Kan AI exakt förutsäga jordbävningar 72 timmar i förväg från seismiska och atmosfäriska data ?

Kan framsteg inom artificiell intelligens, tränad på seismisk och atmosfärisk data, på ett tillförlitligt sätt förutsäga jordbävningar upp till tre dagar innan de inträffar? Insatserna är enorma – snabba varningar skulle kunna förändra beredskapen inför naturkatastrofer världen över. Men vad säger egentligen vetenskapen om denna möjlighet?

Background

Jordbävningsprognoser förblir ett av de mest utmanande problemen inom geovetenskapen. Traditionella metoder bygger på statistisk analys av historisk seismisk aktivitet, geodetiska mätningar av jordskorpans deformation och förvarningssignaler såsom förskalv, men ingen har konsekvent kunnat tillhandahålla tillförlitliga kortsiktiga prognoser (dagar till veckor) inför större händelser (Jordan et al., 2011; Geller et al., 1997; Lomnitz, 1994).

Under de senaste åren har maskininlärningsmetoder (ML) utforskats för att upptäcka subtila, icke-linjära mönster i seismiska data som kan föregå jordbävningar. Studier har använt storskaliga dataset från täta seismiska nätverk för att träna djupa neurala nätverk som kan identifiera anomalier i vågformsdetaljer, såsom tidsmässig klustring, spektralinnehåll eller förändringar i b-värde (DeVries et al., 2018; Mignan et al., 2021). Vissa modeller rapporterar förbättrad prestanda vid prognostisering av efterskalv eller detektering av tidiga varningssignaler på regional nivå (t.ex. Perol et al., 2018; Zhang et al., 2021). Dock är den fysiska tolkningsbarheten hos dessa anomalier omdebatterad, och rigorösa, prospektiva valideringar över olika tektoniska miljöer är begränsade (van der Elst et al., 2021).

Inkluderingen av atmosfärsdata—såsom jonosfäriska störningar (t.ex. anomalier i total elektronhalt), radonutsläpp eller termiska infraröda anomalier—har föreslagits som potentiella förvarningssignaler, baserat på anekdotiska observationer och fallstudier (t.ex. Pulinets & Ouzounov, 2011). Satellitbaserad övervakning (t.ex. GOES, Swarm) har möjliggjort bredare spatial täckning av sådana signaler, och vissa ML-modeller har försökt kombinera seismiska och atmosfäriska indata för att förbättra prognosförmågan (t.ex. Akhoondzadeh & Di Mauro, 2022). Ändå är mekanismerna som kopplar atmosfäriska förändringar till tektonisk stress spekulativa, och robusta bevis för kausala samband saknas (Thomas et al., 2017; Dautermann et al., 2007).

Trots anekdotiska rapporter och isolerade fallanalyser menar den bredare geofysiska forskarsamhället att ingen validerad metod existerar för att förutsäga tid, plats och magnitud för jordbävningar med tillräcklig noggrannhet för att motivera allmänna varningar (t.ex. Nature editorial, 2018). USGS anger uttryckligen att tillförlitlig kortsiktig prognos inte är genomförbar med nuvarande förståelse och teknik (USGS, 2023). Även om AI kan förbättra upptäckten av subtila mönster kvarstår skepsis kring huruvida dessa representerar sanna förvarningar eller falska korrelationer (t.ex. Mignan, 2016). Därför ligger fronten i att skilja signal från brus—och att säkerställa att eventuella påstådda prognossignaler kan valideras prospektivt under blindförhållanden över flera seismiska regimer.

Kortsiktig jordbävningsprognos—definierad som förutsägelse av en specifik händelse timmar till dagar i förväg—förblir ett av seismologins mest utmanande mål. Sedan 1970-talet har forskare undersökt samband mellan geofysiska och atmosfäriska signaler (t.ex. elektromagnetiska anomalier, radonutsläpp eller jonosfäriska störningar) och kommande skakningar, men stora, prospektivt validerade dataset som täcker hela 72-timmarshorisonten är sällsynta. Statistiska studier som hävdar förmåga på denna tidsskala överlever ofta inte rigorösa, utomprovsmässiga tester eller har inte replikerats över flera tektoniska miljöer. Djupinlärningsmodeller som bearbetar kontinuerliga seismiska och meteorologiska dataströmmar har visat lovande resultat på retrospektiva dataset—ibland rapporterande uppenbara förbättringar i kortsiktiga prognosmått—men dessa framsteg har ännu inte översatts till operativa system som godkänts av större geologiska undersökningar. Frånvaron av en allmänt accepterad fysisk mekanism som kopplar atmosfäriska signaler till brottinitiering fortsätter att begränsa utvecklingen av tillförlitliga, generaliserbara prognosmodeller vid tre-dagarshorisonten.

— Uppdaterad 15 maj 2026