AI odhaluje dosud neznámé pomalé posuny na zlomu San Andreas

DeepStrain, vyvinutý geofyzičkou Zahrou Zali z GFZ Potsdam, je model hlubokého učení trénovaný speciálně na záznamech z vrtných tenzometrů z NSF sítě Network of the Americas (NOTA) . Algoritmus se učí rozpoznávat jemné vlnové vzory pomalého posuvu v multidimenzionálním šumu spojitých deformačních dat. Kód a předzpracovací pipeline byly zveřejněny v srpnu 2025, což umožňuje dalším výzkumníkům aplikovat metodu na jiné zlomové zóny .

Při aplikaci na oblast Parkfield dosáhl DeepStrain pozoruhodného výsledku: detekoval 90 % dříve manuálně katalogizovaných SSE a, což je důležitější, identifikoval 21 nových SSE, které unikly manuální analýze . Toto zhruba 30% rozšíření známého katalogu událostí poskytuje mnohem úplnější obraz o chování zlomu v tomto intenzivně studovaném segmentu San Andreas.

Časová souvislost s nízko-frekvenčními zemětřeseními

Snad nejvýznamnější zjištění vyplynulo z analýzy načasování nově detekovaných SSE vzhledem k LFE. Data ukázala, že pomalé posuvné události byly často následovány nízko-frekvenčními zemětřeseními . Tato časová posloupnost silně naznačuje kauzální mechanismus: aseismický pomalý posuv zatěžuje nebo spouští seismogenní oblast, která později generuje LFE.

Tento výsledek je v souladu s dřívějšími pracemi, které ukázaly, že třes a aktivita LFE poblíž Parkfieldu sdílejí stejné měřítko moment-trvání jako pomalé posuvné události, což naznačuje, že jsou fyzicky propojeny . Nízko-frekvenční zemětřesení byla dlouho interpretována jako seismické indikátory okolního aseismického posuvu , ale DeepStrain poskytuje dosud nejjasnější geodetický důkaz, že jednotlivé pomalé události předcházejí a pravděpodobně spouštějí tato malá zemětřesení.

Důsledky pro monitorování zlomů a roli AI v geofyzice

Rozšířená detekční schopnost

DeepStrain ukazuje, že AI může extrahovat geodetické signály pod detekčním prahem jak GPS sítí, tak manuální analýzy tenzometrů. Tento rozšířený katalog SSE umožňuje robustnější statistické studie chování zlomů, intervalů opakování a podmínek vedoucích k větším zemětřesením .

Kauzální souvislost mezi aseismickým a seismickým posuvem

Pozorování, že SSE systematicky předcházejí LFE, podporuje modely, ve kterých pomalý posuv zatěžuje sousední oblasti zlomu a potenciálně je přibližuje k porušení. To má přímý význam pro pochopení nukleace a opakování zemětřesení na zlomu San Andreas – kritické oblasti pro hodnocení seismického rizika .

Potenciál pro operativní monitorování v reálném čase

Protože DeepStrain lze nasadit na kontinuální data z vrtných tenzometrů, nabízí nástroj pro téměř okamžitou detekci přechodných deformací, které by mohly předcházet větším zemětřesením. Síť NOTA již udržuje potřebnou infrastrukturu tenzometrů a zpřístupňuje data i nástroje vědecké komunitě . To by mohlo změnit způsob, jakým systémy včasného varování před zemětřeseními integrují geodetická data.

Širší precedent pro AI v geofyzice

Tato práce se připojuje k rostoucímu množství důkazů, že hluboké učení může systematicky extrahovat geofyzikální signály neviditelné pro tradiční metody. Podobné přístupy – jako CNN pro detekci třesu v Cascadii a hluboké učení pro identifikaci LFE na San Andreas – ukázaly, že AI může sloužit jako „násobič sil" pro stávající monitorovací sítě . DeepStrain dokazuje, že stejný princip platí pro data z vrtných tenzometrů, což je klíčový typ senzoru pro detekci přechodného posuvu v hlubokých kořenech zlomů.

Výhrady a otevřené otázky

Přesná architektura DeepStrain (zda používá konvoluční, rekurentní nebo transformerový design) není ve veřejně dostupných shrnutích popsána. Úplné metodické podrobnosti jsou v článku v Nature Communications (doi: 10.1038/s41467-026-74095-9) . Kromě toho byl algoritmus dosud validován pouze na segmentu Parkfield; jeho výkon v jiných zlomových zónách s odlišnými konfiguracemi tenzometrů a charakterem šumu zbývá otestovat.