Kann KI Erdbeben 72 Stunden im Voraus aus seismischen und atmosphärischen Daten genau vorhersagen ?

Könnten Fortschritte in der künstlichen Intelligenz, die mit seismischen und atmosphärischen Daten trainiert wird, Erdbeben bis zu drei Tage im Voraus zuverlässig vorhersagen? Die Einsätze sind enorm – rechtzeitige Warnungen könnten die weltweite Katastrophenvorsorge grundlegend verändern. Doch was sagt die Wissenschaft eigentlich über diese Möglichkeit?

Background

Erdbebenvorhersage bleibt eines der anspruchsvollsten Probleme in den Geowissenschaften. Traditionelle Methoden stützen sich auf statistische Analysen historischer Seismizität, geodätische Messungen der Krustendeformation und Vorläufersignale wie Vorbeben, doch keine dieser Methoden hat bisher zuverlässige Kurzfristprognosen (z. B. Tage bis Wochen) vor größeren Ereignissen konsistent liefern können (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

In den letzten Jahren wurden maschinelle Lernverfahren (ML) eingesetzt, um subtile, nichtlineare Muster in seismischen Daten zu erkennen, die möglicherweise Erdbeben vorausgehen. Studien nutzten großangelegte Datensätze dichter seismischer Netzwerke, um tiefe neuronale Netze zu trainieren, die Anomalien in Wellenformmerkmalen wie zeitlicher Häufung, Spektralinhalt oder Änderungen des b-Werts identifizieren können (DeVries et al., 2018; Mignan et al., 2021). Einige Modelle berichten von verbesserten Leistungen bei der Vorhersage von Nachbebenfolgen oder der Erkennung von Frühwarnsignalen auf regionaler Ebene (z. B. Perol et al., 2018; Zhang et al., 2021). Die physikalische Interpretierbarkeit dieser Anomalien bleibt jedoch umstritten, und prospektive Validierungen über verschiedene tektonische Settings hinweg sind begrenzt (van der Elst et al., 2021).

Die Einbindung atmosphärischer Daten – wie ionosphärische Störungen (z. B. Anomalien des Gesamtelektroneninhalts), Radonemissionen oder thermische Infrarot-Anomalien – wurde als potenzieller Vorläuferindikator vorgeschlagen, basierend auf anekdotischen Beobachtungen und Fallstudien (z. B. Pulinets & Ouzounov, 2011). Satellitenbasierte Überwachung (z. B. GOES, Swarm) hat eine breitere räumliche Erfassung solcher Signale ermöglicht, und einige ML-Modelle haben versucht, seismische und atmosphärische Eingaben zu kombinieren, um die Vorhersagefähigkeit zu verbessern (z. B. Akhoondzadeh & Di Mauro, 2022). Dennoch bleiben die Mechanismen, die atmosphärische Veränderungen mit tektonischer Spannung verknüpfen, spekulativ, und robuste Belege für kausale Zusammenhänge fehlen (Thomas et al., 2017; Dautermann et al., 2007).

Trotz anekdotischer Berichte und isolierter Fallanalysen betont die geophysikalische Gemeinschaft, dass keine validierte Methode existiert, um Zeitpunkt, Ort und Stärke von Erdbeben mit ausreichender Genauigkeit vorherzusagen, um öffentliche Warnungen zu rechtfertigen (z. B. Nature Editorial, 2018). Die USGS erklärt ausdrücklich, dass eine zuverlässige Kurzfristvorhersage mit dem aktuellen Wissensstand und der verfügbaren Technologie nicht möglich ist (USGS, 2023). Obwohl KI die Erkennung subtiler Muster verbessern könnte, bleibt Skepsis bestehen, ob es sich dabei um echte Vorläufer oder zufällige Korrelationen handelt (z. B. Mignan, 2016). Die Herausforderung liegt daher darin, Signal von Rauschen zu unterscheiden – und sicherzustellen, dass jedes mutmaßliche Vorhersagesignal prospektiv unter Blindbedingungen über mehrere seismische Regime hinweg validiert werden kann.

---

Kurzfristige Erdbebenvorhersage – definiert als Vorhersage eines bestimmten Ereignisses Stunden bis Tage im Voraus – bleibt eines der anspruchsvollsten Ziele der Seismologie. Seit den 1970er Jahren haben Forscher Zusammenhänge zwischen geophysikalischen und atmosphärischen Signalen (z. B. elektromagnetische Anomalien, Radonemissionen oder ionosphärische Störungen) und bevorstehenden Beben untersucht, doch großangelegte, prospektiv validierte Datensätze, die den gesamten 72-Stunden-Zeitraum abdecken, sind selten. Statistische Studien, die eine Vorhersagefähigkeit in diesem Zeithorizont behaupten, überstehen oft keine rigorosen, unabhängigen Tests oder wurden nicht in verschiedenen tektonischen Settings repliziert. Deep-Learning-Modelle, die kontinuierliche seismische und meteorologische Datenströme verarbeiten, haben in retrospektiven Datensätzen vielversprechende Ergebnisse gezeigt – manchmal berichten sie von scheinbaren Verbesserungen bei Kurzfrist-Vorhersagemetriken –, doch diese Fortschritte haben sich noch nicht in operationelle Systeme übersetzt, die von großen geologischen Diensten anerkannt werden. Das Fehlen eines allgemein akzeptierten physikalischen Mechanismus, der atmosphärische Signale mit der Rissbildung verknüpft, begrenzt weiterhin die Entwicklung zuverlässiger, generalisierbarer Vorhersagemethoden im Dreitageshorizont.

— Aktualisiert am 15. Mai 2026