DeepStrain: la inteligencia artificial que detecta los terremotos silenciosos de la falla de San Andrés
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con... La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra...
Publicado porEditado con DeepSeek-V4-FlashImágenes generadas con GPT Image 1.5
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con...
La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra Zali, del GFZ Potsdam, demuestra que la inteligencia artificial puede extraer señales geodésicas por debajo del umbral d...
Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetecConceptual illustration: a deep-learning algorithm analyzes borehole strainmeter data to uncover previously undetected slow slip events beneath the Parkfield section of the San Andreas Fault.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetec. Article summary: ## Key Findings from the EarthScope Consortium / DeepStrain Study. Topic tags: general, government, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidenc
openai.com
La mayoría de los terremotos se anuncian con una sacudida. Pero en las profundidades del segmento de Parkfield de la falla de San Andrés, en California, ocurre un tipo de movimiento mucho más silencioso: los eventos de deslizamiento lento (SSE, por sus siglas en inglés), que liberan energía a lo largo de días o semanas sin generar vibraciones sísmicas perceptibles. Ahora, un algoritmo de aprendizaje profundo llamado DeepStrain ha revelado que estos eventos silenciosos son mucho más comunes de lo que se creía, y que juegan un papel directo en el desencadenamiento de los pequeños temblores conocidos como terremotos de baja frecuencia (LFE).
El desafío de detectar el deslizamiento silencioso
Detectar los eventos de deslizamiento lento es notoriamente difícil. Los extensómetros de fondo de pozo (BSM, por sus siglas en inglés) —instrumentos enterrados en agujeros cilíndricos profundos— pueden medir la deformación de la corteza a nivel de nanostrain, lo que los hace lo suficientemente sensibles para registrar deformaciones transitorias causadas por el deslizamiento asísmico y el fenómeno conocido como tremor episódico y deslizamiento lento (ETS, por sus siglas en inglés) . Sin embargo, las señales de los deslizamientos lentos pequeños y de corta duración suelen quedar sepultadas en el ruido de las series de datos, pasando desapercibidas incluso para los analistas humanos . Las redes GPS, la herramienta tradicional para medir el movimiento de la corteza terrestre, son aún menos efectivas: las tasas de deformación de estos eventos profundos suelen estar por debajo de sus umbrales de detección .
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
¿Cuál es la respuesta corta a "DeepStrain: la inteligencia artificial que detecta los terremotos silenciosos de la falla de San Andrés"?
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con...
¿Cuáles son los puntos clave a validar primero?
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con... La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra Zali, del GFZ Potsdam, demuestra que la inteligencia artificial puede extraer señales geodésicas por debajo del umbral d...
DeepStrain: la inteligencia artificial que detecta los terremotos silenciosos de la falla de San Andrés
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con... La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra...
Publicado porEditado con DeepSeek-V4-FlashImágenes generadas con GPT Image 1.5
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con...
La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra Zali, del GFZ Potsdam, demuestra que la inteligencia artificial puede extraer señales geodésicas por debajo del umbral d...
Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetecConceptual illustration: a deep-learning algorithm analyzes borehole strainmeter data to uncover previously undetected slow slip events beneath the Parkfield section of the San Andreas Fault.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetec. Article summary: ## Key Findings from the EarthScope Consortium / DeepStrain Study. Topic tags: general, government, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidenc
openai.com
La mayoría de los terremotos se anuncian con una sacudida. Pero en las profundidades del segmento de Parkfield de la falla de San Andrés, en California, ocurre un tipo de movimiento mucho más silencioso: los eventos de deslizamiento lento (SSE, por sus siglas en inglés), que liberan energía a lo largo de días o semanas sin generar vibraciones sísmicas perceptibles. Ahora, un algoritmo de aprendizaje profundo llamado DeepStrain ha revelado que estos eventos silenciosos son mucho más comunes de lo que se creía, y que juegan un papel directo en el desencadenamiento de los pequeños temblores conocidos como terremotos de baja frecuencia (LFE).
