How Much Temporal Information Does Earthquake Declustering Remove? An Entropy-Based Analysis of the Türkiye Catalogue

Aardbevingen komen zelden alleen voor. Wanneer één beving toeslaat, brengt het vaak een kettingreactie teweeg: een kleinere naschok kan voorafgaan aan een hoofdevenement, dat vervolgens wordt gevolgd door een zwerm nabevingen die weken of zelfs jaren kan aanhouden. Voor wetenschappers die proberen de diepgewortelde spanningspatronen van de aarde te begrijpen, werken deze clusters als statische ruis op een radio, die de gestage, onafhankelijke achtergrondruis van de natuurlijke seismische activiteit van de planeet overstemt. Om een helder signaal te krijgen, gebruiken onderzoekers een proces genaamd declustering, waarbij geprobeerd wordt om deze afhankelijke gebeurtenissen weg te strippen en alleen de "hoofdschokken" over te laten die het werkelijke, onderliggende ritme van de regio vertegenwoordigen. Er blijft echter een hardnekkige vraag bestaan of dit reinigingsproces niet te veel van het verhaal verwijdert, of dat het een voorspelbaar patroon achterlaat dat ons kan helpen begrijpen hoe aardbevingen zich in de loop van de tijd gedragen.

Een nieuwe studie die zich richt op Turkije, een land dat boven enkele van de meest actieve breuklijnen ter wereld ligt, pakt deze vraag aan door te meten hoeveel informatie verloren gaat wanneer we proberen deze seismische gebeurtenissen te scheiden. De onderzoeker, Hakan Karaca, zocht niet naar een kristallen bol om precies te voorspellen wanneer de volgende beving zal toeslaan; dergelijke precieze voorspelling blijft buiten de huidige wetenschap. In plaats daarvan stelde hij een meer fundamentele vraag: als we weten hoe actief de aarde vorige maand was, zegt dat dan iets over hoe actief ze volgende maand zal zijn? Om dit te beantwoorden, paste hij drie verschillende, veelgebruikte methoden toe voor het declusteren van een enorme database van Turkse aardbevingen over een periode van vijftig jaar, van 1976 tot 2025. Hij gebruikte vervolgens een wiskundig concept dat bekend staat als entropie, wat in essentie meet hoeveel onzekerheid er in een systeem bestaat, om te zien hoeveel orde er in de data overbleef na het reinigingsproces.

De studie begon met een enkele, verenigde catalogus van bijna 40.000 aardbevingen. De onderzoeker haalde deze data vervolgens door drie verschillende filters. De eerste twee methoden, bekend als Gardner-Knopoff en Deniz-Yücemen, maken gebruik van vaste tijd- en afstandvensters om te beslissen welke gebeurtenissen deel uitmaken van een cluster en welke onafhankelijk zijn. De derde methode, Reasenberg, gebruikt een complexere, interactie-gebaseerde aanpak waarbij clusters groeien en evolueren naarmate gebeurtenissen aan elkaar gekoppeld raken. De resultaten van deze filtering waren sterk verschillend. De eerste twee methoden waren agressief en verwijderden ongeveer 70 tot 73 procent van de geregistreerde gebeurtenissen als afhankelijke clusters, waardoor er ongeveer 11.000 gebeurtenissen overbleven. De Reasenberg-methode was veel conservatiever en verwijderde slechts ongeveer 32 procent van de gebeurtenissen, waardoor er bijna 27.000 behouden bleven. Dit verschil in hoeveel gebeurtenissen werden behouden, bood de perfecte setting om te testen of de manier waarop we de data schoonmaken het verhaal verandert dat de data vertelt.

Toen de onderzoeker de maandelijkse aantallen van deze resterende aardbevingen analyseerde, converteerde hij de ruwe aantallen naar vier eenvoudige toestanden: lage, matig lage, matig hoge en hoge activiteit. Hij keek vervolgens naar de sequentie van deze toestanden van maand tot maand om te zien of het weten van de toestand van één maand de onzekerheid over de volgende verminderde. De resultaten lieten zien dat de keuze van de reinigingsmethode de uitkomst volledig veranderde. Voor de twee methoden die de meeste gebeurtenissen verwijderden, verdween de verbinding tussen de ene maand en de volgende. De data zagen er in essentie willekeurig uit; weten dat de vorige maand rustig was, vertelde je niets over de vraag of deze maand rustig of druk zou zijn. De statistische maten bevestigden dat deze methoden bijna alle detecteerbare kortetermijnafhankelijkheid hadden weggestript, waardoor een sequentie overbleef die zich gedroeg als een muntworp.

In contrast hiermee vertelden de data die door de Reasenberg-methode waren verwerkt een ander verhaal. Omdat deze methode meer van de geclusterde gebeurtenissen behield, behield de resulterende sequentie een aanzienlijke mate van temporele organisatie. In de vroege jaren van de registratie en opnieuw in de meest recente decennia, vertoonden de data een duidelijk patroon waarbij het activiteitsniveau van de ene maand daadwerkelijk informatie bood over de volgende. De onzekerheid over de toekomst werd meetbaar verminderd wanneer het heden bekend was. Dit betekende niet dat de aardbevingen voorspelbaar waren in een deterministische zin, maar het betekende wel dat de "ruis" van de clusters niet volledig was verwijderd, waardoor er een structuur achterbleef die de andere twee methoden succesvol hadden uitgewist.

De studie brak de vijftigjarige tijdlijn verder op in drie afzonderlijke perioden om te zien of deze patronen standhielden in de loop van de tijd. De twee agressieve methoden vertoonden consequent geen significante verbinding tussen de maanden, ongeacht het tijdperk. De Reaselenberg-methode vertoonde echter sterke, statistisch significante links in de eerste en de laatste perioden, terwijl de middelste periode meer willekeurig leek. Dit suggereert dat de schijnbare voorspelbaarheid van seismische activiteit geen vaste eigenschap van de aarde zelf is, maar een kenmerk dat sterk afhangt van hoe de data wordt voorbereid. De onderzoeker vond dat de meer conservatieve aanpak een "geheugen" van eerdere activiteit achterliet, terwijl de meer agressieve benaderingen dat geheugen schoonveegden.

Uiteindelijk demonstreert het artikel dat het antwoord op de vraag hoeveel temporele informatie aardbeving-declustering verwijdert, volledig afhangt van het instrument dat wordt gebruikt voor de verwijdering. Er is geen enkele, objectieve waarheid over de resterende orde in de data; er is alleen de orde die overleeft door de specifieke regels van het gekozen algoritme. De bevindingen suggereren dat als wetenschappers methoden gebruiken die clusters agressief wegstrippen, zij een wereld van onafhankelijke, onvoorspelbare gebeurtenissen zullen zien. Als zij methoden gebruiken die milder zijn, zullen zij een wereld zien met voortdurende patronen en kortetermijnafhankelijkheden. Dit betekent niet dat de ene methode juist en de andere fout is, maar het betekent wel dat elke conclusie over de voorspelbaarheid van aardbevingen begrepen moet worden in de context van het datacleaning-proces dat het heeft voortgebracht. De studie dient als een herinnering dat de manier waarop we onze waarnemingen organiseren, de patronen die we in de natuurlijke wereld zien fundamenteel kan veranderen.