Er bestaan verborgen waarschuwingssignalen. Niet altijd. Maar vaak. Begraven in duizenden kleine trillingen. De meeste mensen missen ze. Wetenschappers proberen het. Ze falen vooral omdat het vinden van een naald gemakkelijk is, wetende welke naald er toe doet voordat de grond splijt? Moeilijker.
Nieuw onderzoek van GFZ Helmholtz Center verandert het spel enigszins. Dr. Sadegh Karimpoutli en prof. Patricia Martinez-Garzon vertelden hun computers niet waar ze op moesten letten. Dat is de oude manier. Vooraf ingestelde labels geven. Nutteloos hier.
In plaats daarvan lieten ze het algoritme ronddwalen.
Machine learning zonder toezicht. Het vindt structuur zonder regels.
Het patroonprobleem
Aardbevingen geven niets om ons verlangen naar zuivere voorspellingen. Ooit geprobeerd precies te voorspellen wanneer de volgende grote toeslaat? Je zou uit het veld worden gelachen. Het is onopgelost. Misschien onoplosbaar.
Geowetenschappers jagen nu op voorlopers. Kleine aardbevingen. Voorschokken. Slow slip-evenementen waarbij fouten stil kreunen. Het probleem is inconsistentie. De timing varieert. Locatieverschuivingen. Eén fout waarschuwt luid. Een ander blijft stil. Lokale geologie is belangrijk. Opgeslagen stress is belangrijk.
Een patroon voor de ene aardbeving kan lawaai zijn voor de volgende.
Machine learning hielp eerder bij het sorteren van de catalogi. Nu veranderden ze van tactiek. Geen vast idee van hoe een ‘voorloper’ eruit ziet. Gewoon gegevens. Het sorteren zelf.
Dr. Karimpoutli heeft het eenvoudig gezegd. In plaats van te zoeken, laat de data de structuur ervan onthullen. Geen diagnostische criteria vooraf gedefinieerd. Het werkt tegen aardverschuivingen. Vulkanen. Nu aardbevingen.
Aardbevingsfamilies
Individuele aardbevingen zijn leugens. Of in ieder geval: ze zijn onvolledig. Elke beving behandelen als een punt in een spreadsheet? Je mist het drama.
Het team groepeerde evenementen. “Gezinnen.”
Gebaseerd op ruimte. Tijd. Grootte. Waarom? Omdat ze praten. Eén kleine breuk verschuift de stress in de buurt. Maakt een ander waarschijnlijk. Of minder. Dichterbij betekent een luider gesprek.
Prof. Marco Bohnhoff merkt op dat het collectieve gedrag korststress aan het licht brengt. Door naar gezinnen te kijken, en niet naar individuen, zie je de opbouw.
De onderzoekers gebruikten fysieke kenmerken om deze groepen te beschrijven. Clustering van strakheid. Ruimtelijke lokalisatie. Statistische indicatoren van stress. Het algoritme heeft ze vervolgens gecategoriseerd. Verschillende stadia van spanning.
Laboratoriumexperimenten werkten. De natuur is echter rommelig. Storingen complex. Gegevens onvolmaakt. Zou het standhouden?
De cruciale schakelaar
Ze testten de methode op historische gevallen met bekende voorlopers. Drie verschillende tektonische opstellingen.
- Kahramanmaraş (Türkiye 2023) – Strike-slip-grens. Mw 7,8.
- L’Aquila (Italië 2009) – Gefragmenteerde normale fouten. Mw 6,1.
- Iquique (Chili 2014) – Subductiezone. Mw 8,1.
In alle drie? Duidelijke tekenen. Weken tot maanden ervoor.
Het algoritme vond een duidelijk voorschokpatroon. Drie kenmerken vielen op. Sterkere clustering. Aardbevingen praten meer. Grotere lokalisatie. Gebeurtenissen kwamen dichter bij elkaar in tijd en ruimte. Verhoogde spanningsvrijgave.
Het signaleert een systeem dat instabiliteit nadert. Een sprong van stal naar georganiseerde chaos. Vlak voor de breuk.
Maar niet overal.
Stilte is ook een signaal
Ze pasten hetzelfde filter toe op aardbevingen zonder bekende waarschuwingen. Amatrice (Italië 2016) en Noto (Japan 2024).
Niets. Er verscheen geen kritische categorie.
Waarom? Prof. Martinez-Garzon noemt dit het variabiliteitsprobleem. Complexe monitoring. Complexe natuurkunde. Sommige fouten knappen gewoon. Geen fanfare.
Sommige fouten mislukken zonder duidelijke tekenen.
Dit is geen fout van de methode. Het is een realiteit van de aarde. Het project, QUAKEHUNTER, gefinancierd door de Europese Onderzoeksraad, heeft tot doel te begrijpen wanneer de voorbereiding plaatsvindt. En wanneer we het kunnen vangen.
Operationele prognoses
Voor echte prognoses moet vooruit worden gekeken, en niet achterom. Dus hebben ze het gesimuleerd.
Bepaal eerst de basislijn. Gebruik eerdere aardbevingen in een regio om ‘normaal’ te vestigen. Bekijk dan de nieuwe gegevens. Zoek naar vertrektijden.
Als er plotseling een nieuwe seismische categorie verschijnt? Het kan zijn dat de fout in een kritieke toestand verkeert. Verschillend. Potentieel gevaarlijk.
Kan dit een aardbeving deterministisch voorspellen? Nee. Dr. Karimpoutli is daar duidelijk over.
Het is geen kristallen bol. Het is een anomaliedetector. Het geeft aan dat de storing zich vreemd gedraagt. Het fluistert iets nieuws.
Het eindresultaat
Natuurkunde ontmoet AI. Subtiele patronen blootgelegd die traditionele statistieken missen. Focussen op groepen in plaats van alleenstaanden.
De volgende stap? Realtime monitoring. Integratie van deze modellen.
Waarom beven sommigen met waarschuwing? Sommigen in stilte? Nog onbekend. Het hulpmiddel bestaat. De gegevens zijn luidruchtig. Het antwoord zou wel eens kunnen liggen in het gebabbel op de achtergrond dat we vroeger negeerden.
Waar luister je naar?
