Relación entre comportamiento sismogénico del megathrust y parámetros de subducción: análisis estadístico global mediante inteligencia artificial.

Abstract

En este estudio investigamos la relación entre el comportamiento sismogénico de megathrusts globales y diferentes parámetros de subducción. Realizamos un enfoque paramétrico implementando tres algoritmos de Machine Learning (ML) basados en árboles de decisión (XGBoost, GradientBoosting y CatBoost) para predecir el b-value de la relación frecuencia-magnitud de la sismicidad como una combinación no lineal de variables de subducción (edad y rugosidad de la placa subductante, ángulo de buzamiento de la subducción, velocidad y azimut de la convergencia, distancia a la dorsal y límite de placa más cercanos). Utilizando SHAP values para interpretar los resultados de ML, observamos que la edad de la placa y el ángulo de subducción poco profundo son las variables más influyentes.

Los resultados sugieren que las placas más antiguas y con buzamientos menos profundos contribuyen a bajos b-values, lo que indica un mayor stress en el megathrust. Este patrón se atribuye a la mayor rigidez de las placas más antiguas, que aumentan la resistencia a la flexión y generan un ángulo de penetración poco profundo, aumentando el área de fricción entre placas e intensificando el estado de stress del megathrust. Estos resultados ofrecen nuevas perspectivas sobre la complejidad no lineal del comportamiento sísmico a escala global.