Hluboké učení odkrývá dosud neviditelná pomalá zemětřesení na zlomu San Andreas

Klíčová zjištění studie DeepStrain

Hluboký neuronový sít s názvem DeepStrain, vyvinutý Zahrou Zali z GFZ Potsdam, dokázal detekovat pomalé skluzové události (slow slip events – SSE) z dat vrtných tenzometrů na úseku Parkfield zlomu San Andreas . Studie byla publikována v časopise Nature Communications (doi: 10.1038/s41467-026-74095-9) a využívá data z vrtné tenzometrické sítě Network of the Americas (NOTA) Národní vědecké nadace USA (NSF) .

Jak algoritmus odhalil dříve neodhalené SSE

• Vrtné tenzometry (borehole strainmeters – BSM) jsou natolik citlivé, že dokáží detekovat deformace zemské kůry na úrovni nanostrainů . Jsou schopny zachytit přechodné deformace způsobené aseismickým creepem nebo epizodickým třesem a skluzem (ETS), ale signály malých a krátkodobých SSE je velmi obtížné ručně vyčlenit z šumu časových řad .
• DeepStrain je model hlubokého učení trénovaný na záznamech z vrtných tenzometrů. Kód a předzpracovací pipeline byly veřejně zpřístupněny v srpnu 2025 .
• Při aplikaci na oblast Parkfield algoritmus detekoval 90 % dříve manuálně katalogizovaných SSE a identifikoval 21 nových SSE, které dříve unikly manuální analýze .

Časový vztah s nízkofrekvenčními zemětřeseními

• Analýza detekovaných SSE odhalila, že pomalé skluzové události byly často následovány nízkofrekvenčními zemětřeseními (low-frequency earthquakes – LFE) . Tento časový sled naznačuje možný kauzální vztah, při kterém aseismický pomalý skluz zatěžuje seismogenní oblast a spouští LFE.
• Toto zjištění je v souladu s předchozím výzkumem, který ukazuje, že aktivita třesu a LFE v oblasti Parkfield je spojena s pomalým skluzem prostřednictvím sdíleného škálování momentu a trvání a že LFE jsou běžně interpretovány jako seismické indikátory okolního aseismického skluzu .

Důsledky pro monitorování zlomů a roli AI v geofyzice

• Rozšířená detekční schopnost: DeepStrain ukazuje, že umělá inteligence dokáže extrahovat geodetické signály, které jsou pod detekčním prahem tradičních metod (např. GPS sítě, manuální analýza tenzometrů). Tím se rozšiřuje katalog SSE, což umožňuje úplnější statistické studie chování zlomů .
• Kauzální souvislost mezi aseismickým a seismickým skluzem: Pozorování, že SSE často předcházejí LFE, podporuje modely, ve kterých pomalý skluz zatěžuje blízké oblasti zlomu a přibližuje je k porušení. To má přímý význam pro pochopení nukleace zemětřesení a jejich opakování na zlomu San Andreas .
• Potenciál pro operativní monitorování: Algoritmus lze nasadit v téměř reálném čase na kontinuální data z vrtných tenzometrů, což nabízí nástroj pro detekci přechodných deformací, které by mohly předcházet větším zemětřesením. Síť NSF NOTA již udržuje infrastrukturu tenzometrů a zpřístupňuje data a nástroje výzkumné komunitě .
• Širší precedens pro AI v geofyzice: Tato práce se připojuje k rostoucímu množství důkazů (např. CNN pro detekci třesu v Cascadii , hluboké učení pro identifikaci LFE na San Andreas ), že hluboké učení dokáže systematicky extrahovat jinak neviditelné geofyzikální signály z dlouhých, zašuměných záznamů a efektivně slouží jako „násobič sil" stávajících monitorovacích sítí.

Upozornění

Přesná architektura DeepStrain (např. zda používá konvoluční, rekurentní nebo transformerový design) není ve veřejně dostupných úryvcích specifikována. Klíčovým publikovaným odkazem je článek v Nature Communications na doi: 10.1038/s41467-026-74095-9, který by měl být konzultován pro úplné metodické podrobnosti .