Exceedance Probabilities for Large Earthquakes From DIY Local Earthquake Ensemble Nowcasting and Forecasting

Dieser Beitrag stellt eine Methode zur Berechnung von Überschreitungswahrscheinlichkeiten für große Erdbeben vor, die eine DIY-Lokalensemble-Analyse mit einer „Nowcast-Transformation" kombiniert, um Gutenberg-Richter-Statistiken an die Zielregion anzupassen, und dies anhand des Los Angeles-Gebiets nach dem Northridge-Erdbeben 1994 demonstriert.

Das Wesentliche

🌍 Erdbeben-Nowcasting: Wie man den nächsten großen Wackler "vorhersagt"

Stellen Sie sich vor, Sie stehen in Los Angeles und warten auf das nächste große Erdbeben. Die Wissenschaftler aus diesem Papier sagen: "Wir können nicht genau sagen, wann es passiert, aber wir können berechnen, wie wahrscheinlich es ist, dass es bald passiert."

Sie nennen diese Methode "Nowcasting" (aktuelle Einschätzung). Das ist ähnlich wie bei der Wettervorhersage: Ein Meteorologe sagt nicht, ob es in drei Jahren regnet, sondern ob es jetzt gerade oder in den nächsten Stunden regnen wird.

Hier ist die Idee hinter ihrer Methode, aufgeteilt in einfache Bilder:

1. Der große Kreis und die kleinen Ziegelsteine

Die Forscher schauen sich einen großen Kreis um Los Angeles herum an (mit einem Radius von 125 km).

• Das große Erdbeben ist wie ein riesiger, schwerer Stein, der fällt.
• Die kleinen Erdbeben sind wie kleine Ziegelsteine, die davor fallen.

Die Grundregel (das "Gutenberg-Richter-Gesetz") besagt: Es gibt immer viel mehr kleine Steine als große. Wenn man die kleinen Steine zählt, kann man Rückschlüsse auf den nächsten großen Stein ziehen.

2. Die Uhr, die nicht tickt, sondern zählt (Natürliche Zeit)

Normalerweise schauen wir auf die Wanduhr (Kalenderzeit). Aber für Erdbeben ist das falsch. Ein Erdbeben-System "tickt" nicht nach Stunden oder Tagen, sondern nach Ereignissen.

Stellen Sie sich vor, das Erdbeben-System ist ein Bierfass, das langsam gefüllt wird.

• Jedes kleine Erdbeben ist ein Tropfen Wasser.
• Das große Erdbeben passiert erst, wenn das Fass voll ist.
• Die Forscher zählen einfach die Tropfen (die kleinen Erdbeben), seit dem letzten großen Ausbruch (dem Northridge-Erdbeben 1994).
• Je mehr Tropfen (kleine Erdbeben) seit dem letzten großen Wackler gefallen sind, desto näher ist das Fass am Überlaufen. Das nennt man "Natürliche Zeit".

3. Die Schulklasse als Testlabor (Das Ensemble)

Wie wissen die Forscher, wie viele Tropfen nötig sind, damit das Fass überläuft? Sie können nicht nur auf Los Angeles schauen, denn dort gab es seit 1994 noch kein großes Beben, um die Geschichte zu studieren.

Also schauen sie sich eine ganze Klasse von Regionen an (ein "Ensemble").

• Sie nehmen Los Angeles (den Kreis) und legen darum immer größere rechteckige Gebiete (wie eine Matryoshka-Puppe).
• Sie nehmen an, dass diese größeren Gebiete sich genauso verhalten wie Los Angeles, nur dass sie mehr Daten haben.
• Sie nutzen die Geschichte dieser großen Gebiete, um zu lernen, wie sich das System in Los Angeles verhält. Es ist, als würde man die Geschichte einer ganzen Schule nutzen, um das Verhalten eines einzelnen Schülers vorherzusagen.

