San-Andreas-Graben: KI deckt verborgene Verschiebungen auf

Lage des Parkfield-Untersuchungsgebiets an der San-Andreas-Verwerfung. — © Zali et al./ Nature Communications, CC-by 4.0

Die Forschenden nutzten ihr KI-Modell, um in diesen Daten mithilfe des sogenannten Clusterings nach unentdeckten Mustern zu suchen. „Clustering ist ein unüberwachter Lernansatz, der ähnliche Datenpunkte gruppiert, ohne dabei vordefinierte Kategorien oder Beispiele zu verwenden“, erklären die Forschenden. Die von der KI entdeckten Muster glichen sie zusätzlich mit den Daten von GPS-Messungen ab, die kontinuierlich die subtile Verschiebung der beiden Erdplatten gegeneinander messen.

Erst ein aseismischer Schub, dann ein langsames Beben

Tatsächlich wurde das Team fündig: Die KI-gestützte Analyse identifizierte 92 Slow-Slip-Ereignisse am Parkfield-Abschnitt der San-Andreas-Verwerfung. Diese in Schüben auftretenden Verschiebungen hielten jeweils 25 bis 100 Minuten an und hatten ihren Ursprung in weniger als vier Kilometer Tiefe, wie nähere Analysen ergaben. Die Signale deuteten auf eine rechtslaterale Verschiebung entlang der Transformstörung hin – übereinstimmend mit den schon bekannten Bewegungsmustern.

Und noch etwas enthüllten die Auswertungen: Solche Slow-Slip-Ereignisse treten nicht isoliert auf, sondern meist kurz vor schwachen, niederfrequenten Erdbeben. „Die Häufigkeit solcher niederfrequenten Beben steigt während eines Slow-Slip-Ereignisses und an den beiden Folgetagen“, berichten Zali und ihre Kollegen. „Dies deutet darauf hin, dass die Slow-Slip-Ereignisse die lokalen Spannungen im Untergrund verändern.“ Dieser Stress-Transfer findet ihren Analysen zufolge vor allem am Übergang von kriechenden zu blockierten Abschnitten der Verwerfung statt.

Bedeutsam für Spannungstransfer und Bebenrisiko

Zusammengenommen legen diese Ergebnisse nahe, dass auch die kurzen Schübe aseismischer Bewegung beeinflussen, wie „geladen“ eine Verwerfung ist und wo Erdbeben entstehen. Damit haben sie auch Bedeutung für das Erdbebenrisiko an solchen Plattengrenzen. „Durch die Erkennung dieser verborgenen Signale können wir ein vollständigeres Bild davon gewinnen, wie sich Verwerfungen zwischen Erdbeben verhalten und wie Spannung durch die Erdkruste übertragen wird“, sagt Zali.

Die Forschenden gehen davon aus, dass ähnliche Slow-Slip-Ereignisse auch an anderen Transformstörungen weltweit auftreten. KI-gestützte Analysen könnten auch dort helfen, diese bisher kaum erforschten Bewegungen im Untergrund zu detektieren.

Quelle: Zahra Zali (GFZ Helmholtz-Zentrum für Geoforschung, Potsdam) et al., Nature Communications, 2026; doi: 10.1038/s41467-026-74095-9