AI onthult verborgen 'stille' bevingen op de San Andreas-breuk: wat DeepStrain ontdekte

Hoe DeepStrain werkt

DeepStrain is ontwikkeld door geofysicus Zahra Zali van GFZ Potsdam. Het deep-learningmodel is specifiek getraind op opnames van boorgat-rekmeters van het NSF's Network of the Americas (NOTA) . Het algoritme leert de subtiele golfvormpatronen van langzame verschuivingen te herkennen te midden van de hoog-dimensionale ruis van continue rekmeterdata. De code en de voorverwerkingspijplijn werden in augustus 2025 openbaar gemaakt, zodat andere onderzoekers de methode op andere breukzones kunnen toepassen .

Toegepast op de Parkfield-regio boekte DeepStrain een opmerkelijk resultaat: het detecteerde 90% van de eerder handmatig gecatalogiseerde SSE's en, nog belangrijker, identificeerde 21 nieuwe SSE's die waren gemist bij handmatige analyse . Dat is een toename van ruwweg 30% in de bekende gebeurtenissencatalogus, wat een veel completer beeld geeft van het breukgedrag in dit intensief bestudeerde deel van de San Andreas.

Het temporele verband met laagfrequente aardbevingen

De meest significante ontdekking kwam toen het team de timing van de nieuw ontdekte SSE's vergeleek met die van LFE's. De data lieten zien dat langzame verschuivingen vaak werden gevolgd door laagfrequente aardbevingen . Deze temporele volgorde wijst sterk op een oorzakelijk mechanisme: de aseismische, langzame verschuiving belast of triggert het seismogene gebied dat later de LFE veroorzaakt.

Dit resultaat past bij eerder werk waaruit bleek dat tremor- en LFE-activiteit bij Parkfield dezelfde moment-duur-schaling vertonen als slow slip events, wat impliceert dat ze fysiek verbonden zijn . Laagfrequente aardbevingen worden al langer beschouwd als seismische indicatoren van omringende aseismische slip , maar DeepStrain levert nu het duidelijkste geodetische bewijs dat individuele langzame gebeurtenissen voorafgaan aan en waarschijnlijk die kleine bevingen veroorzaken.

Gevolgen voor breukmonitoring en AI in de geofysica

Grotere detectiecapaciteit

DeepStrain laat zien dat AI geodetische signalen kan extraheren die onder de detectiedrempel van zowel GPS-netwerken als handmatige rekmeteranalyse liggen. Deze uitgebreide catalogus van SSE's maakt robuustere statistische studies mogelijk van breukgedrag, herhalingsintervallen en de omstandigheden die tot grotere aardbevingen leiden .

Een oorzakelijk verband tussen aseismische en seismische slip

De waarneming dat SSE's systematisch aan LFE's voorafgaan, ondersteunt modellen waarin langzame slip nabijgelegen breukvlakken belast, waardoor ze dichter bij bezwijken komen. Dit is direct relevant voor het begrijpen van aardbevingsinitiatie en herhaling op de San Andreas-breuk – een kritische regio voor seismische risicobeoordeling .

Potentieel voor real-time operationele inzet

Omdat DeepStrain kan worden toegepast op continue rekmeterdata, biedt het een instrument voor real-time detectie van voorbijgaande vervorming die aan grotere aardbevingen vooraf zou kunnen gaan. Het NOTA-netwerk onderhoudt al de benodigde rekmeterinfrastructuur en stelt zowel data als verwerkingstools beschikbaar voor de onderzoeksgemeenschap . Dit zou de manier waarop aardbevingsvroegwaarschuwingssystemen geodetische data integreren kunnen transformeren.

Bredere precedent voor AI in de geofysica

Dit werk sluit aan bij een groeiend aantal bewijzen dat deep learning systematisch geofysische signalen kan extraheren die onzichtbaar zijn voor traditionele methoden. Vergelijkbare benaderingen – zoals CNN's voor tremordetectie in Cascadia en deep learning voor LFE-identificatie op de San Andreas – hebben aangetoond dat AI kan fungeren als een 'krachtvermenigvuldiger' voor bestaande meetnetwerken . DeepStrain bewijst dat hetzelfde principe geldt voor boorgat-rekmeterdata, een belangrijke sensor voor het detecteren van voorbijgaande slip in de diepe wortels van breuken.

Kanttekeningen en open vragen

De precieze architectuur van DeepStrain (of het een convolutioneel, recurrent of transformer-gebaseerd ontwerp gebruikt) wordt niet in de openbaar beschikbare samenvattingen vermeld. De volledige methodologische details staan in het Nature Communications-artikel (doi: 10.1038/s41467-026-74095-9) . Daarnaast is het algoritme tot nu toe alleen gevalideerd op het Parkfield-segment; de prestaties op andere breukzones met andere rekmeterconfiguraties en ruiskarakteristieken moeten nog worden getest.