Seismische detectie met polarisatiesignalen in onderzeese kabels en machine learning

Luisteren naar bevingen met onderzeese internetkabels

De meeste aardbevingen vinden plaats onder de oceanen, ver weg van traditionele grondgebaseerde sensoren. Toch zijn bijna alle continenten al verbonden door uitgebreide netwerken van glasvezelkabels die ons internetverkeer dragen. Deze studie stelt een eenvoudige maar krachtige vraag: kunnen die bestaande kabels ook fungeren als enorme, kant-en-klare oren om aardbevingen op de zeebodem te detecteren?

Waarom een internetkabel bewegingen van de aarde kan voelen

Licht dat door een glasvezelkabel reist doet meer dan alleen data transporteren; zijn interne eigenschappen veranderen subtiel wanneer de kabel buigt, uitrekt of wordt geschud. Een van die eigenschappen is de polarisatiestatus, een maat voor hoe de lichtgolven georiënteerd zijn tijdens het reizen. Wanneer de zeebodem tijdens een aardbeving beweegt, kan dat een begraven of liggende kabel bewegen en daardoor de polarisatie van het licht binnenin beïnvloeden. De auteurs onderzochten een belangrijke internetroute in de Middellandse Zee, de Med-Nautilus-kabel die Catania op Sicilië met Tel Aviv verbindt, om te bepalen of echte aardbevingen een herkenbare vingerafdruk in deze polarisatiesignalen achterlaten.

Ruwe kabelsignalen omzetten in bruikbare aanwijzingen

Tussen midden 2022 en eind 2024 leverde een Italiaanse telecomoperator continue registraties van polarisatie-gerelateerde grootheden van de kabel, samen met informatie over het gedrag van het optische systeem. De onderzoekers combineerden dit met een onafhankelijke aardbevingscatalogus voor de Middellandse Zee en concentreerden zich op 60 gebeurtenissen met magnitude 5 of groter. Ze schatten hoe ver elke beving van de kabel was en wanneer de primaire en secundaire seismische golven zouden aankomen, met behulp van standaardmodellen van de aarde. Vervolgens werden de optische gegevens opgeschoond en gestandaardiseerd, en opgedeeld in tijdvensters rond elk evenement en in controletijdvakken zonder significante bevingen. Deze zorgvuldige voorbereiding vormde de basis om zowel traditionele detectiemethoden als moderne kunstmatige intelligentie op exact dezelfde data te testen.

Eenvoudige regels schieten tekort, leerzame modellen presteren beter

Het team probeerde eerst klassieke seismologie-achtige technieken die zoeken naar plotselinge sprongen in signaalsterkte of spectrale energie, geregeld door vaste drempels. Op de polarisatiegegevens veroorzaakten deze op regels gebaseerde methoden ofwel te veel valse alarmen of ze misten de meeste echte gebeurtenissen, soms presterend niet beter dan willekeur. Daarentegen deden machine learning-modellen, die veel subtiele kenmerken tegelijk kunnen wegen, het duidelijk beter. Een techniek genaamd Extreme Gradient Boosting, die beslissingen van veel kleine beslissingsbomen aggregeert, behaalde ongeveer 60 procent nauwkeurigheid, gevoeligheid en specificiteit bij het onderscheiden van dagen beïnvloed door bevingen van rustiger dagen. Analyse van het modelgedrag toonde aan dat het niet op één doorslaggevende eigenschap vertrouwt, maar op een mix van statistische maten die samen kleine maar betekenisvolle veranderingen in de polarisatiepatronen vastleggen.

Wat de kabel wel en niet kan horen

De auteurs onderzochten vervolgens welke aardbevingen het meest waarschijnlijk door het leeralgoritme werden herkend. Verrassend genoeg lieten eenvoudige factoren zoals afstand tot de kabel, diepte van de beving of zelfs magnitude geen eenvoudige trends zien. Sommige matig sterke bevingen veroorzaakten duidelijke, detecteerbare polarisatieveranderingen, terwijl andere met vergelijkbare kenmerken grotendeels onopgemerkt bleven. Een aanvullende deep learning-benadering, die leerde wat ‘normaal’ kabelgedrag is en sterke afwijkingen als anomalieën markeerde, reageerde slechts duidelijk op enkele van de grootste gebeurtenissen. Dit suggereert dat hoe goed een kabel een beving ‘hoort’ van meer afhangt dan alleen de beving zelf; details zoals hoe strak de kabel aan de zeebodem gekoppeld is, de begrafenis en constructie van de kabel en de omgevingsruis spelen allemaal een belangrijke rol.

Het grote plaatje voor toekomstig oceaanmonitoring

Ondanks bescheiden detectiecijfers en veel gemiste gebeurtenissen levert de studie een belangrijk proof of concept: hoewel de Med-Nautilus-kabel nooit als sensor is ontworpen, bevat hij toch bruikbare informatie over sterke aardbevingen via zijn lichtpolarisatie. Voor het publiek is de belangrijkste boodschap dat onze bestaande digitale infrastructuur in principe kan fungeren als een uitgestrekt en goedkoop netwerk van wetenschappelijke instrumenten. Als zulke methoden worden verfijnd en gecombineerd met andere sensortechnologieën, zouden wereldwijde systemen van onderzeese kabels kunnen helpen om huidige blinde vlekken in de oceaanse seismische monitoring te vullen en kustgemeenschappen eerder en rijker inzicht te bieden in wat er onder de golven gebeurt.

Bronvermelding: Caruso, M., Morelli, M., Monaco, A. et al. Seismic detection using submarine cable polarization signals with machine learning. Commun Earth Environ 7, 421 (2026). https://doi.org/10.1038/s43247-026-03434-x

Trefwoorden: onderzeese kabels, aardbevingsdetectie, glasvezel sensing, machine learning, Middellandse Zee