Förberedelsefasen inför stora jordbävningar upplyst genom osuperviserad kategorisering av egenskaper i jordbävningskataloger

Varför detta är viktigt för människor som lever med jordbävningsrisk

Samfund världen över lever med rädslan för förödande jordbävningar, men forskare kan ännu inte säga exakt när och var nästa stora skalv kommer att inträffa. Denna studie undersöker om subtila förändringar i vardagliga, små jordbävningar kan avslöja när en förkastning tyst förbereder sig för ett mycket större händelse. Genom att använda avancerade mönstersökningsmetoder på jordbävningskataloger testar forskarna om det är möjligt att upptäcka en äkta ”uppbyggnad” inför stora skalv — samtidigt som de känner igen när en sådan varning inte finns.

Att lyssna på förkastningen genom många små skalv

Stora jordbävningar inträffar vanligtvis inte helt utan förvarning. Innan ett större brott upplever förkastningar ofta förändringar såsom förskalv, svärmar av små skalv eller långsam, krypande rörelse. Dessa förberedelsefaser varierar dock kraftigt från plats till plats och i vissa fall verkar de helt saknas. Författarna samlar detaljerade kataloger över små och måttliga jordbävningar från fem välstuderade regioner, inklusive jordbävningen i Kahramanmaraş 2023 i Turkiet, L’Aquila 2009 i Italien och megabrottet i Iquique 2014 i Chile. För varje område undersöker de årsvis seismisk aktivitet fram till huvudskalvet och letar efter mönster som kan signalera att en förkastning närmar sig haveri.

Från råkataloger till familjer av relaterade händelser

I stället för att behandla varje jordbävning som en isolerad punkt grupperar teamet händelser i ”familjer” som ligger nära varandra i rum, tid och magnitud. Varje familj innehåller ett huvudskalv (dess största händelse) och dess associerade förskalv och efterskalv. Runt varje händelse beräknar forskarna dussintals beskrivande mått: hur snabbt skalv inträffar, hur tätt de klustras i rum och tid, hur mycket spänning de frigör och hur fördelningen av skalvstorlekar ser ut. Dessa händelsebaserade mätningar medelvärdes inom varje familj och kombineras med enkla beskrivare av familjens interna struktur (till exempel om den liknar en enkel efterskalvssekvens eller en mer diffus svärm). Resultatet är ett kompakt fingeravtryck för varje familj som fångar hur den lokala förkastningssegmentet beter sig.

Låta data organisera sig själva

I stället för att på förhand tala om för datorn hur ett ”varningsmönster” ska se ut använder författarna osuperviserad maskininlärning. Närmare bestämt tillämpar de en k-means-algoritm som automatiskt sorterar jordbävningsfamiljer i kategorier med liknande fingeravtryck. Dessa kategorier sträcker sig från mer stabilt beteende — händelser spridda i tid och rum och som frigör liten spänning — till mer kritiskt beteende, kännetecknat av täta kluster, stark interaktion mellan händelser och koncentrerad spänningsfrigörelse. Avgörande är att algoritmen inte vet när det stora skalvet inträffar; den grupperar helt enkelt familjer baserat på deras egenskaper. Forskarna granskar sedan när och var de mest ”kritiska” kategorierna dyker upp i förhållande till de slutliga huvudskalven.

Var förkastningen verkligen värms upp — och var den inte gör det

För tre jordbävningar som är kända för att ha tydliga förberedelsefaser — Kahramanmaraş, L’Aquila och Iquique — identifierar metoden framgångsrikt långvariga, högst lokaliserade familjer som framträder kort före huvudskalvet och skiljer sig från tidigare aktivitet. I dessa fall är de kritiska kategorierna förknippade med täta kluster av händelser, krympande spatiala fotavtryck och högre spänningsfrigörelse, i linje med att ett förkastningssegment fokuserar stress och skada innan haveri. Däremot hittar arbetsflödet för två andra händelser — Amatrice 2016 i Italien och Noto 2024 i Japan — ingen unikt kritisk familj som kvarstår fram till huvudskalvet. Amatrice förefaller ha föregåtts av relativ tystnad, och Noto av komplex svärmaktivitet och fluider, vilket tyder på att inte alla stora jordbävningar visar en tydlig seismisk varning i katalogen.

Mot praktisk tidig information, med försiktighet

Slutligen testar författarna om deras angreppssätt skulle kunna fungera i något som ligger närmare realtid. De tränar sin kategorisering på en tidigare tidsperiod och skjuter sedan framåt genom katalogen för att se när en ny, distinkt kategori dyker upp. I de tre fallen med kända förberedelsefaser inträffar en tydlig förändring i klustringsmåttet veckor till månader innan den stora jordbävningen, vilket antyder en möjlig användning för operationell jordbävningsprognostisering. Studien betonar dock viktiga begränsningar: metoden kan endast upptäcka förberedelsefaser som faktiskt ger upphov till detekterbar seismisk aktivitet, är beroende av högkvalitativa kataloger och kräver expertbedömning för att avgöra om en nyuppkommen kategori verkligen är kritisk. Kort sagt, detta ramverk ”förutsäger” inte jordbävningar, men det erbjuder ett fysiskt grundat sätt att lyfta fram när och var små skalv kan indikera att en förkastning går in i ett farligare tillstånd.

Citering: 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

Nyckelord: jordbävningsprognoser, seismicitetsmönster, maskininlärning, förskalv, förkastningsmekanik