Voorbereidende fase van grote aardbevingen verhelderd door ongecontroleerde categorisering van kenmerken uit aardbevingscatalogi

Waarom dit belangrijk is voor mensen die met aardbevingsrisico leven

Gemeenschappen wereldwijd leven met de angst voor verwoestende aardbevingen, maar wetenschappers kunnen nog steeds niet precies zeggen wanneer en waar de volgende grote beving zal toeslaan. Deze studie onderzoekt of subtiele veranderingen in alledaagse kleine bevingen kunnen onthullen wanneer een breuk zich in stilte voorbereidt op een veel groter evenement. Door geavanceerde patroonherkenningstechnieken op aardbevingscatalogi toe te passen, testen de onderzoekers of het mogelijk is een echte “opbouw” naar grote bevingen te signaleren — terwijl ze ook herkennen wanneer een dergelijke waarschuwing afwezig is.

Luisteren naar de breuk via vele kleine bevingen

Grote aardbevingen ontstaan meestal niet uit het niets. Voor een grote breuk ondergaan breuken vaak veranderingen zoals foorschokken, zwermen van kleine bevingen of langzaam kruipende bewegingen. Deze voorbereidingsfases variëren echter sterk van plaats tot plaats en lijken in sommige gevallen afwezig te zijn. De auteurs verzamelen gedetailleerde catalogi van kleine en matige aardbevingen uit vijf goed bestudeerde regio’s, waaronder de Kahramanmaraş-aardbeving van 2023 in Turkije, de L’Aquila-beving van 2009 in Italië en het Iquique-megatruitement van 2014 in Chili. Voor elk gebied onderzoeken ze jaren aan seismiciteit voorafgaand aan de hoofdbeving, op zoek naar patronen die kunnen aangeven dat een breuk op instorten staat.

Van ruwe catalogi naar families van verwante gebeurtenissen

In plaats van elke aardbeving als een geïsoleerd punt te behandelen, groepeert het team gebeurtenissen in “families” die dicht bij elkaar liggen in ruimte, tijd en magnitude. Elke familie bevat een hoofdbeving (de grootste gebeurtenis) en de bijbehorende foorschokken en naschokken. Rond elke gebeurtenis berekenen de onderzoekers tientallen beschrijvende grootheden: hoe snel bevingen zich voordoen, hoe dicht ze in ruimte en tijd clusteren, hoeveel vervorming ze vrijgeven en hoe de groottes van bevingen zijn verdeeld. Deze op gebeurtenissen gebaseerde metingen worden vervolgens binnen elke familie gemiddeld en gecombineerd met eenvoudige descriptors van de interne structuur van de familie (bijvoorbeeld of het meer lijkt op een eenvoudige naschokreeks of een diffuuzere zwerm). Het resultaat is een compact vingerafdrukje voor elke familie dat vastlegt hoe het lokale breuksegment zich gedraagt.

De data zichzelf laten organiseren

In plaats van de computer van tevoren te vertellen hoe een “waarschuwingpatroon” eruit moet zien, gebruiken de auteurs ongecontroleerde machine learning. Ze passen specifiek een k-means-algoritme toe dat aardbevingsfamilies automatisch sorteert in categorieën met vergelijkbare vingerafdrukken. Deze categorieën variëren van stabieler gedrag — gebeurtenissen verspreid in tijd en ruimte en met weinig vrijgegeven vervorming — tot kritischer gedrag, gekenmerkt door strakke clustering, sterke interactie tussen gebeurtenissen en geconcentreerde vervormingsafgifte. Cruciaal is dat het algoritme niet weet wanneer de grote beving plaatsvindt; het groepeert families gewoon op basis van hun kenmerken. De onderzoekers onderzoeken vervolgens wanneer en waar de meest “kritische” categorieën verschijnen in relatie tot de uiteindelijke hoofdbevingen.

Waar de breuk echt opwarmt — en waar niet

Voor drie aardbevingen waarvan bekend is dat ze duidelijke voorbereidingsfases hadden — Kahramanmaraş, L’Aquila en Iquique — selecteert de methode met succes langdurige, sterk gelokaliseerde families die kort voor de hoofdbeving verschijnen en zich onderscheiden van eerdere activiteit. In deze gevallen zijn de kritische categorieën geassocieerd met dicht opeengepakte clusters van gebeurtenissen, krimpende ruimtelijke voetafdrukken en hogere vervormingsafgifte, consistent met een breuksegment dat spanning en schade concentreert vóór falen. Daarentegen vindt de workflow voor twee andere gebeurtenissen — de Amatrice-beving van 2016 in Italië en de Noto-beving van 2024 in Japan — geen uniek kritische familie die tot aan de hoofdbeving blijft bestaan. Amatrice lijkt te worden voorafgegaan door relatief stilte, en Noto door complexe zwermactiviteit en vloeistoffen, wat suggereert dat niet alle grote aardbevingen een duidelijke seismische waarschuwing in de catalogus laten zien.

Op weg naar praktische vroege informatie, met voorzichtigheid

Tot slot testen de auteurs of hun benadering zou kunnen werken in iets dat dichter bij realtime ligt. Ze trainen hun categorisering op een eerdere periode van gegevens en schuiven vervolgens door de catalogus om te zien wanneer een nieuwe, onderscheidende categorie verschijnt. In de drie gevallen met bekende voorbereidingsfases doet zich een merkbare verandering in de clustermaat voor weken tot maanden vóór de grote beving voor, wat wijst op mogelijke bruikbaarheid voor operationele aardbevingsvoorspelling. Toch benadrukt de studie belangrijke beperkingen: de methode kan alleen voorbereidingsfases detecteren die daadwerkelijk waarneembare seismiciteit produceren, is afhankelijk van catalogi van hoge kwaliteit en vereist deskundige interpretatie om te beoordelen of een nieuw opkomende categorie werkelijk kritisch is. Kortom, dit raamwerk “voorspelt” aardbevingen niet, maar het biedt een fysisch onderbouwde manier om aan te geven wanneer en waar kleine bevingen kunnen wijzen op een breuk die in een gevaarlijkere toestand komt.

Bronvermelding: 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). https://doi.org/10.1038/s41467-026-72279-x

Trefwoorden: aardbevingsvoorspelling, seismiciteitspatronen, machine learning, foorschokken, breukmechanica