treinamento. O autor sugere que melhorias futuras poderiam vir da combinação desta abordagem baseada em dados com simulações baseadas em física para gerar mais exemplos de grandes terremotos, ou ao alimentar o modelo com informações adicionais, como a geometria exata da ruptura da falha ou medições de deformação do solo.

O trabalho representa um avanço significativo na forma como os cientistas abordam a previsão de terremotos. Ao se afastar de regras fixas e previsões de eventos isolados, e avançar para o aprendizado dos padrões complexos e evolutivos dos campos sísmicos diretamente dos dados, o pesquisador criou uma ferramenta que captura a verdadeira natureza das sequências de terremotos. O modelo não apenas adivinha; ele aprende a estrutura subjacente de como as falhas se comportam. Embora não possa prever quando o próximo grande terremoto ocorrerá, ele oferece uma visão muito mais nítida e precisa do que acontece após um ocorrer, ajudando as comunidades a compreender a forma e a escala do tremor que se segue.