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

Os terremotos raramente ocorrem isoladamente. Quando um tremor atinge a terra, ele frequentemente desencadeia uma reação em cadeia: um pequeno abalo prévio pode preceder um evento principal, que é então seguido por uma sucessão de réplicas que podem durar semanas ou até anos. Para os cientistas que tentam compreender os padrões de tensão profunda da Terra, esses agrupamentos atuam como estática em um rádio, abafando o ruído de fundo constante e independente da atividade sísmica natural do planeta. Para obter um sinal claro, os pesquisadores utilizam um processo chamado desaglomeração (declustering), que tenta remover esses eventos dependentes e deixar apenas os "choques principais" que representam o ritmo verdadeiro e subjacente da região. No entanto, uma questão persistente sempre foi se esse processo de limpeza remove demais a história, ou se deixa para trás um padrão previsível que poderia nos ajudar a entender como os terremotos se comportam ao longo do tempo.

Um novo estudo focado na Turquia, uma nação situada sobre algumas das falhas mais ativas do mundo, aborda essa questão ao medir quanta informação é perdida quando tentamos separar esses eventos sísmicos. O pesquisador, Hakan Karaca, não buscou uma bola de cristal para prever exatamente quando o próximo tremor ocorrerá; tal previsão precisa permanece além da ciência atual. Em vez disso, ele fez uma pergunta mais fundamental: se sabemos quão ativa a Terra esteve no mês passado, isso nos diz algo sobre o quão ativa ela estará no próximo mês? Para responder a isso, ele aplicou três métodos diferentes e amplamente utilizados para desaglomerar um banco de dados massivo de terremotos turcos abrangendo cinquenta anos, de 1976 a 2025. Ele então utilizou um conceito matemático conhecido como entropia, que essencialmente mede quanta incerteza existe em um sistema, para ver quanto da ordem permanecia nos dados após o processo de limpeza.

O estudo começou com um catálogo único e unificado de quase 40.000 terremotos. O pesquisador então passou esses dados por três filtros diferentes. Os dois primeiros métodos, conhecidos como Gardner-Knopoff e Deniz-Yücemen, utilizam janelas fixas de tempo e distância para decidir quais eventos fazem parte de um agrupamento e quais são independentes. O terceiro método, Reasenberg, utiliza uma abordagem baseada em interação mais complexa, onde os agrupamentos crescem e evoluem à medida que os eventos se conectam. Os resultados desse filtragem foram drasticamente diferentes. Os dois primeiros métodos foram agressivos, removendo cerca de 70 a 73 por cento dos eventos registrados como agrupamentos dependentes, deixando para trás aproximadamente 11.000 eventos. O método Reasenberg foi muito mais conservador, removendo apenas cerca de 32 por cento dos eventos e retendo quase 27.000. Essa diferença na quantidade de eventos mantidos forneceu o cenário perfeito para testar se a maneira como limpamos os dados altera a história que os dados contam.

Quando o pesquisador analisou as contagens mensais desses terremotos restantes, ele converteu os números brutos em quatro estados simples: atividade baixa, moderadamente baixa, moderadamente alta e alta. Ele então observou a sequência desses estados mês a mês para ver se saber o estado de um mês reduzia a incerteza sobre o próximo. Os resultados mostraram que a escolha do método de limpeza mudou completamente o resultado. Para os dois métodos que removeram mais eventos, a conexão entre um mês e o próximo desapareceu. Os dados pareciam essencialmente aleatórios; saber que o mês passado foi calmo não dizia nada sobre se este mês seria calmo ou agitado. As medidas estatísticas confirmaram que esses métodos haviam removido quase toda a dependência de curto prazo detectável, deixando uma sequência que se comportava como o lançamento de uma moeda.

Em contraste, os dados processados pelo método Reasenberg contavam uma história diferente. Como este método manteve mais dos eventos agrupados, a sequência resultante reteve uma quantidade significativa de organização temporal. Nos primeiros anos do registro e novamente nas décadas mais recentes, os dados mostraram um padrão claro onde o nível de atividade de um mês fornecia informação real sobre o próximo. A incerteza sobre o futuro era mensuravelmente reduzida quando o presente era conhecido. Isso não significava que os terremotos fossem previsíveis em um sentido determinístico, mas significava que o "ruído" dos agrupamentos não havia sido totalmente removido, deixando para trás uma estrutura que os outros dois métodos haviam apagado com sucesso.

O estudo ainda dividiu a linha do tempo de cinquenta anos em três períodos distintos para ver se esses padrões se sustentavam ao longo do tempo. Os dois métodos agressivos mostraram consistentemente nenhuma conexão significativa entre os meses, independentemente da era. O método Reasember, no entanto, mostrou ligações fortes e estatisticamente significativas no primeiro e no último períodos, enquanto o período intermediário pareceu mais aleatório. Isso sugere que a aparente previsibilidade da atividade sísmica não é uma propriedade fixa da própria Terra, mas sim uma característica que depende fortemente de como os dados são preparados. O pesquisador descobriu que a abordagem mais conservadora deixou para trás uma "memória" da atividade passada, enquanto as abordagens mais agressivas apagaram essa memória completamente.

Por fim, o artigo demonstra que a resposta sobre quanta informação temporal a desaglomeração de terremotos remove depende inteiramente da ferramenta utilizada para realizar a remoção. Não existe uma verdade única e objetiva sobre a ordem restante nos dados; existe apenas a ordem que sobrevive às regras específicas do algoritmo escolhido. As descobertas sugerem que, se os cientistas utilizarem métodos que removem agressivamente os agrupamentos, eles verão um mundo de eventos independentes e imprevisíveis. Se utilizarem métodos que sejam mais brandos, verão um mundo com padrões remanescentes e dependências de curto prazo. Isso não significa que um método esteja certo e o outro errado, mas significa que qualquer conclusão sobre a previsibilidade dos terremotos deve ser compreendida no contexto do processo de limpeza de dados que a produziu. O estudo serve como um lembrete de que a maneira como organizamos nossas observações pode alterar fundamentalmente os padrões que vemos no mundo natural.