Nach einem Erdbeben treffen zuerst die sich schneller ausbreitenden P-Wellen ein, gefolgt von den zerstörerischeren S-Wellen und Oberflächenwellen. Erdbebenfrühwarnsysteme nutzen diesen Zeitunterschied, um Warnungen auszugeben, bevor die starken Erschütterungen eintreffen. Obwohl das Warnfenster typischerweise nur wenige bis einige zehn Sekunden beträgt, reicht es aus, um die Evakuierung der Bevölkerung zu unterstützen, die Geschwindigkeit des Schienenverkehrs zu reduzieren und wichtige Einrichtungen abzuschalten. Dadurch ist es ein wichtiges Mittel zur Minderung von Erdbebenschäden.

Aktuelle Systeme, wie beispielsweise das US-amerikanische ShakeAlert, basieren primär auf dedizierten seismischen Stationen, um seismische Signale zu erfassen und Epizentrum und Magnitude zu bestimmen. Obwohl diese Methode in dicht vernetzten terrestrischen seismischen Messnetzen relativ ausgereift ist, stößt sie in küstennahen Gebieten mit hohem Risiko, wie der Cascadia-Subduktionszone, an erhebliche Grenzen. Die hohen Kosten für Bau und Wartung von Meeresbodenstationen sowie Schwierigkeiten bei der Echtzeitkommunikation haben in einigen Küstenregionen zu einem lang anhaltenden Mangel an effektiver Überwachung geführt. Diese Beobachtungslücken verkürzen nicht nur die Vorwarnzeiten in Küstenregionen, sondern können aufgrund ungenauer Epizentrumsbestimmungen auch die Magnitudenbestimmung beeinträchtigen.

Die verteilte akustische Sensorik (DAS) bietet neue Möglichkeiten, diese Lücke zu schließen. DAS kann vorhandene optische Kommunikationskabel nutzen, um gewöhnliche Glasfasern in ein kontinuierlich verteiltes Dehnungsmessfeld umzuwandeln und so seismische Wellenbeobachtungen mit hoher Dichte zu erhalten.Allerdings werden optische Kabel meist linear verlegt, was nur begrenzte Azimutinformationen liefert und es schwierig macht, das Epizentrum stabil zu lokalisieren; gleichzeitig zeichnet DAS Dehnung oder Dehnungsrate auf, was sich von der Geschwindigkeit, Beschleunigung und Verschiebung unterscheidet, die von herkömmlichen Seismographen aufgezeichnet werden.

Um diese Probleme anzugehen, umging ein Forschungsteam des U.S. Geological Survey den traditionellen Ansatz, „zuerst das Erdbeben zu lokalisieren und dann seine Stärke zu schätzen“, und schlug stattdessen eine binäre Stärkeklassifizierungsmethode auf Basis von maschinellem Lernen vor.Bei dieser Methode wird ausschließlich die Dehnungswellenform innerhalb von 4 Sekunden nach dem ersten Eintreffen der P-Welle verwendet, um anhand der Amplitude und der Multi-Band-Wavelet-Charakteristika schnell festzustellen, ob ein Erdbeben die Warnschwelle von M5,4 erreicht hat.Das Modell wurde anhand historischer Bohrloch-Dehnungsmessdaten trainiert und anhand unabhängiger DAS-Daten validiert, darunter das Erdbeben der Stärke 7,0 vor der Küste von Cape Mendocino im Jahr 2024. Dies eröffnet einen neuen praktikablen Weg für DAS, sich an der Frühwarnung vor küstennahen Erdbeben zu beteiligen.

Die entsprechenden Forschungsergebnisse mit dem Titel „Rapid earthquake magnitude classification via P-wave strains from borehole strainmeters and Distributed Acoustic Sensing“ wurden in Nature Communications veröffentlicht.

Lesen Sie das Dokument:
https://www.nature.com/articles/s41467-026-72223-z

Datensatz: Seismische Wellenformaufzeichnungen, die Bohrlochdehnung und verteilte akustische Messungen fusionieren

Diese Studie verwendet zwei Arten von Dehnungsdaten. Darunter:Bohrloch-Dehnungsmessdaten werden für das Modelltraining und interne Tests verwendet, während verteilte akustische Sensordaten (DAS) verwendet werden, um die Anwendbarkeit des Modells in Kommunikations-Glasfaserkabelszenarien zu überprüfen.