El desafío de detectar el deslizamiento silencioso
Detectar los eventos de deslizamiento lento es notoriamente difícil. Los extensómetros de fondo de pozo (BSM, por sus siglas en inglés) —instrumentos enterrados en agujeros cilíndricos profundos— pueden medir la deformación de la corteza a nivel de nanostrain, lo que los hace lo suficientemente sensibles para registrar deformaciones transitorias causadas por el deslizamiento asísmico y el fenómeno conocido como tremor episódico y deslizamiento lento (ETS, por sus siglas en inglés) . Sin embargo, las señales de los deslizamientos lentos pequeños y de corta duración suelen quedar sepultadas en el ruido de las series de datos, pasando desapercibidas incluso para los analistas humanos . Las redes GPS, la herramienta tradicional para medir el movimiento de la corteza terrestre, son aún menos efectivas: las tasas de deformación de estos eventos profundos suelen estar por debajo de sus umbrales de detección .
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
¿Cuál es la respuesta corta a "DeepStrain: la inteligencia artificial que detecta los terremotos silenciosos de la falla de San Andrés"?
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con...
¿Cuáles son los puntos clave a validar primero?
Un algoritmo de aprendizaje profundo llamado DeepStrain, entrenado con datos de extensómetros de fondo de pozo en el segmento de Parkfield de la falla de San Andrés, detectó el 90 % de los deslizamientos lentos ya con... La investigación, publicada en Nature Communications (doi: 10.1038/s41467 026 74095 9) por Zahra Zali, del GFZ Potsdam, demuestra que la inteligencia artificial puede extraer señales geodésicas por debajo del umbral d...
Desarrollado por la geofísica Zahra Zali, del GFZ Potsdam, DeepStrain es un modelo de aprendizaje profundo entrenado específicamente con registros de extensómetros de fondo de pozo de la Red de las Américas (NOTA, por sus siglas en inglés) de la Fundación Nacional de Ciencias de EE.UU. (NSF) . El algoritmo aprende a reconocer los sutiles patrones de onda de los deslizamientos lentos dentro del ruido de alta dimensión de los datos continuos de deformación. El código y el proceso de preprocesamiento se publicaron en agosto de 2025, lo que permite a otros investigadores aplicar el método en otras zonas de falla .
Al aplicarse en la región de Parkfield, DeepStrain logró un resultado notable: detectó el 90 % de los SSE ya catalogados manualmente y, lo que es más importante, identificó 21 nuevos SSE que no habían sido detectados en los análisis manuales . Este aumento aproximado del 30 % en el catálogo de eventos conocido proporciona una imagen mucho más completa del comportamiento de la falla en este segmento de San Andrés, uno de los más estudiados del mundo.
El vínculo temporal con los terremotos de baja frecuencia
Quizás el hallazgo más significativo surgió al analizar la sincronización de los nuevos SSE detectados en relación con los terremotos de baja frecuencia (LFE). Los datos mostraron que, con frecuencia, los deslizamientos lentos iban seguidos de terremotos de baja frecuencia. Esta secuencia temporal sugiere firmemente un mecanismo causal: el deslizamiento lento asísmico carga o desencadena la zona sismogénica que posteriormente genera el LFE.
Este resultado es coherente con trabajos anteriores que mostraban que la actividad de tremor y LFE cerca de Parkfield comparte la misma relación entre momento y duración que los deslizamientos lentos, lo que implica que están físicamente vinculados . Durante mucho tiempo se ha interpretado que los terremotos de baja frecuencia son indicadores sísmicos del deslizamiento asísmico circundante , pero DeepStrain proporciona la evidencia geodésica más clara hasta la fecha de que los eventos lentos individuales preceden y probablemente desencadenan esos pequeños terremotos.
