AI Membuka Tabir Gempa Senyap di San Andreas: Apa yang Ditemukan DeepStrain

Bagaimana DeepStrain Bekerja

Dikembangkan oleh geofisikawan Zahra Zali dari GFZ Potsdam, DeepStrain adalah model deep learning yang dilatih secara spesifik menggunakan rekaman borehole strainmeter dari jaringan NOTA (Network of the Americas) milik NSF . Algoritma ini belajar mengenali pola waveform halus dari slow slip dalam kebisingan data regangan kontinyu berdimensi tinggi. Kode dan pipeline prapemrosesan telah dirilis secara publik pada Agustus 2025, memungkinkan peneliti lain menerapkan metode ini di zona patahan lain .

Ketika diterapkan di wilayah Parkfield, DeepStrain mencapai hasil yang luar biasa: ia mendeteksi 90% dari SSE yang sebelumnya telah dikatalogkan secara manual dan, yang lebih penting, mengidentifikasi 21 SSE baru yang sebelumnya terlewatkan oleh analisis manual . Peningkatan sekitar 30% dalam katalog peristiwa yang diketahui ini memberikan gambaran yang jauh lebih lengkap tentang perilaku patahan di segmen San Andreas yang telah dipelajari secara intensif ini.

Hubungan Temporal dengan Gempa Frekuensi Rendah

Mungkin temuan paling signifikan muncul ketika tim menganalisis waktu terjadinya SSE yang baru terdeteksi relatif terhadap LFE. Data menunjukkan bahwa slow slip events sering kali diikuti oleh gempa frekuensi rendah (low-frequency earthquakes/LFE) . Urutan temporal ini sangat menunjukkan adanya mekanisme kausal: geseran aseismik yang lambat membebani atau memicu bagian seismogenik yang kemudian menghasilkan LFE.

Hasil ini konsisten dengan penelitian sebelumnya yang menunjukkan bahwa aktivitas tremor dan LFE di dekat Parkfield memiliki skala yang sama dengan SSE dalam hal momen-durasi, yang mengimplikasikan hubungan fisik di antara keduanya . Gempa frekuensi rendah telah lama diinterpretasikan sebagai indikator seismik dari geseran aseismik di sekitarnya , tetapi DeepStrain memberikan bukti geodetik paling jelas bahwa peristiwa lambat individual mendahului dan kemungkinan memicu gempa kecil tersebut.

Implikasi untuk Pemantauan Patahan dan Peran AI dalam Geofisika

Kemampuan Deteksi yang Diperluas

DeepStrain membuktikan bahwa AI dapat mengekstrak sinyal geodetik yang berada di bawah ambang deteksi jaringan GPS maupun analisis strainmeter manual. Katalog SSE yang lebih lengkap ini memungkinkan studi statistik yang lebih kuat tentang perilaku patahan, interval pengulangan, dan kondisi yang menyebabkan gempa besar .

Hubungan Kausal antara Geseran Aseismik dan Seismik

Pengamatan bahwa SSE secara sistematis mendahului LFE mendukung model di mana geseran lambat membebani bagian patahan di dekatnya, yang berpotensi mendekatkannya pada titik kegagalan. Ini memiliki relevansi langsung untuk memahami nukleasi dan pengulangan gempa di Sesar San Andreas—sebuah wilayah kritis untuk penilaian bahaya seismik .

Potensi Operasional Waktu Nyata

Karena DeepStrain dapat dijalankan pada data borehole strainmeter kontinyu, ia menawarkan alat untuk deteksi hampir real-time dari deformasi sementara yang mungkin mendahului gempa besar. Jaringan NOTA sudah memiliki infrastruktur strainmeter yang diperlukan dan menyediakan data serta alat pemrosesan kepada komunitas riset . Ini dapat mengubah cara sistem peringatan dini gempa memasukkan data geodetik.

Preseden yang Lebih Luas: AI dalam Geofisika

Pekerjaan ini bergabung dengan semakin banyak bukti bahwa deep learning dapat secara sistematis mengekstrak sinyal geofisika yang tidak terlihat oleh metode tradisional. Pendekatan serupa—seperti CNN untuk deteksi tremor di Cascadia dan deep learning untuk identifikasi LFE di San Andreas—telah menunjukkan bahwa AI dapat berfungsi sebagai "pengganda kekuatan" untuk jaringan monitoring yang ada . DeepStrain membuktikan bahwa prinsip yang sama berlaku untuk data borehole strainmeter, jenis sensor kunci untuk mendeteksi geseran sementara di akar patahan yang dalam.

Catatan dan Pertanyaan Terbuka

Arsitektur pasti DeepStrain (apakah menggunakan desain konvolusional, recurrent, atau transformer) tidak dirinci dalam ringkasan yang tersedia untuk publik. Detail metodologi lengkap ada di makalah Nature Communications (doi: 10.1038/s41467-026-74095-9) . Selain itu, algoritma ini sejauh ini baru divalidasi di segmen Parkfield; kinerjanya di zona patahan lain dengan konfigurasi strainmeter dan karakteristik kebisingan yang berbeda masih perlu diuji.

Artikel ini ditulis ulang secara alami dalam bahasa Indonesia berdasarkan konteks yang diberikan. Intisari berita utama, fakta inti, penanda kutipan, dan tautan ke sumber asli dipertahankan.