Earthquake aftershock forecasting with conditional generative models

Wanneer een enorme aardbeving toeslaat, wordt de grond niet simpelweg stil. Uren, dagen en soms zelfs jaren daarna blijft de korst trillen en komen er duizenden kleinere bevingen vrij, bekend als naschokken. Deze volgen een voorspelbaar ritme: ze komen het meest frequent voor vlak na de hoofdschok en nemen geleidelijk af, terwijl hun locaties de neiging hebben om te clusteren langs de specifieke breuklijn die is gebroken. Wetenschappers gebruiken al lang statistische regels om te raden waar en wanneer deze naschokken zouden kunnen optreden, waarbij elke beving wordt behandodeld als een geïsoleerd punt in een enorme, willekeurige wolk. Deze traditionele methoden werken gemiddeld goed, maar ze falen vaak in het vastleggen van de rommelige, realistische details van hoe een specifieke sequentie zich ontvouwt. Ze hebben moeite met het voorspellen van de exacte vorm van de naschokzone of hoeveel bevingen een specifieke sequentie zal produceren, waarbij ze de grillige, langs de breuklijn gealigneerde patronen die het gevolg zijn van een echte aardbeving vaak gladstrijken.

Een onderzoeker aan de Universiteit van Californië, Berkeley, heeft een nieuwe manier ontwikkeld om deze sequenties te voorspellen die verder gaat dan eenvoudige statistiek. In plaats van te proberen individuele bevingen één voor één te voorspellen, trainde de onderzoeker een computermodel om het volledige toekomstige landschap van seismische activiteit te zien als één enkele, evoluerende afbeelding. Deze nieuwe aanpak, genaamd QuakeGen, leert van enorme hoeveelheden historische aardbevingdata om te begrijpen hoe naschokken zich door de ruimte en de tijd verspreiden. Bij tests tegenover de standaardmethoden die door overheidsinstanties worden gebruikt, bleek dit nieuwe model nauwkeuriger in het aanwijzen van waar naschokken zouden clusteren en hoe de activiteit zou afnemen. Het slaagde erin de lange, smalle vormen van naschokzones te recreëren die de werkelijke breuklijnen volgen, een detail dat oudere modellen vaak missen en vervangen door vage, cirkelvormige gissingen.

De kern van dit werk is een verschuiving in perspectief. Traditionele voorspelling behandelt een aardbevingsequentie als een lijst van afzonderlijke gebeurtenissen, waarbij vaste wiskundige formules worden gebruikt om te schatten hoeveel er zullen plaatsvinden en waar. Deze formules gaan ervan uit dat naschokken zich gelijkmatig in alle richtingen verspreiden vanaf de hoofdschok, zoals rimpelingen in een vijver. Echter, echte aardbevingen gedragen zich niet zo. De naschokken lijnen meestal uit langs de gebroken breuk, wat zorgt voor lange, uitgerekte clusters die de geometrie van de breuk diep onder de grond weerspiegelen. De onderzoeker realiseerde zich dat het proberen te voorspellen van elke individuele gebeurtenis beperkend was voor het vermogen om dit grotere plaatje te zien. In plaats daarvan besloot de onderzoeker de voorspelling als een veld te behandelen, vergelijkbaar met hoe meteorologen het weer in kaart brengen. De bedoeling was om een model te creëren dat een complete kaart van toekomstige seismische activiteit kon genereren, die zowel het aantal verwachte bevingen als de omvang van de grootste beving in elk klein stukje grond laat zien.

Om dit systeem te bouwen, gebruikte de onderzoeker een type kunstmatige intelligentie dat bekend staat als een diffusiemodel. Deze technologie, die recentelijk velden zoals weervoorspelling en proteïnestructuuranalyse heeft gerevolutioneerd, werkt door te leren een proces van het toevoegen van ruis om te keren. Stel je een heldere foto voor die langzaam wordt bedekt met statische ruis totdat het pure, betekenisloze korreligheid wordt. Een diffusiemodel leert hoe het die korreligheid kan nemen en, stap voor stap, de ruis kan verwijderen om de originele afbeelding te onthullen. In deze studie is de "afbeelding" geen foto, maar een kaart van aardbevingsactiviteit. Het model begint met een lege, ruizige kaart en verfijnt deze, geleid door de informatie van wat er al is gebeurd, geleidelijk tot een heldere voorspelling van wat er vervolgens zal gebeuren.

De onderzoeker trainde het model, QuakeGen, op twee verschillende soorten data om te zien hoe goed het kon generaliseren. Eerst werd een wereldwijde dataset gebruikt die duizenden hoofdschokken en hun naschokken uit de hele wereld bevat, verspreid over de periode 1990 tot 2023. De onderzoeker leerde het model om naar de seismische activiteit te kijken in de dagen voorafgaand aan een grote aardbeving en de eerste uren van de naschokken direct daarna. Op basis van deze beperkte informatie moest het model het patroon van de naschokken voor de volgende dagen, weken of zelfs maanden voorspellen. Vervolgens werd het model getest op 80 grote aardbevingen die plaatsvonden in 2024 en 2025, die het model nog nooit eerder had gezien. In deze tests presteerde QuakeGen beter dan het standaard operationele model dat wordt gebruikt door de United States Geological Survey. Terwijl het traditionele model een brede, cirkelvormige halo van voorspelde activiteit produceerde, identificeerde QuakeGen correct de langgerekte, langs de breuklijn gealigneerde vormen van de naschokzones. Na bijvoorbeeld een magnitude 7,5 aardbeving in Japan, reproduceerde het nieuwe model de 150 kilometer lange strook van naschokken langs de breuk, terwijl het oude model de voorspelling verspreidde in een brede cirkel.

