Штучний інтелект виявив приховані повільні зсуви на розломі Сан-Андреас: що показав DeepStrain

Більшість землетрусів дають про себе знати раптовим поштовхом. Але під ділянкою Паркфілд (Parkfield) на розломі Сан-Андреас у Каліфорнії відбувається тихіший клас рухів — епізоди повільного зсуву (SSE), які вивільняють енергію протягом днів або тижнів, не спричиняючи сейсмічного струсу. Тепер алгоритм глибокого навчання під назвою DeepStrain показав, що ці мовчазні події трапляються набагато частіше, ніж вважалося раніше, і що вони відіграють безпосередню роль у запуску дрібних поштовхів, відомих як низькочастотні землетруси (LFE).

Проблема виявлення мовчазних зсувів

Повільні зсуви надзвичайно важко вловити. Свердловинні деформометри (BSM) — прилади, заглиблені в циліндричні свердловини, здатні фіксувати деформацію земної кори на рівні наностrain, що робить їх чутливими до запису короткочасних деформацій від асейсмічної повзучості та епізодичного тремору і ковзання (ETS) . Однак сигнали від невеликих, короткочасних SSE легко губляться в зашумлених часових рядах, які людські аналітики часто пропускають . Мережі GPS, традиційний інструмент для вимірювання рухів земної кори, є ще менш ефективними: швидкості деформації від цих глибинних подій часто нижчі за поріг виявлення GPS .

Як працює DeepStrain

Розроблений геофізикинею Захрою Залі (Zahra Zali) з GFZ Потсдам, DeepStrain — це модель глибокого навчання, спеціально навчена на записах свердловинних деформометрів із мережі NSF «Мережа Америк» (NOTA) . Алгоритм вчиться розпізнавати ледь помітні хвильові патерни повільного зсуву серед багатовимірного шуму безперервних даних деформації. Код та конвеєр попередньої обробки даних були оприлюднені в серпні 2025 року, що дозволяє іншим дослідникам застосовувати цей метод до інших зон розломів .

Коли DeepStrain застосували до регіону Паркфілд, він досяг вражаючого результату: він виявив 90% раніше каталогізованих вручну SSE і, що важливіше, ідентифікував 21 новий SSE, який був пропущений під час ручного аналізу . Це приблизно 30-відсоткове збільшення відомого каталогу подій забезпечує набагато повнішу картину поведінки розлому на цій інтенсивно досліджуваній ділянці Сан-Андреаса.

Часовий зв'язок із низькочастотними землетрусами

Мабуть, найважливішим відкриттям став аналіз часу нововиявлених SSE відносно LFE. Дані показали, що за епізодами повільного зсуву часто слідували низькочастотні землетруси . Ця часова послідовність переконливо свідчить про причинно-наслідковий механізм: асейсмічний повільний зсув навантажує або запускає сейсмогенну ділянку, яка пізніше генерує LFE.

Цей результат узгоджується з попередніми роботами, які показували, що активність тремору та LFE поблизу Паркфілда має таке саме масштабування «момент-тривалість», як і повільні зсуви, що свідчить про їхній фізичний зв'язок . Низькочастотні землетруси давно інтерпретуються як сейсмічні індикатори навколишнього асейсмічного ковзання , але DeepStrain надає найчіткіші геодезичні докази того, що окремі повільні події передують цим малим землетрусам і, ймовірно, їх запускають.

Наслідки для моніторингу розломів та ролі ШІ в геофізиці

Розширені можливості виявлення

DeepStrain демонструє, що ШІ здатен виокремлювати геодезичні сигнали, які знаходяться нижче порогу виявлення як GPS-мереж, так і ручного аналізу деформометрів. Цей розширений каталог SSE дозволяє проводити більш надійні статистичні дослідження поведінки розломів, інтервалів повторюваності та умов, що призводять до потужніших землетрусів .

Причинно-наслідковий зв'язок між асейсмічним та сейсмічним ковзанням

Спостереження, що SSE систематично передують LFE, підтримує моделі, в яких повільний зсув навантажує сусідні ділянки розлому, потенційно наближаючи їх до руйнування. Це має безпосереднє значення для розуміння зародження та повторюваності землетрусів на розломі Сан-Андреас — критично важливому регіоні для оцінки сейсмічної небезпеки .

Потенціал для роботи в реальному часі

Оскільки DeepStrain може розгортатися на безперервних даних свердловинних деформометрів, він пропонує інструмент для виявлення в майже реальному часі короткочасної деформації, яка може передувати потужнішим землетрусам. Мережа NOTA вже підтримує необхідну інфраструктуру деформометрів і надає як дані, так і інструменти обробки дослідницькій спільноті . Це може змінити те, як системи раннього попередження про землетруси використовують геодезичні дані.

Ширший прецедент ШІ в геофізиці

Ця робота приєднується до зростаючої кількості доказів того, що глибоке навчання може систематично видобувати геофізичні сигнали, невидимі для традиційних методів. Подібні підходи — такі як згорткові нейромережі (CNN) для виявлення тремору в Каскадії та глибоке навчання для ідентифікації LFE на Сан-Андреасі — показали, що ШІ може слугувати «силовим множником» для існуючих мереж спостереження. DeepStrain доводить, що той самий принцип застосовний до даних свердловинних деформометрів — ключового типу датчиків для виявлення короткочасного ковзання в глибинних зонах розломів.

Застереження та відкриті питання

Точна архітектура DeepStrain (чи використовує вона згортковий, рекурентний або трансформерний дизайн) не деталізована в загальнодоступних стислих описах. Повні методологічні деталі містяться в статті Nature Communications (doi: 10.1038/s41467-026-74095-9) . Крім того, на сьогодні алгоритм було перевірено лише на ділянці Паркфілд; його ефективність на інших зонах розломів з іншою конфігурацією деформометрів та характеристиками шуму ще належить перевірити.