4. Der "Spiegel-Transformator" (Die Nowcast-Transform)

Da die umliegenden Gebiete vielleicht etwas anders sind als Los Angeles (z. B. haben sie etwas mehr oder weniger kleine Erdbeben pro großes), nutzen die Forscher einen cleveren Trick: den "Nowcast-Transform".

Stellen Sie sich vor, Sie haben einen Spiegel, der die Daten der großen Gebiete so verzerrt, dass sie exakt so aussehen wie die Daten von Los Angeles.

• Wenn ein großes Gebiet zu viele kleine Erdbeben hat, "löschen" sie im Computer einige davon.
• Wenn es zu wenige hat, "fügen" sie imaginäre hinzu.
• Das Ziel ist, alle Daten auf einen gemeinsamen Nenner zu bringen, damit der Vergleich fair ist.

5. Das Ergebnis: Wie hoch ist das Risiko?

Nachdem sie alle Daten gesammelt, verglichen und "gespiegelt" haben, erhalten sie eine Wahrscheinlichkeit.

• Die Wahrscheinlichkeit (PPV): Sie sagen: "Basierend auf der Anzahl der kleinen Erdbeben, die wir seit 1994 gesehen haben, beträgt die Wahrscheinlichkeit für ein großes Beben in den nächsten X Jahren Y Prozent."
• Die Überraschung: Die Forscher fanden heraus, dass mit der Zeit (in Kalenderzeit) die Wahrscheinlichkeit für ein sofortiges Beben sinkt, weil die Erdkruste sich "versteift". Es ist, als würde das Gestein härter werden, je länger es ruhig bleibt. Aber in "Natürlicher Zeit" (also wenn man die kleinen Erdbeben zählt) steigt die Wahrscheinlichkeit einfach, je mehr kleine Beben passiert sind.

🎯 Das Fazit für den Alltag

Diese Studie ist wie ein fortschrittlicher Stress-Test für die Erde unter Los Angeles.

1. Sie zählen die kleinen Wackler.
2. Sie vergleichen sie mit großen Gebieten drumherum.
3. Sie passen die Zahlen an, damit sie fair sind.
4. Am Ende erhalten sie eine Risikokurve.

Das Wichtigste ist: Es ist keine glaskugelhafte Vorhersage ("Morgen um 14 Uhr!"). Es ist eher wie eine Warnleuchte im Armaturenbrett. Je mehr kleine Erdbeben (Tropfen) fallen, desto mehr leuchtet die Lampe rot auf, und desto wahrscheinlicher ist es, dass das Fass (das große Beben) bald überläuft.

Die Forscher zeigen uns, dass wir durch das Zählen der kleinen Dinge die großen Ereignisse besser verstehen können, ohne dass wir eine magische Kugel brauchen.

Technische Zusammenfassung

Technische Zusammenfassung: Überschreitungswahrscheinlichkeiten für große Erdbeben

Titel: Exceedance Probabilities for Large Earthquakes: From DIY Local Earthquake Ensemble Nowcasting and Forecasting (Magnitude, Natural Time, and Calendar Time)
Autoren: John B. Rundle et al.

1. Problemstellung

Das Papier adressiert das Problem der Vorhersage (Nowcasting und Forecasting) des Auftretens zukünftiger großer Erdbeben in einem lokalen Bereich. "Lokal" ist hier definiert als die Wahrscheinlichkeit eines großen Erdbebens innerhalb eines Kreises mit einem beliebigen Radius um einen Punkt von Interesse (z. B. eine Stadt).
Das Hauptziel ist die Berechnung von Überschreitungswahrscheinlichkeiten (Exceedance Probabilities) für:

• Die Magnitude des nächsten großen Erdbebens.
• Das Auftretenzeitpunkt in "natürlicher Zeit" (Anzahl kleiner Erdbeben seit dem letzten großen Beben).
• Das Auftretenzeitpunkt im Kalenderzeitraum.