Implicaciones para la vigilancia de fallas y el papel de la IA en la geofísica
Capacidad de detección ampliada
DeepStrain demuestra que la inteligencia artificial puede extraer señales geodésicas que están por debajo del umbral de detección tanto de las redes GPS como del análisis manual de extensómetros. Este catálogo ampliado de SSE permite realizar estudios estadísticos más sólidos sobre el comportamiento de las fallas, los intervalos de recurrencia y las condiciones que conducen a terremotos de mayor magnitud .
Un vínculo causal entre el deslizamiento asísmico y el sísmico
La observación de que los SSE preceden sistemáticamente a los LFE respalda los modelos en los que el deslizamiento lento carga las zonas de falla cercanas, acercándolas potencialmente a la ruptura. Esto tiene una relevancia directa para entender la nucleación y recurrencia de terremotos en la falla de San Andrés, una región crítica para la evaluación del peligro sísmico .
Potencial operativo en tiempo real
Dado que DeepStrain puede implementarse en datos continuos de extensómetros de fondo de pozo, ofrece una herramienta para la detección en tiempo casi real de deformaciones transitorias que podrían preceder a terremotos de mayor tamaño. La red NOTA ya cuenta con la infraestructura de extensómetros necesaria y pone tanto los datos como las herramientas de procesamiento a disposición de la comunidad investigadora . Esto podría transformar la forma en que los sistemas de alerta temprana de terremotos incorporan datos geodésicos.
Un precedente para la IA en geofísica
Este trabajo se suma a un creciente conjunto de evidencias que demuestran que el aprendizaje profundo puede extraer sistemáticamente señales geofísicas invisibles para los métodos tradicionales. Enfoques similares —como el uso de redes neuronales convolucionales (CNN) para detectar tremor en la zona de subducción de Cascadia y el aprendizaje profundo para identificar LFE en San Andrés— han mostrado que la IA puede actuar como un "multiplicador de fuerzas" para las redes de monitoreo existentes . DeepStrain demuestra que el mismo principio se aplica a los datos de extensómetros de fondo de pozo, un tipo de sensor clave para detectar deslizamientos transitorios en las raíces profundas de las fallas.
Advertencias y preguntas abiertas
La arquitectura precisa de DeepStrain (si utiliza un diseño convolutional, recurrente o basado en transformadores) no se detalla en los resúmenes disponibles públicamente. Los detalles metodológicos completos se encuentran en el artículo de Nature Communications (doi: 10.1038/s41467-026-74095-9) . Además, hasta ahora el algoritmo solo se ha validado en el segmento de Parkfield; su rendimiento en otras zonas de falla con diferentes configuraciones de extensómetros y características de ruido aún está por comprobarse.
Desarrollado por la geofísica Zahra Zali, del GFZ Potsdam, DeepStrain es un modelo de aprendizaje profundo entrenado específicamente con registros de extensómetros de fondo de pozo de la Red de las Américas (NOTA, por sus siglas en inglés) de la Fundación Nacional de Ciencias de EE.UU. (NSF) . El algoritmo aprende a reconocer los sutiles patrones de onda de los deslizamientos lentos dentro del ruido de alta dimensión de los datos continuos de deformación. El código y el proceso de preprocesamiento se publicaron en agosto de 2025, lo que permite a otros investigadores aplicar el método en otras zonas de falla .
Al aplicarse en la región de Parkfield, DeepStrain logró un resultado notable: detectó el 90 % de los SSE ya catalogados manualmente y, lo que es más importante, identificó 21 nuevos SSE que no habían sido detectados en los análisis manuales . Este aumento aproximado del 30 % en el catálogo de eventos conocido proporciona una imagen mucho más completa del comportamiento de la falla en este segmento de San Andrés, uno de los más estudiados del mundo.
