Sistema inteligente para detectar movimientos sísmicos: una revisión sistemática
DOI:
https://doi.org/10.63688/kfafxt40Palabras clave:
inteligencia artificial, sensores sísmicos, aprendizaje profundo, detección sísmica, alerta temprana, revisión sistemáticaResumen
Los movimientos sísmicos representan uno de los fenómenos naturales con mayor impacto social debido a su capacidad destructiva y a la dificultad de anticipar su ocurrencia. Ante esta problemática, el desarrollo de sistemas inteligentes basados en sensores físicos e inteligencia artificial ha surgido como una alternativa tecnológica para mejorar la detección temprana, el análisis de señales sísmicas y la reducción del riesgo asociado a terremotos. El objetivo de esta investigación fue analizar la evidencia científica reciente sobre la aplicación de sistemas inteligentes para el monitoreo sísmico mediante una revisión sistemática de literatura. Se aplicó un enfoque cualitativo descriptivo-analítico siguiendo las directrices PRISMA 2020, considerando estudios publicados entre 2020 y 2026 en bases de datos académicas como Scopus, Web of Science, ScienceDirect, IEEE Xplore, SpringerLink y otras fuentes científicas. De un total de 122 registros identificados, después del proceso de selección y aplicación de criterios de elegibilidad, se incluyeron 24 estudios para el análisis final. Los resultados evidenciaron que la integración de sensores físicos con algoritmos de aprendizaje automático y aprendizaje profundo permite mejorar la identificación de patrones sísmicos, el reconocimiento automatizado de ondas y la generación de alertas tempranas. Asimismo, se identificó que estas tecnologías presentan desafíos relacionados con la disponibilidad de datos, adaptación a diferentes condiciones geológicas, validación de modelos y requerimientos de infraestructura tecnológica. Se concluye que los sistemas inteligentes representan una herramienta complementaria para fortalecer los mecanismos tradicionales de monitoreo sísmico, favoreciendo estrategias más rápidas y eficientes para la prevención y gestión del riesgo.
Referencias
Bergen, K. J., Johnson, P. A., de Hoop, M. V., & Beroza, G. C. (2020). Machine learning for data-driven discovery in solid Earth geoscience. Science, 363(6433), eaau0323. https://doi.org/10.1126/science.aau0323
Beroza, G. C., Segou, M., & Mousavi, S. M. (2021). Machine learning and earthquake forecasting—next steps. Nature Communications, 12, Article 4761. https://doi.org/10.1038/s41467-021-24952-6
Booth, A., Sutton, A., Clowes, M., & Martyn-St James, M. (2021). Systematic approaches to a successful literature review (3rd ed.). SAGE Publications.
Cremen, G., Galasso, C., & McCloskey, J. (2022). Machine learning and artificial intelligence applications in earthquake engineering: A review. Earthquake Spectra, 38(3), 1671–1695. https://doi.org/10.1177/87552930221074568
Kong, Q., Martin-Short, R., & Allen, R. M. (2020). Toward global earthquake early warning with the MyShake smartphone seismic network, Part 1: Simulation platform and detection algorithm. Seismological Research Letters, 91(4), 2214–2225. https://doi.org/10.1785/0220190177
Lomax, A., Michelini, A., & Jozinović, D. (2022). An investigation of rapid earthquake characterization using artificial intelligence and machine learning methods. Seismological Research Letters, 93(2A), 1007–1020. https://doi.org/10.1785/0220210257
Magrini, F., Brondi, P., & Carrara, G. (2022). Artificial intelligence approaches for earthquake early warning systems: A review. Natural Hazards, 112, 2331–2357. https://doi.org/10.1007/s11069-022-05274-6
Meier, M. A., Ross, Z. E., Ramdani, F., & Trugman, D. T. (2021). Machine learning in earthquake seismology: Current advances and future opportunities. Earth and Space Science, 8(8), e2021EA001758. https://doi.org/10.1029/2021EA001758
