AI afslører skjulte langsomme glidninger på San Andreas-forkastningen

De fleste jordskælv annoncerer sig med et ryk. Men under Parkfield-sektionen af San Andreas-forkastningen i Californien har en mere stille form for bevægelse fundet sted lige for øjnene af os – langsomme glidningsbegivenheder (slow slip events, SSE), der frigiver energi over dage eller uger uden at forårsage seismiske rystelser. Nu har en deep learning-algoritme kaldet DeepStrain afsløret, at disse stille begivenheder er langt mere almindelige end hidtil antaget, og at de spiller en direkte rolle i at udløse de små rystelser, der kendes som lavfrekvente jordskælv (Low-Frequency Earthquakes, LFE).

Udfordringen med at detektere stille glidninger

Langsomme glidningsbegivenheder er berygtede for at være svære at fange. Borehulsspændingsmålere (BSM'er) – instrumenter begravet dybt i cylindriske huller i jorden – kan registrere jordskorpe-deformationer på nanostrain-niveau, hvilket gør dem følsomme nok til at opfange forbigående tøjninger fra aseismisk krybning og episodisk tremor og glidning (ETS) . Men signalerne fra små, kortvarige SSE'er bliver let begravet i støjende tidsseriedata, som menneskelige analytikere ofte overser . GPS-netværk, det traditionelle værktøj til måling af jordskorpebevægelser, er endnu mindre effektive: tøjningshastighederne fra disse dybe begivenheder er ofte under GPS'ernes detektionstærskel .

Sådan fungerer DeepStrain

DeepStrain, udviklet af geofysiker Zahra Zali ved GFZ Potsdam, er en deep learning-model, der specifikt er trænet på optagelser fra borehulsspændingsmålere fra National Science Foundations Network of the Americas (NOTA) . Algoritmen lærer at genkende de subtile bølgeformmønstre for langsomme glidninger i den højdimensionelle støj fra kontinuerlige tøjningsdata. Koden og forbehandlingspipelinen blev offentliggjort i august 2025, hvilket giver andre forskere mulighed for at anvende metoden på andre forkastningszoner .

Da den blev anvendt på Parkfield-området, opnåede DeepStrain et bemærkelsesværdigt resultat: den detekterede 90 % af tidligere manuelt katalogiserede SSE'er og, endnu vigtigere, identificerede 21 nye SSE'er, der var blevet overset ved manuel analyse . Denne forøgelse på omkring 30 % i den kendte hændelseskatalog giver et langt mere komplet billede af forkastningsadfærden i denne intensivt undersøgte sektion af San Andreas.

Den tidsmæssige forbindelse til lavfrekvente jordskælv

Måske det mest betydningsfulde resultat kom, da holdet analyserede timingen af de nyopdagede SSE'er i forhold til LFE'er. Dataene viste, at langsomme glidningsbegivenheder ofte blev efterfulgt af lavfrekvente jordskælv . Denne tidsmæssige sekvens antyder stærkt en årsagsmekanisme: den aseismiske langsomme glidning belaster eller udløser det seismogene område, der senere genererer LFE'en.

Dette resultat er i overensstemmelse med tidligere arbejde, der viser, at tremor- og LFE-aktivitet nær Parkfield deler samme moment-varighedsskalering som langsomme glidningsbegivenheder, hvilket indikerer, at de er fysisk forbundne . Lavfrekvente jordskælv har længe været fortolket som seismiske indikatorer for omgivende aseismisk glidning , men DeepStrain giver det hidtil klareste geodætiske bevis på, at individuelle langsomme begivenheder går forud for og sandsynligvis udløser disse små jordskælv.

Implikationer for forkastningsovervågning og AI i geofysik

Udvidet detektionsevne

DeepStrain demonstrerer, at AI kan udvinde geodætiske signaler under detektionstærsklen for både GPS-netværk og manuel analyse af tøjningsmålinger. Dette udvidede katalog over SSE'er muliggør mere robuste statistiske undersøgelser af forkastningsadfærd, gentagelsesintervaller og de forhold, der fører til større jordskælv .

En årsagssammenhæng mellem aseismisk og seismisk glidning

Observationen af, at SSE'er systematisk går forud for LFE'er, understøtter modeller, hvor langsom glidning belaster nærliggende forkastningsområder, hvilket potentielt bringer dem tættere på brud. Dette har direkte relevans for forståelsen af jordskælvs-nukleation og gentagelse på San Andreas-forkastningen – en kritisk region for seismisk risikovurdering .

Operativt potentiale i realtid

Fordi DeepStrain kan anvendes på kontinuerlige data fra borehulsspændingsmålere, tilbyder det et værktøj til næsten-realtidsdetektion af forbigående deformation, der kan gå forud for større jordskælv. NOTA-netværket opretholder allerede den nødvendige spændingsmålerinfrastruktur og stiller både data og behandlingsværktøjer til rådighed for forskningssamfundet . Dette kunne ændre, hvordan jordskælvs-varslingssystemer integrerer geodætiske data.

Bredere præcedens for AI i geofysik

Dette arbejde slutter sig til en voksende mængde af beviser for, at deep learning systematisk kan udvinde geofysiske signaler, der er usynlige for traditionelle metoder. Lignende tilgange – såsom CNN'er til tremordetektion i Cascadia og deep learning til LFE-identifikation på San Andreas – har vist, at AI kan fungere som en "kraftmultiplikator" for eksisterende overvågningsnetværk . DeepStrain beviser, at det samme princip gælder for data fra borehulsspændingsmålere, en nøglesensortype til at detektere forbigående glidning i forkastningernes dybe rødder.

Forbehold og åbne spørgsmål

Den præcise arkitektur af DeepStrain (om den bruger et konvolutionelt, rekursivt eller transformer-baseret design) er ikke beskrevet i offentligt tilgængelige oversigter. De fulde metodiske detaljer findes i Nature Communications-artiklen (doi: 10.1038/s41467-026-74095-9) . Derudover er algoritmen indtil videre kun valideret på Parkfield-segmentet; dens ydeevne på andre forkastningszoner med forskellige spændingsmålerkonfigurationer og støjkarakteristika mangler at blive testet.