Die Arbeit baut auf zwei vorherigen Publikationen auf, die Nowcasting in natürlicher Zeit und Ensemble-Methoden für regionale Daten eingeführt haben.

2. Methodik

Die Methode basiert auf der Annahme, dass die Gutenberg-Richter (GR) Magnitude-Häufigkeits-Beziehung gilt. Der Kernansatz ist die Verwendung eines Ensemble-Verfahrens (Mustererkennung/Maschinelles Lernen), das Daten aus umgebenden Regionen nutzt, um die Wahrscheinlichkeiten für das zentrale Zielgebiet zu schätzen.

Schlüsselschritte der Methodik:

• Definition des Zielgebiets: Ein Kreis mit einem Radius von 125 km um Los Angeles (Zentrum des Northridge-Erdbebens 1994, M 6.7).
• Ensemble-Aufbau: Um den Zielkreis herum werden eine Reihe von expandierenden rechteckigen Regionen definiert. Diese Regionen dienen als "Trainings-Ensemble".
• Skalierte Ähnlichkeit (Scaled Similarity): Es wird angenommen, dass die GR-Statistiken der Ensemble-Mitglieder denen des Zielkreises ähneln. Wenn sie zeitlich skaliert werden, können sie als statistische "Kopien" betrachtet werden.
• Nowcast-Funktion: Die Wahrscheinlichkeit wird basierend auf der Anzahl kleiner Erdbeben ($n$) seit dem letzten großen Beben berechnet:
  $$\Phi(n) = 1 - e^{-(n/N)}$$
  wobei $N$ die erwartete Anzahl kleiner Beben pro großem Beben ist (basierend auf dem GR-Gesetz).
• ROC-Kurven (Receiver Operating Characteristic): Für jedes Ensemble-Mitglied werden ROC-Kurven erstellt, die die True Positive Rate (TPR) gegen die False Positive Rate (FPR) auftragen. Dies dient zur Bewertung der Vorhersagegüte ("Skill").
• Positive Predictive Value (PPV): Aus den ROC-Kurven wird der PPV berechnet, der die Wahrscheinlichkeit für ein zukünftiges großes Erdbeben innerhalb eines bestimmten Zeitfensters angibt.

Neue Entwicklungen in diesem Papier:

1. Nowcast-Transform (Nowcast-Transformation): Um die Annahme der statistischen Gleichheit zwischen Ensemble und Zielkreis zu testen und zu erzwingen, wird eine Transformation eingeführt. Diese passt die GR-Statistiken (insbesondere den b-Wert) der Ensemble-Mitglieder an die des Zielkreises an. Dabei werden die Zeitpunkte der kleinen Erdbeben so angepasst (Hinzufügen oder Entfernen von Zeitpunkten), dass die Struktur der Ereignisverteilung erhalten bleibt, aber die Statistiken angeglichen werden.
2. Filterung: Eine Methode zur Filterung von Ausreißern in den Erdbebenzyklen (Intervallen), um zu prüfen, ob extreme Ereignisse die Statistik dominieren (Filterung bei 95%-Konfidenzniveau).
3. Kalenderzeit vs. Natürliche Zeit: Unterscheidung zwischen der Vorhersage basierend auf der Anzahl der Ereignisse (natürliche Zeit) und der tatsächlichen verstrichenen Zeit (Kalenderzeit).

