Kecerdasan Buatan Membongkar Rahsia Gempa Bumi Senyap di Sesar San Andreas

Bagaimana DeepStrain Berfungsi

Dibangunkan oleh ahli geofizik Zahra Zali dari GFZ Potsdam, DeepStrain ialah model pembelajaran mendalam yang dilatih khusus menggunakan rakaman borehole strainmeter daripada Rangkaian Benua Amerika (NOTA) NSF . Algoritma ini belajar mengenali corak gelombang halus gelinciran perlahan dalam hingar dimensi tinggi data terikan berterusan. Kod dan saluran pra-pemprosesan telah dikeluarkan secara umum pada Ogos 2025, membolehkan penyelidik lain menggunakan kaedah ini ke zon sesar lain .

Apabila digunakan ke rantau Parkfield, DeepStrain mencapai hasil yang luar biasa: ia mengesan 90% daripada SSE yang telah dikatalog secara manual dan, yang lebih penting, mengenal pasti 21 SSE baharu yang terlepas dalam analisis manual . Peningkatan kira-kira 30% dalam katalog peristiwa yang diketahui ini memberikan gambaran yang jauh lebih lengkap tentang gelagat sesar di segmen Sesar San Andreas yang dikaji secara intensif ini.

Hubungan Masa dengan Gempa Bumi Frekuensi Rendah

Mungkin penemuan yang paling ketara muncul apabila pasukan penyelidik menganalisis masa SSE yang baru dikesan berbanding dengan LFE. Data menunjukkan bahawa peristiwa gelinciran perlahan sering diikuti oleh gempa bumi frekuensi rendah . Urutan masa ini menunjukkan dengan kuat satu mekanisme sebab-akibat: gelinciran aseismik yang perlahan membebani atau mencetuskan tompokan seismogenik yang kemudiannya menghasilkan LFE.

Keputusan ini konsisten dengan kajian terdahulu yang menunjukkan bahawa aktiviti gementar dan LFE berhampiran Parkfield mempunyai skala momen-tempoh yang sama seperti peristiwa gelinciran perlahan, membayangkan ia berkait secara fizikal . Gempa bumi frekuensi rendah telah lama ditafsirkan sebagai penunjuk seismik bagi gelinciran aseismik di sekeliling , tetapi DeepStrain memberikan bukti geodetik paling jelas bahawa peristiwa gelinciran perlahan mendahului dan kemungkinan mencetuskan gempa bumi kecil tersebut.

Implikasi untuk Pemantauan Sesar dan AI dalam Geofizik

Keupayaan Pengesanan yang Diperluas

DeepStrain menunjukkan bahawa AI boleh mengekstrak isyarat geodetik di bawah ambang pengesanan kedua-dua rangkaian GPS dan analisis manual strainmeter. Katalog SSE yang diperluas ini membolehkan kajian statistik yang lebih mantap tentang gelagat sesar, selang berulang, dan keadaan yang membawa kepada gempa bumi yang lebih besar .

Hubungan Sebab-Akibat antara Gelinciran Aseismik dan Seismik

Pemerhatian bahawa SSE secara sistematik mendahului LFE menyokong model di mana gelinciran perlahan membebani tompokan sesar yang berdekatan, berpotensi membawanya lebih dekat kepada kegagalan. Ini mempunyai kaitan langsung untuk memahami nukleasi dan pengulangan gempa bumi di Sesar San Andreas—satu kawasan kritikal untuk penilaian bahaya seismik .

Potensi Operasi Masa Nyata

Oleh kerana DeepStrain boleh digunakan pada data borehole strainmeter berterusan, ia menawarkan alat untuk pengesanan hampir masa nyata bagi ubah bentuk sementara yang mungkin mendahului gempa bumi yang lebih besar. Rangkaian NOTA sudah mengekalkan infrastruktur strainmeter yang diperlukan dan menyediakan data serta alat pemprosesan kepada komuniti penyelidikan . Ini boleh mengubah cara sistem amaran awal gempa bumi menggabungkan data geodetik.

Preseden AI yang Lebih Luas dalam Geofizik

Kerja ini menyertai bukti yang semakin meningkat bahawa pembelajaran mendalam boleh mengekstrak isyarat geofizik yang tidak kelihatan oleh kaedah tradisional. Pendekatan serupa—seperti CNN untuk pengesanan gementar di Cascadia dan pembelajaran mendalam untuk pengenalan LFE di Sesar San Andreas—telah menunjukkan bahawa AI boleh bertindak sebagai "pengganda daya" untuk rangkaian pemantauan sedia ada . DeepStrain membuktikan bahawa prinsip yang sama digunakan pada data borehole strainmeter, sejenis penderia utama untuk mengesan gelinciran sementara di akar dalam sesar.

Kaveat dan Soalan Terbuka

Butiran seni bina tepat DeepStrain (sama ada ia menggunakan rekaan berasaskan konvolusi, rekursif, atau transformer) tidak diperincikan dalam ringkasan yang tersedia untuk umum. Butiran metodologi penuh terdapat dalam kertas Nature Communications (doi: 10.1038/s41467-026-74095-9) . Selain itu, algoritma setakat ini hanya disahkan pada segmen Parkfield; prestasinya di zon sesar lain dengan konfigurasi strainmeter dan ciri hingar yang berbeza masih perlu diuji.