AI avslöjar dolda långsamma glidningar längs San Andreas-förkastningen

De flesta jordbävningar tillkännager sig med en ryckning. Men under Parkfield-segmentet av San Andreas-förkastningen i Kalifornien har en tystare rörelse pågått mitt framför ögonen på forskarna – långsamma glidhändelser (slow slip events, SSE) som frigör energi under dagar eller veckor utan att orsaka seismisk skakning. Nu har en djupinlärningsalgoritm vid namn DeepStrain visat att dessa tysta händelser är betydligt vanligare än man tidigare trott och att de spelar en direkt roll i att utlösa de små skalven som kallas lågfrekventa jordbävningar (low-frequency earthquakes, LFE).

Utmaningen att upptäcka tyst glidning

Långsamma glidhändelser är notoriskt svåra att fånga. Borrhålsdeformationsmätare (borehole strainmeters, BSM) – instrument som är nedsänkta djupt i cylindriska hål i marken – kan detektera deformation i jordskorpan på nanostrain-nivå, vilket gör dem känsliga nog att registrera transienta töjningar från aseismisk krypning och episodiskt darr och glidning (episodic tremor and slip, ETS) . Men signalerna från små, kortlivade SSE:er försvinner lätt i brusiga tidsserier som mänskliga analytiker ofta missar . GPS-nätverk, det traditionella verktyget för att mäta jordskorpans rörelser, är ännu mindre effektiva: töjningshastigheterna från dessa djupa händelser ligger ofta under GPS:ens detektionströskel .

Hur DeepStrain fungerar

DeepStrain, utvecklad av geofysikern Zahra Zali vid GFZ Potsdam, är en djupinlärningsmodell som specifikt tränats på data från borrhålsdeformationsmätare från NSF:s Network of the Americas (NOTA) . Algoritmen lär sig att känna igen de subtila vågformsmönstren för långsam glidning i det högdimensionella bruset från kontinuerliga töjningsdata. Koden och förbehandlingspipen släpptes offentligt i augusti 2025, vilket gör att andra forskare kan tillämpa metoden på andra förkastningszoner .

När DeepStrain tillämpades på Parkfield-regionen uppnådde den ett anmärkningsvärt resultat: den detekterade 90 % av tidigare manuellt katalogiserade SSE:er och, ännu viktigare, identifierade 21 nya SSE:er som hade missats vid manuell analys . Denna ungefärliga ökning på 30 % i den kända händelsekatalogen ger en mycket mer komplett bild av förkastningens beteende i detta intensivt studerade segment av San Andreas.

Det tidsmässiga sambandet med lågfrekventa jordbävningar

Kanske den mest betydelsefulla upptäckten kom när teamet analyserade tidpunkten för de nyupptäckta SSE:erna i förhållande till LFE:er. Data visade att långsamma glidhändelser ofta följdes av lågfrekventa jordbävningar . Denna tidsmässiga sekvens tyder starkt på en orsaksmekanism: den aseismiska långsamma glidningen laddar eller utlöser det seismogena område som senare genererar LFE:n.

Detta resultat är förenligt med tidigare arbeten som visat att darr och LFE-aktivitet nära Parkfield har samma moment-varaktighetsskalning som långsamma glidhändelser, vilket innebär att de är fysiskt kopplade . Lågfrekventa jordbävningar har länge tolkats som seismiska indikatorer på omgivande aseismisk glidning , men DeepStrain ger de tydligaste geodetiska bevisen hittills för att individuella långsamma händelser föregår och sannolikt utlöser dessa små jordbävningar.

Implikationer för förkastningsövervakning och AI:s roll inom geofysiken

Utökad detektionsförmåga

DeepStrain visar att AI kan extrahera geodetiska signaler under detektionströskeln för både GPS-nätverk och manuell analys av töjningsmätare. Denna utökade katalog över SSE:er möjliggör mer robusta statistiska studier av förkastningens beteende, återkomstintervall och de förhållanden som leder till större jordbävningar .

Ett orsakssamband mellan aseismisk och seismisk glidning

Observationen att SSE:er systematiskt föregår LFE:er stöder modeller där långsam glidning belastar närliggande förkastningsområden, vilket potentiellt för dem närmare brott. Detta har direkt relevans för att förstå jordbävningars initiering och återkomst på San Andreas-förkastningen – en kritisk region för seismisk riskbedömning .

Potential för realtidsövervakning

Eftersom DeepStrain kan användas på kontinuerliga data från borrhålsdeformationsmätare, erbjuder det ett verktyg för nästan realtidsdetektion av transient deformation som kan föregå större jordbävningar. NOTA-nätverket har redan den nödvändiga infrastrukturen för töjningsmätare och gör både data och bearbetningsverktyg tillgängliga för forskarsamhället . Detta skulle kunna förändra hur system för tidig varning vid jordbävningar integrerar geodetiska data.

En bredare trend: AI inom geofysiken

Detta arbete ansluter sig till en växande mängd bevis för att djupinlärning systematiskt kan extrahera geofysiska signaler som är osynliga för traditionella metoder. Liknande metoder – såsom CNN:er för detektion av darr i Cascadia och djupinlärning för identifiering av LFE:er på San Andreas – har visat att AI kan fungera som en "kraftmultiplikator" för befintliga övervakningsnätverk . DeepStrain bevisar att samma princip gäller för data från borrhålsdeformationsmätare, en nyckeltyp av sensor för att detektera transient glidning i förkastningars djupa rötter.

Varningar och öppna frågor

Den exakta arkitekturen för DeepStrain (huruvida den använder en convolutional, recurrent eller transformer-baserad design) beskrivs inte i detalj i offentligt tillgängliga sammanfattningar. De fullständiga metodologiska detaljerna finns i Nature Communications-artikeln (doi: 10.1038/s41467-026-74095-9) . Dessutom har algoritmen hittills endast validerats på Parkfield-segmentet; dess prestanda på andra förkastningszoner med olika konfigurationer av töjningsmätare och brusegenskaper återstår att testa.