Die Bohrlochdehnungsmessdaten stammen aus dem Open-Source-Beobachtungsnetzwerk EarthScope und decken drei seismisch aktive Gebiete in Kalifornien ab: Mendocino Triad Point, Napa Valley und Ridgecrest. Die Daten umfassen Aufzeichnungen von sieben Stationen aus den Jahren 2008 bis 2022. Jede Station hatte eine Abtastrate von 20 Hz und vier horizontale Dehnungsmesskanäle. Nach Filterung, manueller P-Wellen-Auswahl und Qualitätsprüfung wurden schließlich 1949 gültige Wellenformen von 453 Erdbeben mit Magnituden zwischen M3,5 und M7,1 ermittelt. Wellenformen mit einer Magnitude von M5,4 und höher machten nur etwa 51 TP3T aus, was auf eine deutlich ungleichmäßige Verteilung der Messwerte hindeutet.

Das für die Modellierung verwendete Wellenformfenster erstreckte sich von 10 Sekunden vor dem Eintreffen der P-Welle bis 4 Sekunden nach deren Eintreffen. Daten des Erdbebens der Stärke 7,0 vor Cape Mendocino am 5. Dezember 2024 wurden nicht für das Training verwendet, sondern als unabhängige Teststichprobe aufbewahrt.
Die DAS-Daten wurden vom Glasfaserkabel-Array Arcata-Eureka im Humboldt County, Kalifornien, gewonnen. Das Kabel ist etwa 15 Kilometer lang und verläuft nahe dem südlichen Abschnitt der Cascadia-Subduktionszone. Nach Standardisierung der Erfassungsparameter in verschiedenen Phasen wurden 25 Erdbeben mit einer Magnitude von 3,5 und höher innerhalb eines Radius von 100 Kilometern um das Kabel registriert. Die P-Wellen wurden automatisch vom PhaseNet-DAS-Modell erfasst und anschließend manuell korrigiert.

Nach Abschluss der VorverarbeitungDie Studie extrahierte 127 Merkmale aus jeder Wellenform.Neben Zeitbereichsindizes wie maximaler Dehnung und Amplitudenbereich wird die kontinuierliche Wavelet-Transformation zur Extraktion von Zeit-Frequenz-Informationen eingesetzt. Die Studie konzentriert sich auf die Analyse von drei Frequenzbändern: 0,2–0,5 Hz, 0,5–2,0 Hz und 2,0–5,0 Hz. Nach der Korrelationsprüfung wurden 56 Merkmale für die erste Trainingsrunde des Modells beibehalten.

Der binäre XGBoost-Klassifikator identifiziert moderate bis starke Erdbeben anhand früher P-Wellen.

In dieser Studie werden XGBoost Gradient Boosting Trees verwendet, um ein binäres Klassifikationsmodell zu erstellen.Das Modell ermittelt, ob die Dehnungswellenform von einem Erdbeben der Stärke 5,4 oder höher stammt. Anstatt die genaue Magnitude direkt zu schätzen, konzentriert es sich auf den entscheidenden Faktor für Frühwarnsysteme: ob das Erdbeben eine Stärke erreicht hat, die eine Warnung erfordert. XGBoost korrigiert Vorhersagefehler schrittweise mithilfe mehrerer Entscheidungsbäume und berücksichtigt dabei gleichzeitig Merkmale wie Amplitude, Frequenz und Zeit-Frequenz-Variationen sowie deren nichtlineare Zusammenhänge mit der Erdbebenstärke. Der Regularisierungsmechanismus trägt außerdem dazu bei, das Risiko von Überanpassung bei kleinen Stichproben zu reduzieren.

Da Wellenformen der Klasse M5.4 und höher nur 51 TP3T aller Samples ausmachen, besteht beim Modelltraining ein erhebliches Klassenungleichgewicht. Um zu vermeiden, dass das Modell kleine Tremorarten übermäßig bevorzugt,Die Studie erhöhte die Trainingsgewichte für Stichproben von mittelstarken bis starken Erdbeben und optimierte sie mithilfe einer bivariaten logarithmischen Verlustfunktion.Der Schwerpunkt sollte darauf liegen, die Zahl der kleineren Erdbeben zu verringern, die fälschlicherweise für gefährliche große Erdbeben gehalten werden.

Die Daten sind in einen 70%-Trainingsdatensatz und einen 30%-Testdatensatz unterteilt, werden aber in Einheiten vollständiger Erdbebenereignisse dargestellt. Alle Wellenformen, die von demselben Erdbeben erzeugt wurden, werden nur in einem Datensatz berücksichtigt, um zu vermeiden, dass ähnliche Daten sowohl in der Trainings- als auch in der Testphase auftreten.Die Studie beschränkte außerdem die Anzahl der großen Erdbebenbeispiele im Trainingsdatensatz und wählte aus etwa 2.000 zufälligen Partitionen 50 unabhängige Modelle aus, die die Kriterien erfüllten.Dies dient dazu, die durch eine einzelne Partitionierung verursachte Zufälligkeit zu reduzieren.

