Die Vorhersage von Erdbeben bleibt eine der größten Herausforderungen in den Geowissenschaften. Wissenschaftler des GFZ Helmholtz-Zentrums für Geoforschung haben zusammen mit internationalen Partnern einen innovativen, datengestützten Ansatz entwickelt, der es ermöglicht, charakteristische Veränderungen der seismischen Aktivität zu identifizieren, die einige Wochen oder Monate vor großen Erdbeben auftreten können. Diese Methode basiert auf unüberwachtem maschinellem Lernen und könnte die Grundlagen für eine verbesserte Erdbebenvorhersage legen.
In einer kürzlich veröffentlichten Studie in „Nature Communications“ untersuchten die Forscher Ereignisse wie das Erdbeben in Kahramanmaraş, Türkei (2023), das Iquique-Beben in Chile (2014) und das Beben von L’Aquila in Italien (2009). Bei diesen Ereignissen konnten sie spezifische Muster in der Vorläufer-Seismizität erkennen, die als Warnsignale für bevorstehende große Beben dienten. Diese Muster traten in den Wochen oder Monaten vor den Hauptbeben auf und könnten entscheidende Hinweise für künftige Vorhersagen liefern.
Die Herausforderung der Erdbebenvorhersage liegt in der Komplexität der geologischen Prozesse, die zu einem Beben führen können. Vorläuferphänomene, wie kleine Vorbeben oder langsame Verschiebungen in den Gesteinsformationen, sind oft schwer zu erkennen und variieren stark je nach geologischer Beschaffenheit und Art der Verwerfung. Die Forscher verfolgten einen neuen Ansatz, indem sie unüberwachtes maschinelles Lernen einsetzten. Anstatt nach vordefinierten Mustern zu suchen, ließen sie die Daten selbstständig Strukturen erkennen. Dieses Verfahren hat sich bereits bei der Analyse von Erdrutschen und Vulkanausbrüchen als effektiv erwiesen.
Ein zentraler Aspekt der Studie war der Fokus auf die Wechselwirkungen zwischen Gruppen von Erdbeben, die als „Seismizitäts-Familien“ bezeichnet werden. Diese Familien sind Gruppen von Beben, die in einem bestimmten geographischen Gebiet zeitlich und räumlich eng miteinander verbunden sind. Durch die Analyse dieser Gruppen konnten die Forscher besser verstehen, wie Spannungen in der Erdkruste vor großen Erdbeben aufgebaut werden.
Die Forscher identifizierten mehrere physikalische und statistische Merkmale, die die Seismizität beschreiben, darunter Clusterbildung, räumliche Lokalisierung und Spannungsindikatoren. Mithilfe eines unüberwachten Algorithmus für maschinelles Lernen wurden diese Familien automatisch in verschiedene Kategorien eingeteilt, die unterschiedliche Stadien der Spannungsentwicklung repräsentieren. Dies ermöglicht eine differenzierte Analyse und ein besseres Verständnis der seismischen Aktivitäten.
In den untersuchten Fällen, einschließlich des Kahramanmaraş-Bebens, zeigten sich charakteristische Veränderungen in der Seismizität, die auf einen Übergang in einen kritischen Zustand hinwiesen. Diese Veränderungen umfassten eine erhöhte Häufung von Erdbeben, verstärkte Interaktionen zwischen den Beben und eine klarere räumliche und zeitliche Lokalisierung. Diese Merkmale deuten darauf hin, dass das Verwerfungssystem sich einer Instabilität nähert, was auf bevorstehende große Beben hinweisen könnte.
Allerdings stellte die Studie auch fest, dass nicht alle Erdbeben mit klaren Vorwarnsignalen einhergehen. Bei einigen Beben, wie dem Amatrice-Erdbeben in Italien (2016) und dem Noto-Beben in Japan (2024), konnten keine eindeutigen Vorläuferphänomene identifiziert werden. Diese Beobachtungen verdeutlichen die Komplexität der seismischen Prozesse und die Herausforderungen bei der Vorhersage künftiger Erdbeben.
Die Forscher betonen, dass ihr Ansatz keine deterministische Vorhersage von Erdbeben ermöglicht, aber dennoch ein wertvolles Werkzeug sein könnte, um atypische seismische Verhaltensweisen zu erkennen. Durch die kontinuierliche Analyse neuer Erdbeben und die Anpassung an sich entwickelnde Muster könnte das System möglicherweise kritische Zustände frühzeitig identifizieren.
Insgesamt zeigt diese Studie, wie die Kombination aus physikalischen Merkmalen und maschinellem Lernen neue Einblicke in die Entstehung großer Erdbeben ermöglichen kann. Der nächste Schritt besteht darin, diese Methoden in die Echtzeitüberwachung zu integrieren und besser zu verstehen, warum einige Erdbeben klare Warnsignale zeigen, während andere dies nicht tun. Diese Erkenntnisse könnten letztlich dazu beitragen, die Sicherheit in erdbebengefährdeten Regionen zu erhöhen und das Verständnis der zugrunde
