Kann künstliche Intelligenz helfen, große Erdbeben früher zu erkennen? Die präzise Vorhersage von Erdbeben gilt als eine Art Heiliger Gral der Seismologie, ist bis heute aber nicht möglich. Zwar gibt es immer wieder Fälle, in denen sich vor einem starken Erdbeben kleinere Beben, Erdbebenschwärme oder langsame Bewegungen im Untergrund häufen. Doch solche Vorläuferphänomene treten nicht immer auf, und selbst wenn sie auftreten, ist oft erst im Nachhinein klar, ob sie tatsächlich mit dem späteren Hauptbeben zusammenhingen.
Eine neue Studie in Nature Communications zeigt nun, wie maschinelles Lernen helfen kann, mögliche sogenannte Vorbereitungsphasen vor großen Erdbeben besser zu erkennen. Ein Forschungsteam um Sadegh Karimpouli vom Geoforschungszentrum GFZ in Potsdam hat dafür mehrere große Erdbeben untersucht und die Erdbebenkataloge der Jahre vor den Hauptbeben ausgewertet.
Die Methode sucht keine einzelnen Vorzeichen
Wichtig ist: Ziel der Studie war keine klassische Erdbebenvorhersage. Es geht also nicht darum, ein bestimmtes Erdbeben mit genauer Zeit, genauer Stärke und genauem Ort vorherzusagen.
Stattdessen sucht die Methode nach Veränderungen im Verhalten vieler kleiner Erdbeben. Dazu gehören verschiedene Eigenschaften, zum Beispiel die räumliche und zeitliche Häufung von Ereignissen, die Stärke der Wechselwirkungen zwischen einzelnen Beben oder die Frage, ob sich Erdbeben zunehmend auf bestimmte Bereiche einer Störung konzentrieren. Ereignisse mit ähnlichen Eigenschaften werden dabei zu Gruppen, sogenannten „Familien“, zusammengefasst.
Vereinfacht gesagt: Der Algorithmus schaut nicht auf ein einzelnes auffälliges Beben, sondern auf das Gesamtmuster der seismischen Aktivität einer Region.
Auffällige Muster vor drei großen Erdbeben
Getestet wurde die Methode unter anderem an drei großen Erdbeben, bei denen bereits aus früheren Studien Hinweise auf Vorbereitungsprozesse bekannt waren. Dazu zählen das schwere Kahramanmaraş-Erdbeben in der Türkei 2023, das L’Aquila-Erdbeben in Italien 2009 und das Iquique-Erdbeben in Chile 2014.
In diesen drei Fällen konnte die Methode tatsächlich auffällige Veränderungen in der Erdbebenaktivität erkennen. Vor dem Kahramanmaraş-Erdbeben zeigten sich solche Muster über mehrere Monate. Vor L’Aquila traten sie in den letzten Monaten vor dem Hauptbeben auf. Beim Iquique-Erdbeben erkannte die Methode vor allem die sehr aktive Phase in den letzten zwei Wochen vor dem Hauptbeben.
Gemeinsam war diesen Fällen, dass sich bestimmte Gruppen kleinerer Erdbeben deutlich von der vorherigen Hintergrundaktivität unterschieden. Sie waren stärker räumlich und zeitlich gebündelt und zeigten Hinweise auf eine zunehmende Wechselwirkung innerhalb der Störungszone.
Nicht jedes große Erdbeben kündigt sich an
Besonders wichtig ist aber auch die andere Seite der Studie. Die Forschenden untersuchten zusätzlich zwei Erdbeben, bei denen die Vorbereitungsphase unklarer oder komplexer war: das Amatrice-Erdbeben 2016 in Italien und das Noto-Erdbeben 2024 in Japan.
Beim Amatrice-Erdbeben fand die Methode keine eindeutige auffällige Erdbebenkategorie unmittelbar vor dem Hauptbeben. Das zeigt, dass große Erdbeben auch ohne klar erkennbare Vorbebenmuster auftreten können.
Beim Noto-Erdbeben war die Situation noch komplexer. Dort gab es über längere Zeit intensive, schwarmartig gehäufte Erdbebenaktivität, vermutlich beeinflusst durch Fluide und langsame Bewegungen im Untergrund. Die Methode konnte diese Schwarmmuster erkennen, bewertete sie aber nicht als eindeutig kritische Vorbereitungsphase direkt vor dem späteren Hauptbeben.
Das ist ein zentraler Punkt: Ungewöhnliche Häufungen von Erdbeben können wichtig sein, bedeuten aber nicht automatisch, dass ein großes Erdbeben bevorsteht.
Was bedeutet das für die Erdbebenüberwachung?
Die Studie zeigt, dass künstliche Intelligenz und maschinelles Lernen helfen können, große Erdbebenkataloge systematisch nach ungewöhnlichen Entwicklungen zu durchsuchen. Solche Verfahren könnten künftig ein zusätzlicher Baustein in der Erdbebenüberwachung werden.
Denkbar wäre zum Beispiel, dass eine aktive Störungszone automatisch darauf geprüft wird, ob sich die seismische Aktivität ungewöhnlich verändert. Eine solche Analyse wäre aber keine konkrete Warnung im Sinne von: „In wenigen Tagen kommt ein starkes Erdbeben.“ Sie könnte vielmehr zeigen, dass sich eine Region anders verhält als zuvor und deshalb genauer beobachtet werden sollte. Die KI kann dabei nicht selbst erklären, welche geologischen Prozesse für bestimmte Aktivitäten verantwortlich sind. Sie kann aber helfen, auffällige Phasen schneller zu identifizieren.
Gerade für Regionen mit wiederkehrenden Erdbebensequenzen ist das interessant. Dort treten häufig viele kleine Beben auf, ohne dass daraus ein starkes Ereignis entsteht. Besser zu verstehen, welche Schwärme eher harmlos bleiben und welche auf größere Veränderungen im Untergrund hindeuten könnten, ist eine wichtige Aufgabe der modernen Seismologie. Dazu gehört auch die Erforschung der Prozesse im Erdinneren, die Erdbebenaktivität begünstigen.
Fazit
Die neue Studie ist kein Durchbruch zur sicheren Erdbebenvorhersage. Sie zeigt aber, dass sich in manchen Fällen messbare Veränderungen in der Erdbebenaktivität vor großen Beben erkennen lassen. Maschinelles Lernen kann helfen, solche Muster in großen Katalogen sichtbar zu machen.
Die wichtigste Botschaft lautet daher: Erdbeben lassen sich weiterhin nicht zuverlässig vorhersagen. Aber wir lernen immer besser, welche Aktivitäten ungewöhnlich sind. Dieses Verständnis kann in Zukunft dazu beitragen, die Erdbebenüberwachung zu verbessern und die geologischen Prozesse in Erdbebengebieten besser zu erforschen.
Originalveröffentlichung
Karimpouli, S., Martínez-Garzón, P., Núñez-Jara, S. et al. Preparatory phase of large earthquakes illuminated by unsupervised categorization of earthquake catalog features. Nature Communications 17, 4024 (2026). https://doi.org/10.1038/s41467-026-72279-x