3. Wichtige Beiträge

• Entwicklung der "Nowcast-Transform": Dies ist ein signifikanter methodischer Fortschritt, der es erlaubt, regionale Ensemble-Daten so zu korrigieren, dass sie die spezifischen Statistiken des lokalen Zielgebiets widerspiegeln, ohne die zugrundeliegende Dynamik zu verfälschen.
• Vergleich von Transformierten vs. Nicht-transformierten Daten: Die Studie zeigt, dass die mit der Transformierung berechneten Vorhersagen und Überschreitungswahrscheinlichkeiten im Allgemeinen konsistent mit denen der nicht-transformierten Ensemble-Daten sind, was die Robustheit der ursprünglichen Methode untermauert.
• Unterscheidung der Zeitskalen: Die Arbeit liefert detaillierte Analysen der Unterschiede zwischen der Vorhersage in natürlicher Zeit (Ereignisanzahl) und Kalenderzeit.
• Quantifizierung von Risiken: Bereitstellung von Methoden zur Berechnung von Magnitude-Überschreitungswahrscheinlichkeiten (z. B. 25%, 50%, 75% Wahrscheinlichkeit) und Wartezeiten bis zum nächsten großen Beben.

4. Ergebnisse

Die Methoden wurden am Beispiel des Gebiets um Los Angeles (Radius 125 km) nach dem Northridge-Erdbeben 1994 angewendet.

• Konsistenz: Die Ergebnisse für die ursprünglichen, gefilterten und transformierten Ensembles sind qualitativ konsistent.
• Wahrscheinlichkeiten (PPV): Die berechnete Wahrscheinlichkeit (PPV) für ein zukünftiges Erdbeben (M $\ge$ 6) innerhalb eines bestimmten Zeitraums variiert je nach Methode leicht (z. B. 29% für Original, 35% für Filter, 43% für Transform), bleibt aber im selben Bereich.
• Magnituden-Überschreitung: Mit zunehmender Anzahl kleiner Erdbeben (natürliche Zeit) steigt die Wahrscheinlichkeit für ein größeres Magnitudenereignis an. Die Kurven für 25%, 50% (Median) und 75% Überschreitung zeigen diesen Anstieg deutlich.
• Kalenderzeit-Verhalten:
  • In der Kalenderzeit zeigt sich ein anomales Verhalten: Nach der anfänglichen Nachbeben-Phase (Clustering) verlängert sich die erwartete Wartezeit bis zum nächsten großen Beben mit der Zeit, obwohl die Wahrscheinlichkeit für ein Beben steigt. Dies wird auf eine zunehmende Versteifung der Erdkruste (Schließung kleiner Risse) zurückgeführt, die den Spannungsaufbau verlangsamt.
  • In der natürlichen Zeit (Anzahl kleiner Beben) ist das Ergebnis intuitiver: Je mehr kleine Beben seit dem letzten großen Beben aufgetreten sind, desto kürzer ist die erwartete verbleibende "Lebensdauer" bis zum nächsten großen Beben.
• ROC-Analyse: Die Ensemble-Mittelwerte der ROC-Kurven zeigen eine gute Trennschärfe zwischen Beben- und Nicht-Beben-Perioden.

5. Bedeutung und Fazit

Dieses Papier stellt den dritten Teil einer Serie dar, die einen robusten Rahmen für das lokale Erdbeben-Nowcasting schafft.

• Praktische Anwendung: Die Methode ermöglicht es, Risikoprofile für Städte zu erstellen, ohne dass komplexe physikalische Modelle der Plattentektonik notwendig sind; sie stützt sich rein auf die Statistik kleiner Erdbeben.
• Validierung der Annahmen: Durch die Einführung der "Nowcast-Transform" wird die kritische Annahme der statistischen Homogenität zwischen lokalen und regionalen Daten überprüft und verbessert.
• Physikalische Einsicht: Die Diskrepanz zwischen Kalenderzeit- und natürlicher Zeit-Vorhersage liefert wichtige Hinweise auf die physikalischen Prozesse in der Erdkruste (Versteifung/Stabilisierung vor einem großen Beben).

Zusammenfassend bietet das Papier einen datengestützten, statistischen Ansatz zur Risikobewertung, der sowohl für kurzfristige Nowcasts als auch für langfristige Forecasts geeignet ist und durch die Verwendung von Ensemble-Daten und Transformationen eine höhere Zuverlässigkeit erreicht.