An Plattengrenzen wie dem San-Andreas-Graben in Kalifornien oder der ostanatolischen Verwerfung in der Türkei gleiten Erdplatten seitlich aneinander vorbei. Verhakt sich das Gestein dabei, staut sich Spannung im Untergrund auf und entlädt sich in Erdbeben. Doch dazu kommt es nicht immer: An vielen Abschnitten solcher Transformstörungen bewegen sich die Platten auch durch sogenannte Slow-Slip-Prozesse. Diese aseismischen, sehr langsamen Verschiebungen verringern die Spannungen und verringern dadurch das Bebenrisiko.
Schwer detektierbare Verschiebungen
Trotz dieser Bedeutung sind Slow-Slip-Ereignisse jedoch bisher kaum erforscht – auch, weil sie schwer nachweisbar sind. Gängige Seismometer können die nahezu erschütterungsfreien Bewegungen nicht detektieren und selbst hochsensible Deformationsmesser liefern schwer interpretierbare Daten. Denn die schwachen Signale der Slow-Slip-Ereignisse gehen im Grundrauschen unter.
Jetzt gibt es eine Lösung. Ein Team um Zahra Zali vom GFZ Helmholtz-Zentrum für Geoforschung in Potsdam hat eine KI-gestützte Methode entwickelt und getestet, die die subtilen Signale der Slow-Slip-Ereignisse aufspüren kann. „Künstliche Intelligenz ermöglichte es uns, Muster zu erkennen, die sonst unbemerkt geblieben wären“, erklärt Zali. Die Messdaten dafür lieferten Bohrloch-Dehnungsmesser, sogenannte Strainmeter, im kalifornischen Parkfield.
KI spürt verborgene Muster auf
Das Parkfield-Messfeld liegt auf halbem Weg zwischen San Francisco und Los Angeles direkt am San-Andreas-Graben. Dort sind schon seit Jahrzehnten unzählige Seismometer, Dehnungsmesser, GPS-Sensoren und weitere Messinstrumente installiert, um jede Bewegung der Verwerfung so präzise wie möglich zu überwachen und aufzuzeichnen. Für ihre Studie werteten Zali und ihr Team Dehnungsmesser-Daten aus der Zeit von 2009 bis 2021 aus.
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