El vínculo temporal con los terremotos de baja frecuencia
Quizás el hallazgo más significativo surgió al analizar la sincronización de los nuevos SSE detectados en relación con los terremotos de baja frecuencia (LFE). Los datos mostraron que, con frecuencia, los deslizamientos lentos iban seguidos de terremotos de baja frecuencia. Esta secuencia temporal sugiere firmemente un mecanismo causal: el deslizamiento lento asísmico carga o desencadena la zona sismogénica que posteriormente genera el LFE.
Este resultado es coherente con trabajos anteriores que mostraban que la actividad de tremor y LFE cerca de Parkfield comparte la misma relación entre momento y duración que los deslizamientos lentos, lo que implica que están físicamente vinculados . Durante mucho tiempo se ha interpretado que los terremotos de baja frecuencia son indicadores sísmicos del deslizamiento asísmico circundante , pero DeepStrain proporciona la evidencia geodésica más clara hasta la fecha de que los eventos lentos individuales preceden y probablemente desencadenan esos pequeños terremotos.
Implicaciones para la vigilancia de fallas y el papel de la IA en la geofísica
Capacidad de detección ampliada
DeepStrain demuestra que la inteligencia artificial puede extraer señales geodésicas que están por debajo del umbral de detección tanto de las redes GPS como del análisis manual de extensómetros. Este catálogo ampliado de SSE permite realizar estudios estadísticos más sólidos sobre el comportamiento de las fallas, los intervalos de recurrencia y las condiciones que conducen a terremotos de mayor magnitud .
Un vínculo causal entre el deslizamiento asísmico y el sísmico
La observación de que los SSE preceden sistemáticamente a los LFE respalda los modelos en los que el deslizamiento lento carga las zonas de falla cercanas, acercándolas potencialmente a la ruptura. Esto tiene una relevancia directa para entender la nucleación y recurrencia de terremotos en la falla de San Andrés, una región crítica para la evaluación del peligro sísmico .
Potencial operativo en tiempo real
Dado que DeepStrain puede implementarse en datos continuos de extensómetros de fondo de pozo, ofrece una herramienta para la detección en tiempo casi real de deformaciones transitorias que podrían preceder a terremotos de mayor tamaño. La red NOTA ya cuenta con la infraestructura de extensómetros necesaria y pone tanto los datos como las herramientas de procesamiento a disposición de la comunidad investigadora . Esto podría transformar la forma en que los sistemas de alerta temprana de terremotos incorporan datos geodésicos.
Un precedente para la IA en geofísica
Este trabajo se suma a un creciente conjunto de evidencias que demuestran que el aprendizaje profundo puede extraer sistemáticamente señales geofísicas invisibles para los métodos tradicionales. Enfoques similares —como el uso de redes neuronales convolucionales (CNN) para detectar tremor en la zona de subducción de Cascadia y el aprendizaje profundo para identificar LFE en San Andrés— han mostrado que la IA puede actuar como un "multiplicador de fuerzas" para las redes de monitoreo existentes . DeepStrain demuestra que el mismo principio se aplica a los datos de extensómetros de fondo de pozo, un tipo de sensor clave para detectar deslizamientos transitorios en las raíces profundas de las fallas.
Advertencias y preguntas abiertas
La arquitectura precisa de DeepStrain (si utiliza un diseño convolutional, recurrente o basado en transformadores) no se detalla en los resúmenes disponibles públicamente. Los detalles metodológicos completos se encuentran en el artículo de Nature Communications (doi: 10.1038/s41467-026-74095-9) . Además, hasta ahora el algoritmo solo se ha validado en el segmento de Parkfield; su rendimiento en otras zonas de falla con diferentes configuraciones de extensómetros y características de ruido aún está por comprobarse.
pubs.usgs.govGeodetic measurements of slow slip events southeast of Parkfield ...
seismo.berkeley.eduBSL Research into the Dynamic Earth
central.scec.orgGeodetic Measurements of Slow Slip and Tremor in Parkfield, CA
zenodo.orgZahraZali/DeepStrain: Initial release of ...
ncbi.nlm.nih.govLinking the scaling of tremor and slow slip near Parkfield, CA
