Ciencias de la Tierra

Las fallas geológicas son inteligentes y tienen memoria a largo plazo

Un nuevo modelo analiza la secuencia sísmica para predecir cuándo tendrá lugar el siguiente terremoto

Un grupo de personas busca a posibles víctimas en Turquía tras un terremoto de magnitud 7,4 en la escala abierta de Richter cerca de la frontera con Siria

Un grupo de personas busca a posibles víctimas en Turquía tras un terremoto de magnitud 7,4 en la escala abierta de Richter cerca de la frontera con Siria / Europa Press/Contacto/Depo Photos

Redacción T21

Un nuevo modelo puede predecir con suficiente anticipación cuándo va a tener lugar un terremoto. En lugar de usar solo el tiempo promedio entre terremotos para pronosticar el siguiente, analiza el orden y el momento específicos de los terremotos anteriores para anticipar el próximo movimiento sísmico.

Los terremotos son sacudidas repentinas e intensas del suelo causadas por el movimiento de las placas tectónicas o la actividad volcánica.

Pueden ocurrir en cualquier parte del mundo y tienen el potencial de causar daños significativos a los edificios, la infraestructura y la pérdida de vidas, tal como ha ocurrido este lunes en amplias franjas de Turquía y Siria.

Este terremoto tuvo lugar en lo que se conoce como Falla de Anatolia Este, que tiene una extensión aproximada de 700 kilómetros y que en el pasado provocó asimismo sismos históricos destructivos.

Esta falla acomoda la deformación que se produce entre la placa de Arabia y Eurasia como consecuencia del movimiento de la placa de Arabia hacia el norte.

Como resultado, la placa de Anatolia está siendo empujada contra la gran placa euroasiática y la frota hacia el oeste a una velocidad de aproximadamente dos centímetros por año, un ritmo importante para la tectónica de placas. Las líneas de contacto de las placas, llamadas fallas, son fracturas en la coryteza terrestre particularmente propensas a los terremotos.

Predecir terremotos, un desafío

Los sismólogos estudian los terremotos para comprender sus causas y predecir eventos futuros, pero predecir el momento y la ubicación exactos de un terremoto sigue siendo un desafío para la ciencia.

La Universidad de Northwestern aporta ahora algo significativo en esta línea de investigación: ha desarrollado un nuevo modelo que considera la historia completa de los movimientos sísmicos de una falla para pronosticar mejor el siguiente terremoto.

Este modelo de probabilidad es el más completo y realista que el que está disponible actualmente para la ciencia.

En lugar de usar solo el tiempo promedio entre terremotos pasados para pronosticar el siguiente, considera el orden y el momento específicos de los terremotos anteriores para anticipar el próximo movimiento sísmico.

Explicación sísmica

De esta forma, ayuda a explicar el desconcertante hecho de que los terremotos a veces ocurren en grupos, con períodos relativamente cortos entre ellos, separados por períodos más largos sin terremotos.

El modelo tradicional, utilizado desde que un gran terremoto en 1906 destruyó San Francisco, supone que los movimientos lentos a lo largo de la falla acumulan tensión, todo lo cual se libera en un gran terremoto. En otras palabras, una falla solo tiene memoria a corto plazo: "recuerda" solo el último terremoto y ha "olvidado" todos los anteriores.

Esta suposición se incluye en el pronóstico de cuándo ocurrirán futuros terremotos y luego en los mapas de amenazas que predicen el nivel de temblor para el cual se deben diseñar los edificios resistentes a terremotos.

El nuevo modelo de probabilidad de terremotos es más completo y realista que el que está disponible actualmente.

El nuevo modelo de probabilidad de terremotos es más completo y realista que el que está disponible actualmente. / Universidad Northwestern.

Fallas inteligentes

Sin embargo, "los grandes terremotos no ocurren como un reloj", explica James S. Neely, uno de los autores de esta investigación, en un comunicado.

Y añade: “a veces vemos que ocurren varios terremotos grandes en períodos de tiempo relativamente cortos y luego largos períodos en los que no sucede nada. Los modelos tradicionales no pueden gestionar este comportamiento”.

Por el contrario, el nuevo modelo asume que las fallas sísmicas son más inteligentes de lo que suponían hasta ahora los sismólogos.

Memoria a largo plazo

La memoria de fallas a largo plazo proviene del hecho de que a veces un terremoto no liberó toda la tensión que se acumuló en la falla con el tiempo, por lo que algo permanece después de un gran terremoto y puede causar otro. Esto explica los terremotos que a veces vienen en grupos.

“Los grupos de terremotos implican que las fallas tienen memoria a largo plazo”, destaca Leah Salditch, otro de los autores de este estudio.

 “Si ha pasado mucho tiempo desde un gran terremoto, incluso después de que ocurra otro, la 'memoria' de la falla a veces no es borrada por el terremoto, lo que deja tensión sobrante y una mayor probabilidad de tener otro. Nuestro nuevo modelo calcula las probabilidades de terremotos de esta manera”.

El momento es importante

Por ejemplo, aunque los grandes terremotos en la sección de Mojave de la falla de San Andrés ocurren en promedio cada 135 años, el más reciente ocurrió en 1857, solo 45 años después de uno que tuvo lugar en 1812.

Aunque esto no se hubiera esperado usando el modelo tradicional, el nuevo modelo muestra que debido a que el terremoto de 1812 ocurrió después de un lapso de 304 años desde el terremoto anterior en 1508, la tensión sobrante provocó en 1857 un terremoto más rápido que el promedio.

“Tiene sentido que el orden específico y el momento de los terremotos pasados sean importantes”, concluye otro de los autores, Bruce D. Spencer.

“El comportamiento de muchos sistemas depende de su historia durante mucho tiempo. Por ejemplo, el riesgo de torcerse un tobillo depende no solo del último esguince, sino también de los anteriores”.

Referencia

A More Realistic Earthquake Probability Model Using Long‐Term Fault Memory. James S. Neely et al. Bulletin of the Seismological Society of America (2022). DOI:https://doi.org/10.1785/0120220083