Die meisten Erdbeben kündigen sich mit einem Ruck an. Doch tief unter dem Parkfield-Abschnitt der San-Andreas-Verwerfung in Kalifornien vollzieht sich eine leisere Art von Bewegung – langsame Rutschungsereignisse (Slow Slip Events, SSEs), die über Tage oder Wochen Energie freisetzen, ohne dabei spürbare Erschütterungen zu verursachen. Ein neuartiger Deep-Learning-Algorithmus namens DeepStrain hat nun enthüllt, dass diese stillen Ereignisse weitaus häufiger sind als bislang angenommen und eine direkte Rolle bei der Auslösung kleiner Beben, sogenannter niederfrequenter Erdbeben (Low-Frequency Earthquakes, LFEs) spielen.
Die Herausforderung der Detektion stiller Rutschungen
Langsame Rutschungsereignisse sind notorisch schwer zu erfassen. Bohrloch-Dehnungsmesser – hochempfindliche Instrumente, die tief in zylindrischen Bohrlöchern im Erdreich verankert sind – können Verformungen der Erdkruste bis in den Nanostrain-Bereich messen ![]()
. Sie sind empfindlich genug, um vorübergehende Dehnungen durch aseismisches Kriechen und episodischen Tremor (Episodic Tremor and Slip, ETS) aufzuzeichnen ![]()
. Doch die Signale kleiner, kurzlebiger SSEs gehen in den verrauschten Zeitreihendaten oft unter und werden von Analysten übersehen ![]()
. GPS-Netze, das klassische Instrument zur Messung von Krustenbewegungen, sind noch weniger geeignet: Die Dehnungsraten dieser tiefen Ereignisse liegen oft unterhalb der Nachweisgrenze von GPS ![]()
.
Wie DeepStrain funktioniert
Entwickelt von der Geophysikerin Zahra Zali am GFZ Potsdam, ist DeepStrain ein Deep-Learning-Modell, das speziell mit Aufzeichnungen von Bohrloch-Dehnungsmessern des NSF-„Network of the Americas“ (NOTA) trainiert wurde ![]()
![]()
. Der Algorithmus lernt, die subtilen Wellenformmuster von langsamen Rutschungen innerhalb des hochdimensionalen Rauschens kontinuierlicher Dehnungsdaten zu erkennen. Der Code und die Vorverarbeitungspipeline wurden im August 2025 öffentlich zugänglich gemacht, sodass andere Forscher die Methode auf andere Verwerfungszonen anwenden können ![]()
.
Bei der Anwendung auf die Parkfield-Region erzielte DeepStrain ein bemerkenswertes Ergebnis: Es erkannte 90 % der zuvor manuell katalogisierten SSEs und, was noch wichtiger ist, identifizierte 21 neue SSEs, die der manuellen Analyse entgangen waren ![]()
. Diese Steigerung des bekannten Ereigniskatalogs um etwa 30 % liefert ein weitaus vollständigeres Bild des Verwerfungsverhaltens in diesem intensiv erforschten Abschnitt der San-Andreas-Verwerfung.
Der zeitliche Zusammenhang mit niederfrequenten Erdbeben
Das vielleicht bedeutendste Ergebnis zeigte sich, als das Team die zeitliche Abfolge der neu entdeckten SSEs im Verhältnis zu LFEs analysierte. Die Daten belegten, dass langsame Rutschungen oft von niederfrequenten Erdbeben gefolgt wurden ![]()
. Diese zeitliche Abfolge deutet stark auf einen ursächlichen Mechanismus hin: Die aseismische langsame Rutschung belastet oder löst den seismogenen Bereich aus, der später das LFE erzeugt.
Dieses Ergebnis steht im Einklang mit früheren Arbeiten, die zeigten, dass Tremor- und LFE-Aktivität in der Nähe von Parkfield dieselbe Moment-Dauer-Skalierung aufweisen wie langsame Rutschungsereignisse, was auf eine physikalische Verbindung hindeutet ![]()
. Niederfrequente Erdbeben wurden lange als seismische Indikatoren für umgebende aseismische Rutschungen interpretiert ![]()
, doch DeepStrain liefert den bislang klarsten geodätischen Beleg dafür, dass einzelne langsame Ereignisse vorausgehen und diese kleinen Beben wahrscheinlich auslösen.
Auswirkungen auf die Verwerfungsüberwachung und die Rolle der KI in der Geophysik
Erweiterte Nachweisfähigkeit
DeepStrain zeigt, dass KI geodätische Signale extrahieren kann, die unterhalb der Nachweisgrenze sowohl von GPS-Netzen als auch der manuellen Dehnungsmesseranalyse liegen. Dieser erweiterte Katalog von SSEs ermöglicht robustere statistische Untersuchungen des Verwerfungsverhaltens, der Wiederholungsintervalle und der Bedingungen, die zu größeren Erdbeben führen ![]()
![]()
.
Ein kausaler Zusammenhang zwischen aseismischer und seismischer Rutschung
Die Beobachtung, dass SSEs systematisch LFEs vorausgehen, unterstützt Modelle, bei denen langsame Rutschungen benachbarte Verwerfungsbereiche belasten und sie möglicherweise dem Versagen näher bringen. Dies ist von direkter Relevanz für das Verständnis der Erdbebennukleation und des Wiederkehrverhaltens an der San-Andreas-Verwerfung – einer kritischen Region für die seismische Gefährdungsabschätzung ![]()
![]()
.
Potenzial für den Echtzeitbetrieb
Da DeepStrain auf kontinuierliche Daten von Bohrloch-Dehnungsmessern angewendet werden kann, bietet es ein Werkzeug für die nahezu Echtzeit-Erkennung transienter Deformationen, die größeren Erdbeben vorausgehen könnten. Das NOTA-Netzwerk unterhält bereits die notwendige Dehnungsmesser-Infrastruktur und stellt sowohl Daten als auch Verarbeitungswerkzeuge der Forschungsgemeinschaft zur Verfügung ![]()
. Dies könnte die Art und Weise verändern, wie Frühwarnsysteme geodätische Daten integrieren.
Ein Präzedenzfall für KI in der Geophysik
Diese Arbeit reiht sich in eine wachsende Zahl von Belegen ein, dass Deep Learning systematisch geophysikalische Signale extrahieren kann, die mit herkömmlichen Methoden unsichtbar bleiben. Ähnliche Ansätze – wie CNNs zur Tremor-Erkennung in Cascadia und Deep Learning zur LFE-Identifikation an der San-Andreas-Verwerfung – haben gezeigt, dass KI als „Kraftverstärker“ für bestehende Überwachungsnetze dienen kann ![]()
![]()
. DeepStrain beweist, dass das gleiche Prinzip für Daten von Bohrloch-Dehnungsmessern gilt, einem Schlüsselsensortyp zur Erkennung transienter Rutschungen in den tiefen Wurzeln von Verwerfungen.
Einschränkungen und offene Fragen
Die genaue Architektur von DeepStrain (ob es auf einem Convolutional Neural Network, einem rekurrenten oder einem Transformer-Design basiert) wird in den öffentlich zugänglichen Zusammenfassungen nicht detailliert beschrieben. Die vollständigen methodischen Details sind in der Nature Communications-Veröffentlichung (doi: 10.1038/s41467-026-74095-9) enthalten ![]()
. Zudem wurde der Algorithmus bisher nur am Parkfield-Abschnitt validiert; seine Leistungsfähigkeit an anderen Verwerfungszonen mit unterschiedlichen Dehnungsmesser-Konfigurationen und Rauschcharakteristiken muss noch getestet werden.
