Zusammenfassung

Wann und wo das nächste große Erdbeben auftreten wird, bleibt eine der schwierigsten Fragen in den Geowissenschaften. Forschende des GFZ Helmholtz-Zentrums für Geoforschung um Dr. Sadegh Karimpouli und Prof. Dr. Patricia Martínez-Garzón haben zusammen mit internationalen Partnern nun einen neuen datengestützten Ansatz entwickelt, mit dem sich charakteristische Veränderungen der seismischen Aktivität erkennen lassen, bevor manche großen Erdbeben auftreten. Das Team nutzte unüberwachtes Maschinelles Lernen, um bisher verborgene Muster in Erdbebenkatalogen zu erkennen, ohne sich auf vordefinierte Annahmen zu stützen. Sie wendeten ihre Methode auf mehrere gut dokumentierte große Beben an, darunter die Kahramanmaraş (Türkei, 2023), Iquique (Chile, 2014) und L’Aquila (Italien, 2009) Erdbeben, und konnten in diesen Fällen individuelle Muster in der Vorläufer-Seismizität identifizieren, die Wochen bis Monate vor dem Hauptbeben auftraten. Bei anderen Beben, von denen keine Vorläuferphänomene bekannt waren – etwa das Noto (Japan, 2024) und Amatrice (Italien, 2016) Beben – fand die Methode keine Muster. Die Forschenden gehen daher davon aus, dass ihr neuer Ansatz Potenzial für eine mögliche prognose-basierte Erdbebenvorhersage besitzt. Die Studie ist im Fachmagazin Nature Communications erschienen.

Hintergrund: Herausforderung Erdbebenvorhersage

Die Vorhersage von Zeitpunkt, Ort und Stärke künftiger Erdbeben stellt eine seit langem bestehende und nach wie vor ungelöste – wenn nicht gar unmögliche – Herausforderung dar. Im Fokus der geowissenschaftlichen Forschung dazu steht der Versuch, Vorläuferphänomene zu identifizieren, d. h. spezifische Muster in den Prozessen, die vor großen Erdbeben auftreten können. Solche Vorbereitungsprozesse können zum Beispiel Vorbeben oder langsame Rutschbewegungen in der Umgebung des künftigen Epizentrums sein. Bislang beobachtete Vorläufersignale variieren je nach Art der Verwerfung und Plattengrenze, nach geologischer Beschaffenheit und Belastung erheblich in ihrer räumlichen und zeitlichen Ausdehnung und Stärke. 

Neuer Ansatz I: Mustersuche mit unüberwachtem maschinellen Lernen 

Methoden des Maschinellen Lernens tragen seit geraumer Zeit erfolgreich dazu bei, die Komplexität dieser Wechselwirkungen zu entschlüsseln und in vorhandenen Datenkatalogen über Erdbeben solche Muster zu identifizieren. Dabei gehen die Forschenden in ihrer aktuellen Studie in mehrfacher Hinsicht neue Wege: 

„Anstatt nach bestimmten Vorläufern zu suchen, lassen wir die Daten ihre eigene Struktur offenbaren und nutzen dafür das sogenannte unüberwachte Maschinelle Lernen, bei dem diagnostische Merkmale nicht vordefiniert sind“, erläutert Hauptautor Dr. Sadegh Karimpouli, Wissenschaftler in der Sektion 4.2 „Geomechanik und Wissenschaftliches Bohren“ am GFZ. Dieser Ansatz wurde bereits erfolgreich bei der Erkennung von Vorläuferphasen von Erdrutschen und Vulkanausbrüchen eingesetzt.

Neuer Ansatz II: Von einzelnen Erdbeben zu interagierenden „Seismizitäts-Familien“

Eine zentrale Neuerung der Studie ist der Übergang von der Analyse einzelner Erdbeben hin zur Untersuchung der Wechselwirkung ganzer „Familien“ von Ereignissen, also Gruppen von Erdbeben, die räumlich, zeitlich und hinsichtlich ihrer Stärke eng miteinander verbunden sind. Diese Familien spiegeln wider, wie Erdbeben in einer räumlich eingegrenzten Region miteinander interagieren und sich gemeinsam entwickeln.

„Erdbeben sind keine isolierten Ereignisse, sie beeinflussen sich gegenseitig, und zwar umso stärker, je näher das Bruchereignis kommt“, erklärt Mitautor Prof. Marco Bohnhoff, Leiter der GFZ-Sektion 4.2 „Geomechanik und Wissenschaftliches Bohren“. „Durch die Analyse ihres kollektiven Verhaltens können wir besser erfassen, wie sich Spannungen in der Erdkruste vor großen Ereignissen aufbauen.“

Die Forschenden extrahierten eine große Anzahl physikalischer und statistischer Merkmale, die die Seismizität beschreiben, wie Clusterbildung, räumliche Lokalisierung und spannungsbezogene Indikatoren. Mithilfe eines unüberwachten Algorithmus für maschinelles Lernen wurden diese Familien automatisch in verschiedene Kategorien gruppiert, die unterschiedliche Stadien der Spannungsentwicklung repräsentieren.

Dieses Vorgehen hatten sie zuvor bereits bei gut kontrollierten Erdbeben-Versuchen im Labor erfolgreich eingesetzt. Nun stellte sich die Frage, ob er sich auch bei den wesentlich komplexeren Ereignissen in der Natur bewährt.

