德国亥姆霍兹地质科学研究中心Karimpouli博士与Martínez-Garzón教授领衔团队，在《自然·通讯》发表最新研究，提出一种基于无监督机器学习的震前活动识别新方法。该算法摒弃传统预设条件，将孤立地震重构为时空与力学耦合的“地震家族”，通过聚类密度、时空局域化及应力释放等特征，自动划分断层应力演化阶段。研究将该模型回溯应用于2023年土耳其卡赫拉曼马拉什、2014年智利伊基克及2009年意大利拉奎拉等强震序列，均成功在破裂前数周至数月捕捉到向临界失稳态转变的显著模式。反之，在2024年日本能登及2016年意大利阿马特里切地震中，模型未提取到明确前兆。研究团队强调，并非所有大地震均具备可探测的孕育信号，此差异凸显了复杂构造环境的不可预测性。尽管该技术无法实现确定性地震预测，但通过实时动态校准区域活动基线，可有效预警断层行为的异常偏离，为业务化临震研判与监测网络升级提供了新型数据驱动方案。