BERLIN / LONDON (IT BOLTWISE) – Forschende vom GFZ Helmholtz-Zentrum für Geoforschung zeigen, dass sich in Erdbebenkatalogen charakteristische Vorläufermuster erkennen lassen – mit unüberwachtem maschinellem Lernen. Das Verfahren gruppiert Seismizitätsereignisse zu sogenannten „Familien“ und identifiziert Muster, die Wochen bis Monate vor bestimmten Starkbeben auftraten. Gleichzeitig berichten die Autoren, dass nicht jedes Erdbeben solche Signale zeigt, was die Grenzen einer prognosebasierten Nutzung deutlich macht. Für die Echtzeitüberwachung und den operativen Erdbebenschutz könnte das dennoch ein neues Werkzeug sein.
Eilik – Der KI-Roboter als Schlüsselanhänger! ˗ˋˏ🧠ˎˊ˗
Wenn sich die Erde bewegt, sind die Spuren im Nachhinein meist gut genug, um Ursachen und Prozesse zu rekonstruieren. Die eigentliche Hürde liegt davor: Zeitpunkt, Ort und Stärke des nächsten großen Erdbebens bleiben aus Sicht der Geowissenschaften schwer prognostizierbar. Genau hier setzt eine neue Studie des GFZ an. Das Team um Dr. Sadegh Karimpouli und Prof. Dr. Patricia Martínez-Garzón nutzt unüberwachtes maschinelles Lernen, um in historischen Erdbebenkatalogen bislang verborgene Strukturen zu finden, die sich auf Vorläuferphasen beziehen könnten. Entscheidend ist dabei nicht nur das „ob“, sondern auch das „wie“: Statt feste Vorzeichen zu definieren, lässt das Modell die Daten ihre Kategorien selbst bilden.
Technisch betrachtet greifen die Forschenden auf eine Kategorisierung der Seismizität zurück, die über die Betrachtung einzelner Erdbeben hinausgeht. Hintergrund ist, dass die meisten seismischen Prozesse in einem räumlich begrenzten System nicht isoliert ablaufen, sondern miteinander wechselwirken. Das GFZ-Team extrahiert dafür zahlreiche physikalische und statistische Merkmale, etwa Hinweise auf Clusterbildung, die räumliche Lokalisierung von Ereignissen und spannungsbezogene Indikatoren. Darauf aufbauend gruppiert ein unüberwachtes ML-Verfahren „Seismizitätsfamilien“, also Ereignisgruppen, deren gemeinsames Verhalten unterschiedliche Stadien der Spannungsentwicklung abbilden kann – ein Ansatz, der in kontrollierten Laborversuchen bereits Erfolg hatte.
Im Vergleich zu stärker regel- oder hypothesis-getriebenen Verfahren ist die Logik des unüberwachten Lernens besonders für die Praxis relevant. Viele klassische Strategien versuchen, bestimmte Vorläuferphänomene direkt zu suchen, obwohl deren Ausprägung je nach Verwerfungstyp, Plattengrenze, Geologie und Belastungszustand stark variieren kann. Das GFZ dagegen definiert keine Diagnosemerkmale im Voraus, sondern überführt die Daten in eine Art „kategoriale Landkarte“. Dadurch kann das Modell Muster hervorheben, die in traditionellen Auswertungen untergehen. Als technischer Wettbewerbsrahmen lässt sich diese Linie mit Ansätzen vergleichen, die in anderen Programmen zur operativen Beobachtung auf KI-gestützte Mustererkennung setzen, etwa bei der USGS-Umgebung, die ebenfalls stark auf Automatisierung und fortlaufende Analyse setzt, jedoch meist mit anderen Daten- und Modellierungsannahmen arbeitet.
Auf der inhaltlichen Ebene zeigt die Studie eine klare Trennschärfe in jenen Fällen, in denen bereits Vorläufer bekannt waren: Für die Beben von Kahramanmaraş (Türkei, 2023), Iquique (Chile, 2014) und L’Aquila (Italien, 2009) fanden die Forschenden individuelle Kategorien von Seismizitätsverhalten, die Wochen bis Monate vor dem jeweiligen Hauptbeben auftraten. Besonders „kritische“ Muster waren durch mehrere zusammenhängende Eigenschaften gekennzeichnet: eine intensivere Häufung und gegenseitige Wechselwirkung von Ereignissen, eine stärker organisierte räumliche sowie zeitliche Lokalisierung und eine verstärkte Freisetzung seismischer Dehnung. In Summe deutet das darauf hin, dass sich ein Verwerfungssystem einem Zustand der Instabilität nähert, ohne dass bereits ein eindeutiger Bruchzeitpunkt ableitbar wäre.
