Modelos de predicción del comportamiento de las fallas tectónicas
Archivos
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Buenos Aires. Facultad de Ciencias Económicas. Escuela de Negocios y Administración Pública
Resumen
La necesidad de mejorar la precisión de las predicciones de movimientos telúricos es crítica debido a la alta vulnerabilidad sísmica de la región del cinturón de fuego de Sur América, lo que subraya la importancia de contar con sistemas de alerta temprana más efectivos. El proyecto tiene como objetivo desarrollar un modelo predictivo capaz de anticipar la ocurrencia, magnitud y localización de terremotos con el análisis de datos multidisciplinarios y el uso de técnicas avanzadas de modelado y machine learning. Se integrarán datos provenientes de diversas disciplinas como la sismología, geología, geodesia, hidrología y meteorología. Estos datos serán analizados para identificar patrones sísmicos históricos, se tomarán registros de eventos en el periodo comprendido desde 2004 a 2024. También se evaluará la posible influencia de factores como la variación de los rayos cósmicos, principalmente la incidencia o llegada anómala de lluvia de muones, partículas elementales de gran energía. El modelo predictivo resultante se pondrá a disposición de la Dirección de Defensa Civil de la provincia de Mendoza, no solo contribuirá a reducir el riesgo y la vulnerabilidad de las poblaciones ante desastres naturales, sino que también aportará el conocimiento científico sobre los procesos geológicos fundamentales. Se desarrollarán herramientas de visualización de datos para apoyar la toma de decisiones y mejorar la planificación y respuesta ante futuros terremotos.
Descripción
Fil: Palmieri, Marcela Andrea. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Buenos Aires, Argentina.
Fil: López, Juana. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Buenos Aires, Argentina.
Fil: López, Juana. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Buenos Aires, Argentina.
Palabras clave
Análisis de datos, Terremotos, Análisis predictivo, Precursores sísmicos, Machine learning