Erkennung des Übergangs in einen kritischen Zustand

Das Forschungsteam wendete die Methode auf mehrere gut dokumentierte Erdbebensequenzen in verschiedenen tektonischen Settings an, von denen bereits Vorläufer bekannt waren, darunter das Beben von 2023 mit einer Magnitude von 7,8 in Kahramanmaraş (Türkei) an einer großen Seitenverschiebungs- oder auch Transform-Plattengrenze, das Beben von L’Aquila (Italien) mit einer Magnitude von 6,1 im Jahr 2009 auf einer Reihe fragmentierter Abschiebungs-Verwerfungen und das Beben von Iquique (Chile) mit einer Magnitude von 8,1 im Jahr 2014 an einer Subduktionszone. In jedem Fall identifizierte das Team eine eigenständige Kategorie von Seismizität, die vor dem Hauptbeben auftrat.

Diese „kritischen“ Muster zeichnen sich insbesondere durch drei Merkmale aus: 1. eine verstärkte Häufung und Wechselwirkung zwischen Erdbeben, 2. eine stärkere räumliche und zeitliche Lokalisierung sowie 3. eine verstärkte Freisetzung seismischer Dehnung. Zusammengenommen deuten diese Merkmale darauf hin, dass sich das Verwerfungssystem der Instabilität nähert.

„Wir beobachten einen Übergang von einer relativ stabilen Hintergrundaktivität zu einem besser organisierten, kritischen Zustand kurz vor dem Bruch“, erläutert Karimpouli. Je nach Fall traten diese Veränderungen Wochen bis Monate vor dem Hauptbeben auf.

Nicht alle Erdbeben zeigen Warnsignale

Die Studie hebt jedoch auch eine wichtige Einschränkung hervor: Nicht allen Erdbeben geht eine nachweisbare seismische Vorbereitung voraus. Als die Methode beispielsweise auf das Amatrice-Erdbeben 2016 in Italien angewendet wurde, zeigte sich vor dem Ereignis keine eindeutige „kritische“ Kategorie. Ähnlich entwickelte sich im Fall des Noto-Erdbebens 2024 in Japan eine lang anhaltende Schwarmaktivität nicht zu einem eindeutigen Vorläuferssignal.

„Diese Variabilität spiegelt die Komplexität sowohl der Überwachungsbedingungen als auch der Erdbebenprozesse wider“, sagt Mitautorin Prof. Patricia Martínez-Garzón, Arbeitsgruppenleiterin in der GFZ-Sektion 4.2. „Manche Verwerfungen können ohne offensichtliche seismische Warnzeichen versagen, was eine große Herausforderung für die Vorhersage darstellt.“ Die Untersuchung der Bedingungen, unter denen sich Erdbebenvorbereitungsvorgänge entwickeln und besser erkennbar sind, ist eines der Hauptziele von Martínez-Garzóns ERC-Starting-Grant-Projekt QUAKEHUNTER, das die hier entwickelte Forschung finanziert.

Auf dem Weg zu einer verbesserten Erdbebenvorhersage

Um die Tauglichkeit ihrer Methode für den praktischen Einsatz zu einer möglichen sogenannten prognose-basierten Erdbebenvorhersage zu untersuchen, testeten die Forschenden ihren Ansatz nicht nur an bereits geschehenen Beben, sondern – im Rahmen derselben obengenannten Bebensequenzen – auch vorausschauend: Sie gingen von früheren Beben in der Region aus. Durch die kontinuierliche Aktualisierung der Analyse weiterer, neuer Erdbeben kann die Methode dann erkennen, wann die Seismizität von zuvor beobachteten Mustern abzuweichen beginnt. So könnte das plötzliche Auftreten einer neuen Kategorie seismischen Verhaltens darauf hindeuten, dass das System in einen anderen und potenziell kritischeren Zustand übergeht.

„Das bedeutet nicht, dass wir Erdbeben deterministisch vorhersagen können“, betont Sadegh Karimpouli. „Aber es bietet ein leistungsstarkes Werkzeug, um zu erkennen, wann sich ein Verwerfungssystem im Vorfeld eines Starkbebens anders als gewöhnlich verhält.“

Resümee: Eine neue Perspektive auf die Entstehung großer Erdbeben

Die Studie zeigt, wie die Kombination physikalisch basierter Merkmale mit maschinellem Lernen subtile Prozesse aufdecken kann, die mit herkömmlichen Methoden schwer zu erkennen sind. Durch die Konzentration auf Wechselwirkungen innerhalb der Seismizität bietet der Ansatz einen neuen Einblick in die Entstehung großer Erdbeben.

„Unsere Ergebnisse zeigen, dass maschinelles Lernen dabei helfen kann, Vorbereitungsphasen von Erdbeben zu identifizieren, sofern diese vorhanden und mit installierten Messgeräten nachweisbar sind“, resümiert Patricia Martínez-Garzón. „Der nächste Schritt besteht darin, solche Ansätze in die Echtzeitüberwachung zu integrieren und besser zu verstehen, warum manche Erdbeben klare Signale zeigen, andere hingegen nicht.“

Förderprojekt:

Sadegh Karimpouli und Patricia Martínez-Garzón wurden durch das ERC-Starting-Grant-Projekt QUAKEHUNTER im Rahmen des Horizon 2020-Programms der Europäischen Union gefördert (Projektnummer 101076119).

Originalpublikation:

Karimpouli, S., Martínez-Garzón, P., Núñez-Jara, S. et al. Preparatory phase of large earthquakes illuminated by unsupervised categorization of earthquake catalog features. Nat Commun 17, 4024 (2026). 
DOI: 10.1038/s41467-026-72279-x