Das anfängliche Training umfasste 56 Merkmale, und die Modellparameter wurden mittels K-facher Kreuzvalidierung und Gittersuche bestimmt. Anschließend wurde die Shapley-Additiv-Interpretationsmethode (SHAP) eingesetzt, um den Beitrag jedes Merkmals zu den Vorhersageergebnissen zu bewerten. Die Ergebnisse zeigten, dass die wichtigsten diskriminierenden Informationen des Modells in den sechs wichtigsten Merkmalen konzentriert waren.

Aufgrund der hohen Korrelation einiger Merkmale wurden redundante Informationen eliminiert, sodass letztendlich drei Kernmerkmale verblieben: der Maximalwert der Gaußschen Wavelet-Koeffizienten dritter Ordnung im Frequenzband von 0,2–0,5 Hz, der Bereich der Gaußschen Wavelet-Koeffizienten erster Ordnung im Frequenzband von 0,5–2,0 Hz und die maximale Dehnungsamplitude innerhalb von vier Sekunden nach Eintreffen der P-Welle. Diese drei Merkmale repräsentieren die niederfrequente Energie, die Variationsamplitude im mittleren bis niedrigen Frequenzbereich bzw. die Dehnungsintensität. Ihre geringe Korrelation erhält die wesentlichen Unterscheidungsmerkmale und verbessert die Vorhersagegrundlage des Modells.

Nach der Identifizierung der Kernmerkmale untersuchten wir das erneute Training des Modells und verglichen den Recall, die Präzision und den F1-Score unter verschiedenen Trainingsepochen.Die Ergebnisse zeigten, dass nach 500 Trainingsrunden alle Indikatoren im Wesentlichen stabil waren.Um die durch Datenpartitionierung und zufälliges Training verursachten Schwankungen zu reduzieren, wird die endgültige Leistung als Durchschnittsergebnis von 500 Modellen ermittelt.

Das Modell erreichte einen Recall von 81% und eine Präzision von 79% bei Bohrlochdehnungsmessdaten.

Anschließend führten die Forscher Experimente in vier Bereichen durch: Klassifizierungsfähigkeit des Modells, Referenzvergleich mit ShakeAlert, geräteübergreifende Validierung des DAS und statische Dehnungsanalyse.

Erste,Auf Basis der Bohrlochdehnungsmessdaten wurde eine Gesamtgenauigkeit des Modells von 96% erreicht.Da jedoch 951 der TP3T-Ereignisse der Stichprobe auf kleinere Erdbeben zurückzuführen sind, ist dieser Indikator möglicherweise überbewertet. Recall, Präzision und F1-Score sind aussagekräftiger. Der durchschnittliche Recall der 500 Modelle lag bei 811 TP3T, die durchschnittliche Präzision bei 791 TP3T und der F1-Score bei 781 TP3T. Dies deutet darauf hin, dass das Modell mehr als 80 % der mittleren bis starken Erdbeben identifizieren kann und eine relativ ausgewogene Verteilung zwischen nicht erkannten und falsch erkannten Erdbeben aufweist.

Zweitens verglich die Studie das Modell retrospektiv mit historischen Ergebnissen von ShakeAlert. Die beiden Modelle arbeiten unter unterschiedlichen Bedingungen: Das hier vorgestellte Modell verwendet Daten eines einzelnen Dehnungsmessstreifens und benötigt keine Epizentrumsbestimmung; ShakeAlert hingegen basiert auf Daten von mindestens vier seismischen Stationen und erfordert Echtzeit-Erkennung, -Lokalisierung und -Magnitudenbestimmung. Daher können die Vergleichsergebnisse nur als Referenz dienen.

Von den 55 Erdbeben mit einer Magnitude von M4,5 oder höher, die zwischen 2021 und 2024 in der Warnzone Kaliforniens registriert wurden, identifizierte ShakeAlert alle drei als M5,4 oder höher, mit einem Recall von 1001 TP3T, aber einer Präzision von nur 301 TP3T.Das Modell erreichte einen Recall von 81% und eine Präzision von 79%.Dies deutet darauf hin, dass ShakeAlert einen größeren Schwerpunkt auf die Vermeidung von falsch negativen Ergebnissen legt, während das in diesem Artikel vorgestellte Modell besser darin ist, falsch positive Ergebnisse zu reduzieren.

