Tekoäly paljasti piilossa olleet hitaat liukumat San Andreas -siirroksella – DeepStrain-löydökset

Miten DeepStrain toimii?

GFZ Potsdamin geofyysikon Zahra Zalin kehittämä DeepStrain on syväoppimismalli, joka on koulutettu nimenomaan NSF:n (National Science Foundation) Network of the Americas (NOTA) -verkon porareikävenymämittareiden tallenteilla . Algoritmi oppii tunnistamaan hitaiden liukumatapahtumien hienovaraiset aaltomuotokuviot jatkuvan venymädatan korkeadimensioisesta kohinasta. Koodi ja esikäsittelyputki julkaistiin julkisesti elokuussa 2025, mikä mahdollistaa muiden tutkijoiden soveltaa menetelmää muille siirrosvyöhykkeille .

Kun DeepStrainia sovellettiin Parkfieldin alueelle, se saavutti merkittävän tuloksen: se tunnisti 90 % aiemmin manuaalisesti luetteloiduista SSE:istä ja, mikä tärkeämpää, löysi 21 uutta SSE:tä, jotka olivat jääneet manuaalisessa analyysissä huomaamatta . Tämä noin 30 prosentin lisäys tunnettujen tapahtumien luetteloon antaa paljon täydellisemmän kuvan siirroksen käyttäytymisestä tällä intensiivisesti tutkitulla San Andreasin osalla.

Ajallinen yhteys matalataajuisiin maanjäristyksiin

Ehkä merkittävin löytö syntyi, kun tutkijaryhmä analysoi vasta löydettyjen SSE:iden ajoitusta suhteessa LFE:iin. Data osoitti, että hitaita liukumatapahtumia seurasivat usein matalataajuiset maanjäristykset . Tämä ajallinen järjestys viittaa vahvasti syy-seurausmekanismiin: aseisminen hidas liukuma kuormittaa tai laukaisee seismogeenisen alueen, joka myöhemmin tuottaa LFE:n.

Tämä tulos on yhdenmukainen aiemman tutkimuksen kanssa, joka osoittaa, että tärinä- ja LFE-aktiivisuus Parkfieldin lähellä noudattaa samaa momentti-kesto-skaalausta kuin hitaat liukumatapahtumat, mikä viittaa niiden olevan fyysisesti yhteydessä toisiinsa . Matalataajuisia maanjäristyksiä on pitkään pidetty seismisinä indikaattoreina ympäröivästä aseismisesta liukumasta , mutta DeepStrain tarjoaa selkeimmän geodeettisen todisteen siitä, että yksittäiset hitaat tapahtumat edeltävät ja todennäköisesti laukaisevat nämä pienet maanjäristykset.

Vaikutukset siirrosten seurantaan ja tekoälyn rooliin geofysiikassa

Laajennettu havaintokyky

DeepStrain osoittaa, että tekoäly pystyy erottamaan geodeettisia signaaleja, jotka jäävät sekä GPS-verkkojen että manuaalisen venymämittarianalyysin havaintokynnyksen alapuolelle. Tämä laajennettu SSE-luettelo mahdollistaa vankemmat tilastolliset tutkimukset siirroksen käyttäytymisestä, toistuvuusväleistä ja olosuhteista, jotka johtavat suurempiin maanjäristyksiin .

Syy-seuraussuhde aseismisen ja seismisen liukuman välillä

Havainto, jonka mukaan SSE:t edeltävät systemaattisesti LFE:itä, tukee malleja, joissa hidas liukuma kuormittaa läheisiä siirroksen osia, mahdollisesti tuoden ne lähemmäs pettämistä. Tällä on suora merkitys maanjäristysten syntymisen ja toistuvuuden ymmärtämiselle San Andreas -siirroksella – kriittisellä alueella seismisen vaaran arvioinnille .

Reaaliaikainen operatiivinen potentiaali

Koska DeepStrainia voidaan soveltaa jatkuvaan porareikävenymämittareiden dataan, se tarjoaa työkalun lähes reaaliaikaiseen ohimenevien muodonmuutosten havaitsemiseen, jotka saattavat edeltää suurempia maanjäristyksiä. NOTA-verkko ylläpitää jo tarvittavaa venymämittari-infrastruktuuria ja tarjoaa sekä dataa että käsittelytyökaluja tutkimusyhteisön käyttöön . Tämä voisi muuttaa tapaa, jolla maanjäristysten varhaisvaroitusjärjestelmät sisällyttävät geodeettista dataa.

Laajempi ennakkotapaus tekoälylle geofysiikassa

Tämä työ liittyy kasvavaan näyttöön siitä, että syväoppiminen voi systemaattisesti erottaa geofysikaalisia signaaleja, jotka ovat näkymättömiä perinteisille menetelmille. Samankaltaiset lähestymistavat – kuten konvoluutioneuroverkot (CNN) tärinän havaitsemiseksi Cascadiassa ja syväoppiminen LFE:iden tunnistamiseksi San Andreasilla – ovat osoittaneet, että tekoäly voi toimia