Wissenschaftler des GFZ Helmholtz-Zentrum für Erdwissenschaften um Dr. Sadegh Karimpouli und Prof. Dr. Patricia Martínez-Garzón haben ein neues datengetriebenes Verfahren entwickelt, um charakteristische Vorläufersignale vor schweren Erdbeben zu identifizieren. Die Studie, veröffentlicht in Nature Communications, nutzt unüberwachtes maschinelles Lernen, um verborgene Muster in Erdbebenkatalogen aufzuspüren, ohne vordefinierte Kriterien vorauszusetzen. Im Gegensatz zu herkömmlichen Ansätzen fokussiert die Methode nicht auf einzelne Ereignisse, sondern analysiert sogenannte Seismizitätsfamilien. Dabei handelt es sich um räumlich, zeitlich und durch ihre Magnitude verbundene Erdbeben, deren kollektives Verhalten Rückschlüsse auf die Spannungsakkumulation in der Erdkruste vor einer großen Bruchereignis erlaubt. Das Team extrahierte eine Vielzahl physikalischer und statistischer Merkmale, darunter Clustering-Verhalten, räumliche Lokalisierung und spannungsbezogene Indikatoren. Das maschinelle Lernmodell gruppierte diese Familien automatisch in verschiedene Kategorien, die unterschiedliche Zustände der Spannungsentwicklung abbilden. Bei der Anwendung auf historische Beben mit bekannten Vorläufern, darunter das Erdbeben von Kahramanmaraş in der Türkei (2023), das Ereignis von Iquique in Chile (2014) und das Beben von L’Aquila in Italien (2009), identifizierte die Forschung eine klare Transition in einen kritischen Zustand. Dieser zeichnete sich durch erhöhte Interaktion, verstärkte räumlich-zeitliche Bündelung und eine beschleunigte Abgabe seismischer Energie aus. Je nach Fall traten diese Anomalien mehrere Wochen bis Monate vor dem Hauptbeben auf. Dennoch verdeutlicht die Studie eine fundamentale Einschränkung: Nicht jedes schwere Erdbeben geht mit detektierbaren seismischen Vorbereitungsprozessen einher. Bei den Beben von Amatrice (2016) und Noto (2024) ließ sich keine kritische Kategorie feststellen, obwohl teils langanhaltende Schwarmaktivitäten beobachtet wurden. Diese Variabilität spiegelt die komplexe Natur unterschiedlicher Verwerfungssysteme und tektonischer Bedingungen wider. Die Forscher betonen, dass das Verfahren keine deterministische Vorhersage ermöglicht, sondern als Frühwarnindikator dient, der Abweichungen vom bisherigen Verhaltensmuster eines Fault Systems erkennt. Für den operativen Einsatz wurde die Methode prospektiv getestet. Durch die kontinuierliche Aktualisierung der Datenbasis können neue Kategorien von Seismizität in Echtzeit erkannt werden, sobald das System in einen potenziell kritischen Zustand übergeht. Die Integration solcher Algorithmen in bestehende Monitoring-Netzwerke und die Untersuchung der Bedingungen, unter denen Vorläufersignale entstehen oder fehlen, bilden die nächste Forschungsphase. Gefördert wird diese Arbeit im Rahmen des ERC Starting Projects QUAKEHUNTER. Die Ergebnisse markieren einen signifikanten Schritt hin zu einer objektiven, datenbasierten Erdbebenvorhersage, die die Lücke zwischen reaktiver Dokumentation und proaktivem Risiko-Management schließen kann.