A IA consegue prever com precisão terramotos com 72 horas de antecedência a partir de dados sísmicos e atmosféricos ?

Será que os avanços na inteligência artificial, treinada com dados sísmicos e atmosféricos, podem prever com fiabilidade terramotos até três dias antes de ocorrerem? As apostas são enormes — avisos atempados poderiam transformar a preparação para desastres em todo o mundo. Mas afinal, o que diz a ciência sobre esta possibilidade?

Background

A previsão de terramotos continua a ser um dos problemas mais desafiantes na geociência. Os métodos tradicionais baseiam-se na análise estatística da sismicidade histórica, medições geodésicas da deformação crustal e sinais precursores como os abalos premonitórios, mas nenhum tem consistentemente fornecido previsões fiáveis a curto prazo (por exemplo, dias a semanas) antes de eventos maiores (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

Nos últimos anos, abordagens de aprendizagem automática (ML) têm sido exploradas para detetar padrões subtis e não lineares em dados sísmicos que podem preceder terramotos. Estudos utilizaram conjuntos de dados em larga escala de redes sísmicas densas para treinar redes neuronais profundas capazes de identificar anomalias em características de ondas, como agrupamento temporal, conteúdo espectral ou alterações no valor b (DeVries et al., 2018; Mignan et al., 2021). Alguns modelos relatam melhoria no desempenho na previsão de sequências de réplicas ou na deteção de sinais de alerta precoce em escalas regionais (por exemplo, Perol et al., 2018; Zhang et al., 2021). No entanto, a interpretabilidade física destas anomalias continua a ser debatida e as validações prospectivas rigorosas em diversos contextos tectónicos são limitadas (van der Elst et al., 2021).

A inclusão de dados atmosféricos — como distúrbios ionosféricos (por exemplo, anomalias no conteúdo total de eletrões), emissões de radão ou anomalias térmicas infravermelhas — tem sido sugerida como potenciais indicadores precursores, com base em observações anedóticas e estudos de casos (por exemplo, Pulinets & Ouzounov, 2011). A monitorização baseada em satélites (por exemplo, GOES, Swarm) permitiu uma cobertura espacial mais ampla de tais sinais, e alguns modelos de ML tentaram fundir dados sísmicos e atmosféricos para melhorar a capacidade preditiva (por exemplo, Akhoondzadeh & Di Mauro, 2022). Ainda assim, os mecanismos que ligam as alterações atmosféricas ao stress tectónico permanecem especulativos e faltam evidências robustas de vias causais (Thomas et al., 2017; Dautermann et al., 2007).

Apesar de relatos anedóticos e análises isoladas de casos, a comunidade geofísica mais alargada mantém que não existe nenhum método validado para prever o momento, localização e magnitude de terramotos com precisão suficiente para justificar avisos públicos (por exemplo, editorial da Nature, 2018). O USGS afirma explicitamente que a previsão fiável a curto prazo não é viável com o atual conhecimento e tecnologia (USGS, 2023). Embora a IA possa melhorar a deteção de padrões subtis, persiste o cepticismo sobre se estes representam verdadeiros precursores ou correlações espúrias (por exemplo, Mignan, 2016). Assim, a fronteira reside em distinguir sinal de ruído — e em garantir que qualquer suposto sinal preditivo possa ser validado prospectivamente em condições cegas em múltiplos regimes sísmicos.

A previsão de terramotos a curto prazo — definida como a antecipação de um evento específico com horas ou dias de antecedência — continua a ser um dos objetivos mais desafiantes da sismologia. Desde os anos 1970, os investigadores têm explorado relações entre sinais geofísicos e atmosféricos (por exemplo, anomalias eletromagnéticas, emissões de radão ou distúrbios ionosféricos) e tremores iminentes, mas existem poucos conjuntos de dados prospectivamente validados que cubram o horizonte completo de 72 horas. Estudos estatísticos que alegam capacidade a esta escala temporal muitas vezes não resistem a testes rigorosos fora da amostra ou não foram replicados em múltiplos contextos tectónicos. Modelos de deep learning que processam fluxos contínuos de dados sísmicos e meteorológicos mostraram potencial em conjuntos de dados retrospetivos — por vezes relatando ganhos aparentes em métricas de previsão a curto prazo — mas estes avanços ainda não se traduziram em sistemas operacionais endossados por grandes levantamentos geológicos. A ausência de um mecanismo físico universalmente aceite que ligue sinais atmosféricos à nucleação de ruturas continua a limitar o desenvolvimento de preditores fiáveis e generalizáveis no horizonte de três dias.

— Enriquecido a 15 de maio de 2026