De tweede test richtte zich op een specifieke regio: zuidelijk Californië. Hier was het doel niet alleen om de naschokken van een enkele grote beving te voorspellen, maar om het dagelijkse aantal aardbevingen over een groot gebied in de loop van de tijd te voorspellen. De onderzoeker trainde het model op een zeer gedetailleerde catalogus van seismiciteit in de regio, die veel kleine bevingen bevat die standaard detectoren vaak missen. Vervolgens vroeg de onderzoeker het model om de dagelijkse aardbevingenaantallen voor specifieke subregio's die bekend staan om hun frequente activiteit, zoals de Salton Sea en de San Jacinto breuklijn, te voorspellen. In deze setting kwam het model qua prestaties overeen met de best afgestemde statistische modellen die zorgvuldig zijn aangepast voor dat specifieke gebied. Dit is significant omdat het suggereert dat een enkel, op data gebaseerd model het complexe gedrag van een heel breuksysteem kan leren zonder dat het handmatig voor elke nieuwe regio opnieuw gekalibreerd hoeft te worden.

Een van de meest opvallende aspecten van het nieuwe model is hoe het met onzekerheid omgaat. Omdat de toekomst van een aardbevingsequentie inherent onvoorspelbaar is, produceert het model niet slechts één enkel antwoord. In plaats daarvan genereert het een ensemble van 100 verschillende mogelijke toekomsten voor elke voorspelling. Elke van deze 100 kaarten is een geldige realisatie van wat er zou kunnen gebeuren, waarbij verschillende specifieke locaties voor individuele bevingen worden getoond. Wanneer de onderzoeker deze 100 kaarten samen gemiddeld, kreeg hij een vloeiend beeld van de algemene mate van activiteit, wat nauw aansloot bij de werkelijke patronen die in de natuur worden waargenomen. Deze aanpak stelt voorspellers in staat om niet alleen de meest waarschijnlijke uitkomst te zien, maar ook het volledige spectrum aan mogelijkheden, wat een duidelijker beeld geeft van waar het risico geconcentreerd is.

De studie onderzocht ook het vermogen van het model om de omvang van de grootste verwachte naschok in een bepaald gebied te voorspellen. Traditionele methoden hebben hier vaak moeite mee, omdat ze vertrouwen op statistische gemiddelden die vertekend kunnen worden door lege gebieden. QuakeGen genereert echter tegelijkertijd het aantal bevingen en de omvang van de grootste beving. Door te kijken naar het 90ste percentiel van de voorspellingen, was het model in staat om de voorspelling voor de grootste bevingen te concentreren langs de gebroken breuk, wat overeenkomt met de observatie in de echte wereld dat de grootste naschokken meestal plaatsvinden op de plek waar de hoofdbreuk ontstond. Deze gezamenlijke voorspelling van frequentie en magnitude biedt een completer en realistischer beeld van het gevaar.

Ondanks deze successen erkent de onderzoeker dat het model beperkingen heeft. Het leunt zwaar op de kwaliteit en kwantiteit van de data waarop het getraind is. Voor de allergrootste aardbevingen, die zeldzaam zijn, onderschat het model soms het totale aantal naschokken of slaagt het er niet in de volledige omvang van de breukzone te vatten. Dit komt doordat het model tijdens de training minder voorbeelden heeft gezien van deze massieve gebeurtenissen. De auteur suggereert dat toekomstige verbeteringen kunnen voortkomen uit het combineren van deze op data gebaseerde aanpak met natuurkundige simulaties om meer voorbeelden van grote aardbevingen te genereren, of door het model extra informatie te voeden, zoals de exacte geometrie van de breuk in de grond of metingen van grondvervorming.

Het werk vormt een belangrijke stap voorwaarts in de manier waarop wetenschappers aardbevingen voorspellen. Door af te stappen van vaste regels en geïsoleerde gebeurtenisvoorspellingen, en toe te bewegen naar het leren van de complexe, evoluerende patronen van seismische velden direct uit data, heeft de onderzoeker een instrument gecreëerd dat de ware aard van aardbevingsequenties vastlegt. Het model raadt niet alleen; het leert de onderliggende structuur van hoe breuklijnen zich gedragen. Hoewel het niet kan voorspellen wanneer de volgende grote aardbeving zal plaatsvinden, biedt het een veel scherper en nauwkeuriger beeld van wat er gebeurt nadat er een heeft plaatsgevonden, wat gemeenschappen helpt de vorm en omvang van de trillingen die volgen te begrijpen.