In einer dritten Versuchsreihe wurde geprüft, ob sich das Modell auf DAS-Daten übertragen lässt. Dazu wurde das 15 Kilometer lange Glasfaserkabel in drei Abschnitte unterteilt und der charakteristische Mittelwert sowie die Standardabweichung der effektiven Kanäle in jedem Abschnitt ermittelt. Die Ergebnisse zeigten, dass sich DAS- und Bohrlochdehnungsmessstreifen zwar hinsichtlich Installationsbedingungen, Standortbedingungen und Frequenzgang unterschieden, die Kerncharakteristika jedoch einen im Wesentlichen übereinstimmenden Trend in Bezug auf die Amplitude aufwiesen und keine signifikante regionale Abhängigkeit zeigten.

Das Erdbeben der Stärke 7,0 vor Cape Mendocino im Jahr 2024 wurde nicht für das Modelltraining verwendet. Die Wellenform der Bohrlochdehnungsmessstreifen wurde von allen 500 Modellen korrekt als mindestens Stärke 5,4 identifiziert. Nach Eingabe der Merkmale von drei DAS-Glasfaserkabeln in das Modell erreichte die durchschnittliche Trefferquote 961 TP3T. Die Ergebnisse deuten darauf hin, dass das auf Bohrlochdehnungsmessstreifen basierende Modell eine gewisse Geräteübertragbarkeit aufweist.

Ein weiterer Vergleich zwischen einem Erdbeben der Stärke 7,0 und einem der Stärke 4,8 zeigte, dass beide ähnliche Dehnungsamplituden in der initialen P-Wellenphase aufwiesen. Das Erdbeben der Stärke 7,0 zeigte jedoch eine deutlich höhere Energie und eine längere Dauer im Frequenzband von 0,2–0,5 Hz. Dies deutet darauf hin, dass niederfrequente Merkmale den langwierigen Bruchprozess großer Erdbeben besser widerspiegeln und eine wichtige Grundlage für Modelle zur Magnitudenklassifizierung bilden.

Auch,Die Studie identifizierte außerdem 14 seismische Nahfeldwellenformen mit statischen Dehnungsverschiebungen.Die in diesen Proben innerhalb von 4 Sekunden nach Eintreffen der P-Welle beobachtete maximale Dehnung war im Allgemeinen geringer als die anhand herkömmlicher Magnitude-Amplitude-Beziehungen vorhergesagten Werte. Dies deutet darauf hin, dass die alleinige Berücksichtigung der kurzfristigen dynamischen Amplitude einige große Nahfeldbeben unterschätzen kann. Die Kombination dynamischer P-Wellen-Charakteristika mit statischer Deformation in zukünftigen Modellen könnte deren Identifizierungsfähigkeit potenziell weiter verbessern.

Letzte Worte

Insgesamt wurde in dieser Studie nicht versucht, den traditionellen Frühwarnprozess für Erdbeben mithilfe von DAS vollständig nachzubilden, sondern die Verwendung von DAS wurde neu konzipiert: Der Schritt der Epizentrumsbestimmung, der leicht durch die Form des Glasfaserkabels beeinflusst werden kann, wurde übersprungen, und stattdessen wurden die Dehnungseigenschaften innerhalb von 4 Sekunden nach Eintreffen der P-Welle direkt verwendet, um festzustellen, ob das Erdbeben die Warnschwelle erreicht hat.

Dieses Verfahren reduziert die Abhängigkeit von der Anzahl der Stationen, der Ausrichtung der Glasfaserkabel und der genauen Herdlokalisierung und umgeht zudem teilweise die Herausforderungen bei der Magnitudenbestimmung, die sich aus den Unterschieden in den von DAS und herkömmlichen Seismographen erfassten physikalischen Größen ergeben. Obwohl die Treffsicherheit des Modells noch verbessert werden kann und die Validierung bisher hauptsächlich anhand von Onshore-DAS-Daten durchgeführt wurde, hat die Studie gezeigt, dass Niederfrequenz- und Amplitudeninformationen in Dehnungswellenformen genutzt werden können, um moderate bis starke Erdbeben schnell zu identifizieren.

Mit dem weiteren Ausbau des Netzes von Unterwasser-Kommunikationskabeln, sinkenden Kosten für DAS-Ausrüstung und der zunehmenden Menge an Meeresbeobachtungsdaten wird DAS voraussichtlich eine wichtige Ergänzung zu traditionellen seismischen Netzwerken darstellen. In Risikogebieten wie der Cascadia-Subduktionszone, wo küstennahe Stationen nur spärlich vorhanden und die Küstenbevölkerung dicht ist, kann es als vorderstes Überwachungsnetzwerk dienen, das potenzielle schwere Erdbeben frühzeitig erkennt und Küstenregionen zusätzliche Vorwarnzeit verschafft.