Kan AI nauwkeurig aardbevingen 72 uur van tevoren voorspellen op basis van seismische en atmosferische gegevens ?

Kunnen ontwikkelingen in kunstmatige intelligentie, getraind op seismische en atmosferische data, aardbevingen tot drie dagen van tevoren betrouwbaar voorspellen? De inzet is enorm—tijdige waarschuwingen zouden de rampenbestrijding wereldwijd kunnen transformeren. Maar wat zegt de wetenschap eigenlijk over deze mogelijkheid?

Background

Aardbevingsvoorspelling blijft een van de meest uitdagende problemen in de aardwetenschappen. Traditionele methoden vertrouwen op statistische analyse van historische seismische activiteit, geodetische metingen van korstvervorming en voorlopersignalen zoals voorbevingen, maar geen van deze methoden heeft consistent betrouwbare kortetermijnvoorspellingen (bijv. dagen tot weken) opgeleverd voor grote gebeurtenissen (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

De afgelopen jaren zijn er machine learning (ML)-benaderingen onderzocht om subtiele, niet-lineaire patronen in seismische data te detecteren die mogelijk voorafgaan aan aardbevingen. Onderzoeken hebben gebruikgemaakt van grootschalige datasets van dichte seismische netwerken om diepe neurale netwerken te trainen die anomalieën kunnen identificeren in golfvormkenmerken, zoals temporele clustering, spectrale inhoud of veranderingen in de b-waarde (DeVries et al., 2018; Mignan et al., 2021). Sommige modellen rapporteren verbeterde prestaties bij het voorspellen van naschoksequenties of het detecteren van vroege waarschuwingssignalen op regionale schaal (bijv. Perol et al., 2018; Zhang et al., 2021). De fysieke interpreteerbaarheid van deze anomalieën blijft echter omstreden, en rigoureuze, prospectieve validaties over diverse tektonische omgevingen zijn beperkt (van der Elst et al., 2021).

Het opnemen van atmosferische data—zoals ionosferische verstoringen (bijv. anomalieën in totale elektronengehalte), radonemissies of thermische infraroodanomalieën—is voorgesteld als potentiële voorlopersignalen, gebaseerd op anekdotische waarnemingen en casestudies (bijv. Pulinets & Ouzounov, 2011). Satellietgebaseerd monitoren (bijv. GOES, Swarm) heeft een bredere ruimtelijke dekking van dergelijke signalen mogelijk gemaakt, en sommige ML-modellen hebben geprobeerd seismische en atmosferische inputs te combineren om de voorspellende vaardigheid te verbeteren (bijv. Akhoondzadeh & Di Mauro, 2022). Toch blijven de mechanismen die atmosferische veranderingen koppelen aan tektonische spanning speculatief, en robuust bewijs voor causale paden ontbreekt (Thomas et al., 2017; Dautermann et al., 2007).

Ondanks anekdotische rapporten en geïsoleerde casusanalyses blijft de bredere geofysische gemeenschap van mening dat er geen gevalideerde methode bestaat om de tijd, locatie en magnitude van aardbevingen met voldoende nauwkeurigheid te voorspellen om publieke waarschuwingen te rechtvaardigen (bijv. Nature-editorial, 2018). De USGS stelt expliciet dat betrouwbare kortetermijnvoorspelling momenteel niet haalbaar is met de huidige kennis en technologie (USGS, 2023). Hoewel AI de detectie van subtiele patronen kan verbeteren, blijft er scepsis bestaan over de vraag of deze echte voorlopers vertegenwoordigen of spurious correlaties (bijv. Mignan, 2016). De uitdaging ligt dus in het onderscheiden van signaal en ruis—en ervoor zorgen dat een vermeend voorspellend signaal prospectief kan worden gevalideerd onder blinde omstandigheden over meerdere seismische regimes.

---

Kortetermijnvoorspelling van aardbevingen—gedefinieerd als het voorspellen van een specifieke gebeurtenis uren tot dagen van tevoren—blijft een van de meest uitdagende doelen in de seismologie. Sinds de jaren 1970 hebben onderzoekers verbanden onderzocht tussen geofysische en atmosferische signalen (bijv. elektromagnetische anomalieën, radonemissies of ionosferische verstoringen) en naderende bevingen, maar grootschalige, prospectief gevalideerde datasets die de volledige 72-uurshorizon bestrijken, zijn schaars. Statistische studies die vaardigheid op deze tijdschaal claimen, overleven vaak geen rigoureuze, out-of-sample-testing of zijn niet gerepliceerd over meerdere tektonische omgevingen. Deep-learningmodellen die continue seismische en meteorologische datastromen verwerken, hebben belofte getoond op retrospectieve datasets—soms rapporteren ze schijnbare verbeteringen in kortetermijnvoorspellingsmetrieken—maar deze vorderingen hebben zich nog niet vertaald naar operationele systemen die worden onderschreven door grote geologische onderzoeken. Het ontbreken van een algemeen aanvaard fysiek mechanisme dat atmosferische signalen koppelt aan het ontstaan van breuken blijft de ontwikkeling van betrouwbare, generaliseerbare voorspellers op de driedaagse horizon beperken.

— Verrijkt 15 mei 2026