Att kamma igenom historiska seismiska data, forskare som använder en maskininlärningsmodell har grävt fram distinkta statistiska egenskaper som markerar det formativa stadiet av långsamt glidande brott i jordskorpan månader innan skakningar eller GPS-data upptäckte en glidning i de tektoniska plattorna. Med tanke på likheten mellan långsamma händelser och klassiska jordbävningar, dessa distinkta signaturer kan också hjälpa geofysiker att förstå tidpunkten för de förödande snabbare skalven.

"Maskininlärningsmodellen fann att, nära slutet av den långsamma glidcykeln, en ögonblicksbild av data är präglad med grundläggande information om det kommande felet i systemet, sa Claudia Hulbert, en beräkningsgeofysiker vid ENS och Los Alamos National Laboratory och huvudförfattare till studien, publiceras idag i Naturkommunikation . "Våra resultat tyder på att bristning med långsam glidning mycket väl kan vara förutsägbar, och eftersom händelser med långsam glidning har mycket gemensamt med jordbävningar, Händelser med långsam glidning kan ge ett enklare sätt att studera den grundläggande fysiken för jordbrott."

Slow-slip händelser är jordbävningar som sakta rasslar marken i dagar, månader, eller till och med år, utstrålar inte seismiska vågor med stor amplitud, och går ofta obemärkt förbi för den genomsnittlige personen. De klassiska skalven som de flesta känner till bryter marken på några minuter. I ett visst område händer de också mer sällan, gör de större skalven svårare att studera med de datahungriga maskininlärningsteknikerna.

Teamet tittade på kontinuerliga seismiska vågor som täcker perioden 2009 till 2018 från Pacific Northwest Seismic Network, som spårar jordrörelser i Cascadia-regionen. I denna subduktionszon, under en långsam glidning, den nordamerikanska plattan slingrar sig sydväst över Juan de Fuca-plattan ungefär var 14:e månad. Datauppsättningen lämpade sig väl för den övervakade maskininlärningsmetod som utvecklats i laboratoriejordbävningsexperiment av Los Alamos-teamets medarbetare och användes för denna studie.

Teamet beräknade ett antal statistiska funktioner kopplade till signalenergi i signaler med låg amplitud, frekvensband som deras tidigare arbete identifierat som de mest informativa om det geologiska systemets beteende. Den viktigaste egenskapen för att förutsäga långsam glidning i Cascadia-data är seismisk kraft, som motsvarar seismisk energi, i synnerhet frekvensband associerade med långsamma glidhändelser. Enligt tidningen, långsam glidning börjar ofta med en exponentiell acceleration på felet, en kraft så liten att den undviker detektering av seismiska sensorer.

"För de flesta evenemang, vi kan se signaturerna för förestående bristning från veckor till månader före bristningen, ", sa Hulbert. "De är tillräckligt lika från en händelsecykel till nästa så att en modell tränad på tidigare data kan känna igen signaturerna i data från flera år senare. Men det är fortfarande en öppen fråga om detta håller under långa tidsperioder."

Forskargruppens hypotes om signalen som indikerar bildandet av en slow-slip-händelse stämmer överens med annat nyligen utfört arbete av Los Alamos och andra som upptäcker små amplituder i Kalifornien. Detta arbete visade att förskott kan observeras i genomsnitt två veckor före de flesta jordbävningar med magnitud över 4.

Hulbert och hennes medarbetares övervakade maskininlärningsalgoritmer tränar på de seismiska egenskaperna som beräknats från den första hälften av de seismiska data och försöker hitta den bästa modellen som kartlägger dessa funktioner till den tid som återstår innan nästa långsam glidning. Sedan tillämpar de det på den andra halvan av data, som den inte har sett.

Algoritmerna är transparenta, vilket innebär att teamet kan se vilka funktioner maskininlärningen använder för att förutsäga när felet skulle glida. Det gör det också möjligt för forskarna att jämföra dessa egenskaper med de som var viktigast i laboratorieexperiment för att uppskatta feltider. Dessa algoritmer kan undersökas för att identifiera vilka statistiska egenskaper hos data som är viktiga i modellförutsägelserna, och varför.

"Genom att identifiera de viktiga statistiska egenskaperna, vi kan jämföra resultaten med de från laboratorieexperiment, som ger oss ett fönster in i den underliggande fysiken, ", sa Hulbert. "Med tanke på likheterna mellan de statistiska egenskaperna i data från Cascadia och från laboratorieexperiment, det verkar finnas gemensamma drag över friktionsfysiken som ligger till grund för långsam glidbrott och kärnbildning. Samma orsaker kan skala från det lilla laboratoriesystemet till den stora omfattningen av Cascadia-subduktionszonen."

Los Alamos seismologiteam, ledd av Paul Johnson, har publicerat flera artiklar under de senaste åren banbrytande användningen av maskininlärning för att packa upp fysiken bakom jordbävningar i laboratorieexperiment och seismisk data från verkliga världen.