Una síntesis de la investigación sísmica revela que la inteligencia artificial, combinada con principios físicos, está transformando rápidamente cómo los científicos obtienen imágenes de las estructuras superficiales y corticales de la Tierra. Al integrar la IA en todo el flujo de trabajo del análisis de ondas superficiales, desde la extracción automática de señales hasta la inversión e interpretación, los investigadores demuestran importantes avances en velocidad, consistencia y escalabilidad. Al mismo tiempo, el estudio advierte que los modelos puramente basados en datos pueden producir resultados que carecen de significado físico, incluso cuando parecen precisos.
Los métodos de ondas superficiales se utilizan ampliamente para sondear estructuras subsuperficiales porque la dispersión de las ondas vincula naturalmente la frecuencia con la profundidad. Sin embargo, los flujos de trabajo tradicionales siguen siendo lentos, subjetivos y computacionalmente exigentes, dependiendo en gran medida de la interpretación manual y la inversión iterativa. Estos desafíos limitan su uso en redes de monitoreo densas y aplicaciones de ingeniería sensibles al tiempo. La inteligencia artificial ha surgido como una alternativa poderosa, permitiendo la automatización y aceleraciones dramáticas. Sin embargo, muchos enfoques basados en IA operan como cajas negras, lo que genera preocupaciones sobre la fiabilidad física y la generalización en diferentes entornos geológicos.
En una revisión publicada el 28 de noviembre de 2025 en Big Data and Earth System, investigadores de la Universidad Tecnológica de Zhejiang, la Universidad de Zhejiang y la Universidad de Ciencia y Tecnología de Anhui examinan cómo la inteligencia artificial está remodelando los métodos sísmicos de ondas superficiales. El artículo revisa los avances recientes en el análisis automático de dispersión, la inversión basada en aprendizaje profundo, el modelado guiado por la física y la IA explicable. Al comparar sistemáticamente los patrones de sensibilidad basados en datos con la teoría sísmica clásica, los autores evalúan tanto la promesa como las limitaciones actuales de la imagen sísmica impulsada por IA.
La revisión muestra que la IA ha remodelado casi todos los pasos del análisis de ondas superficiales. Los modelos de aprendizaje profundo ahora pueden extraer automáticamente información de dispersión de datos sísmicos complejos, eliminando la necesidad de una selección manual que consume mucho tiempo. Una vez entrenadas, las redes neuronales pueden invertir las mediciones de dispersión en modelos de velocidad de ondas de corte mucho más rápido que los métodos de optimización tradicionales, haciendo factible la obtención de imágenes a gran escala. De manera crucial, el estudio enfatiza que la velocidad por sí sola no es suficiente. Al comparar los jacobianos derivados de la red con los núcleos de sensibilidad física clásicos, los autores revelan que algunos modelos de IA dependen de correlaciones estadísticas en lugar de relaciones físicamente significativas entre profundidad y frecuencia. Esta discrepancia puede llevar a interpretaciones engañosas, particularmente en rangos de profundidad poco restringidos.
La revisión también destaca soluciones emergentes. Los modelos guiados por la física e informados por la física incorporan conocimiento geológico o ecuaciones gobernantes en el diseño de la red, mejorando la estabilidad y la interpretabilidad. Un estudio de caso destacado demuestra cómo el análisis de características asistido por IA puede ayudar a identificar cavidades kársticas subsuperficiales a partir de modelos de velocidad sísmica de manera más objetiva que la inspección manual. En conjunto, estos resultados muestran que la IA es más poderosa cuando complementa, en lugar de reemplazar, la comprensión física.
"La IA claramente ha cambiado lo que es computacionalmente posible en la imagen sísmica, pero la precisión por sí sola no es suficiente", señalan los autores. "Sin consistencia física, los resultados rápidos aún pueden ser engañosos. Nuestra comparación entre las sensibilidades basadas en datos y las físicas muestra por qué la interpretabilidad debe convertirse en un componente central de la inversión basada en IA. El aprendizaje guiado por la física ofrece un camino práctico a seguir, permitiendo que los modelos de IA sigan siendo eficientes mientras preservan las relaciones fundamentales que gobiernan la propagación de ondas".
Los métodos de ondas superficiales con IA guiada por la física podrían mejorar significativamente aplicaciones que van desde la evaluación de riesgos urbanos y la planificación de infraestructuras hasta el monitoreo de aguas subterráneas y estudios ambientales. Los flujos de trabajo automatizados más rápidos permiten un análisis casi en tiempo real a partir de redes de sensores densas, incluidos los sistemas emergentes de detección acústica distribuida. Al mismo tiempo, los modelos de IA interpretables ayudan a los profesionales a identificar la incertidumbre y evitar la sobreconfianza en los resultados automatizados. A medida que los conjuntos de datos estandarizados y las arquitecturas informadas físicamente continúan desarrollándose, la imagen sísmica impulsada por IA está preparada para pasar de la innovación experimental a una práctica rutinaria y fiable en las ciencias de la Tierra y la ingeniería.