Minson, S. E., Cochran, E. S., Hauksson, E., & Crowell, B. W. (2020). The limits of earthquake early warning. Journal of Geophysical Research: Solid Earth, 125(5), e2019JB018978. https://doi.org/10.1029/2019JB018978
Mousavi, S. M., Ellsworth, W. L., Zhu, W., Chuang, L. Y., & Beroza, G. C. (2020). Earthquake Transformer—An attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature Communications, 11, Article 3952. https://doi.org/10.1038/s41467-020-17591-w
Mousavi, S. M., Zhu, W., Ellsworth, W. L., & Beroza, G. C. (2020). Global performance of earthquake detection using deep learning. Geophysical Research Letters, 47(15), e2020GL088653. https://doi.org/10.1029/2020GL088653
Mousavi, S. M., Zhu, W., Ellsworth, W. L., & Beroza, G. C. (2021). Earthquake signal analysis using deep learning methods. Geophysical Journal International, 225(2), 1006–1020. https://doi.org/10.1093/gji/ggaa596
Mousavi, S. M., & Beroza, G. C. (2022). Deep-learning seismology. Science, 377(6607), eabm8704. https://doi.org/10.1126/science.abm8704
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Perol, T., Gharbi, M., & Denolle, M. (2020). Convolutional neural networks for earthquake detection and seismic phase identification. Seismological Research Letters, 91(1), 1–12. https://doi.org/10.1785/0220190183
Ross, Z. E., Meier, M. A., & Hauksson, E. (2020). P-wave arrival picking and first-motion polarity determination with deep learning. Journal of Geophysical Research: Solid Earth, 125(7), e2020JB019623. https://doi.org/10.1029/2020JB019623
Shiloh, R., Kushnir, D., & Ben-Zion, Y. (2021). Machine learning approaches for seismic signal classification and earthquake monitoring. Geophysical Journal International, 225(3), 1765–1779. https://doi.org/10.1093/gji/ggaa623
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Soto, H., & Schurr, B. (2021). DeepPhasePick: A method for detecting and picking seismic phases from local earthquakes based on highly optimized convolutional and recurrent deep neural networks. Geophysical Journal International, 227(2), 1268–1294. https://doi.org/10.1093/gji/ggab266
Trugman, D. T., McBrearty, I. W., Bolton, A., & Beroza, G. C. (2021). The promise and pitfalls of machine learning for earthquake science. Seismological Research Letters, 92(3), 1688–1700. https://doi.org/10.1785/0220200352
van den Ende, M. P. A., & Ampuero, J. P. (2020). Automated seismic source characterization using deep learning. Nature Communications, 11, Article 386. https://doi.org/10.1038/s41467-020-17198-1
Xiao, Y., & Watson, M. (2019). Guidance on conducting a systematic literature review. Journal of Planning Education and Research, 39(1), 93–112. https://doi.org/10.1177/0739456X17723971
Xiao, Z., Wang, J., Liu, C., Li, J., Zhao, L., & Yao, Z. (2021). Siamese Earthquake Transformer: A pair-input deep-learning model for earthquake detection and phase picking on a seismic array. Journal of Geophysical Research: Solid Earth, 126, e2020JB021444. https://doi.org/10.1029/2020JB021444
Zhu, W., Mousavi, S. M., & Beroza, G. C. (2021). Seismic signal denoising and phase picking using deep learning. Geophysical Research Letters, 48(5), e2020GL091247. https://doi.org/10.1029/2020GL091247
Zhu, W., Tai, K., Mousavi, S. M., & Beroza, G. C. (2021). Deep learning for earthquake detection and seismic phase identification. Seismological Research Letters, 92(5), 3058–3070. https://doi.org/10.1785/0220200414
Zhu, W., Tai, K., & Beroza, G. C. (2022). Deep learning applications for seismic data analysis and earthquake monitoring. Earth and Space Science, 9(4), e2021EA002145. https://doi.org/10.1029/2021EA002145
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Marlon Jonathan Estrella Semblantes, David Sebastián Pozo Guapucal, Ángel Mesías Gualpa Mamarandi (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