Gleichzeitig unterstreicht die Arbeit ihre Grenzen: Nicht jedes große Erdbeben zeigt nachweisbare seismische Vorbereitung in Form solcher Kategorien. Als Beispiele nennt das Team das Amatrice-Erdbeben 2016 in Italien sowie das Noto-Beben 2024 in Japan, bei denen die Methode keine eindeutige „kritische“ Klasse identifizierte bzw. eine lang anhaltende Schwarmaktitivität nicht in ein klar abgrenzbares Vorläufermuster überführt wurde. Aus Expertensicht macht Martínez-Garzón damit vor allem zwei Aspekte deutlich: Einerseits ist die beobachtete Variabilität ein Resultat komplexer Prozesse; andererseits beeinflussen Überwachungsbedingungen und Datenverfügbarkeit stark, ob Muster statistisch robust erkennbar werden. Genau diese Wechselwirkung ist für jede operative KI-Pipeline ein Risikofaktor.
Für den Markt- und Organisationskontext bedeutet das: Selbst wenn der Ansatz technisch funktioniert, entscheidet die Integration in bestehende Monitoring-Workflows über den Nutzen. In der geowissenschaftlichen Datenpraxis konkurrieren derzeit mehrere Wege – von klassischen Katalogauswertungen bis zu ML-gestützter Echtzeitklassifikation. Was das GFZ hier besonders interessant macht, ist die Fähigkeit, Abweichungen gegenüber früher erkannten Mustern zu erkennen, wenn man nicht nur „rückblickend“ testet, sondern innerhalb derselben Regionsequenzen auch vorausschauend aktualisiert. Das Team demonstriert, dass ein Modell Alarmzustände nicht als deterministische Prognose ausgibt, sondern als Werkzeug zur Erkennung von Phasenwechseln in der Seismizität, also wenn ein System anders als zuvor reagiert.
Der nächste Schritt zielt damit auf eine realistische prognosebasierte Nutzung im Sinne von Frühwarn-ähnlicher Lageerkennung statt Vorhersage im naturwissenschaftlichen Sinn. Die Studie testet den Ansatz in vorwärts gerichteten Szenarien: Man startet mit früheren Ereignissen und aktualisiert laufend weitere Daten. Wenn dabei eine neue Kategorie auftaucht oder sich die Verteilung der Muster verändert, könnte das auf einen Übergang in einen anderen – potenziell kritischen – Zustand hinweisen. Karimpouli betont dabei ausdrücklich, dass deterministische Vorhersagen nicht im Fokus stehen; vielmehr geht es um ein leistungsstarkes Diagnoseinstrument. Für Entwickler und Betreiber von Erdbeben-Informationssystemen ist das relevant, weil „Erkennen“ leichter operationalisierbar ist als „exakte Vorhersage“.
Regulatorisch und datenschutzseitig ist der Ansatz zwar kein personenbezogenes System, aber er berührt dennoch Anforderungen an Nachvollziehbarkeit, Qualitätssicherung und Sicherheitsprozesse in kritischen Infrastrukturen. Sobald solche Modelle in Echtzeit umgebettet werden, stellt sich die Frage nach Modellversionierung, Messketten-Integrität und reproduzierbaren Auswertungen – insbesondere, wenn Beobachtungsnetze unvollständig oder zeitweise eingeschränkt sind. Genau hier wird die Kombination aus physikalisch inspirierten Merkmalen und ML-gestützter Kategorisierung zum Vorteil, weil sie eher erklärbare Eingangsgrößen liefert als reine End-to-End-Black-Box-Modelle. Perspektivisch könnte das Projekt QUAKEHUNTER im ERC-Starting-Grant-Umfeld dazu beitragen, die Bedingungen zu identifizieren, unter denen Vorbereitungsphasen tatsächlich sichtbar werden – und unter welchen nicht.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
GFZ nutzt unüberwachtes ML, um Vorläufermuster vor großen Erdbeben zu finden (Foto: DALL-E, IT BOLTWISE)
Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de. Da wir bei KI-erzeugten News und Inhalten selten auftretende KI-Halluzinationen nicht ausschließen können, bitten wir Sie bei Falschangaben und Fehlinformationen uns via eMail zu kontaktieren und zu informieren. Bitte vergessen Sie nicht in der eMail die Artikel-Headline zu nennen: „GFZ nutzt unüberwachtes ML, um Vorläufermuster vor großen Erdbeben zu finden“.