Wissenschaftler setzen Remote-Sensor-Array ein, um Erdbebenschwarm in Amerikanisch-Samoa zu verfolgen

Seismological Society of America, Albany, CA

Karte der Manu'a-Inseln mit Raspberry-Shake-Standorten (rote Dreiecke) und Dörfern (schwarze Quadrate), die Fühlberichte beigetragen haben. Der Schwarmursprung lokalisiert sich dort, wo sich gelbe und rote Ringe schneiden: direkt unter oder offshore entweder nördlich oder südlich von Ta'ū-Insel.

Erdbebenschwarm ohne Monitoring-Netzwerk

Ende Juli bis Oktober 2022 spürten Bewohner der Manu'a-Inseln in Amerikanisch-Samoa mehrmals täglich Erdbeben, was Befürchtungen eines bevorstehenden Vulkanausbruchs oder Tsunamis auslöste.

Ein Erdbebenkatalog für das Gebiet zeigte nichts, da den Inseln ein seismisches Monitoring-Netzwerk fehlte, das das Beben messen und Seismologen bei der Suche nach der Quelle des Erdbebenschwarms hätte helfen können.

Doch die Bewohner von Ta'ū, Ofu und Olosega brauchten Antworten. Clara Yoon vom U.S. Geological Survey und ihre Kollegen fanden einen anderen Weg, die seismischen Lücken zu füllen. Sie nutzten Machine Learning und eine Technik namens Template Matching an Erschütterungsdaten, die von einem einzigen seismischen Sensor 250 Kilometer entfernt vom amerikanisch-samoanischen Schwarm aufgezeichnet wurden.

Sie verfolgten den Schwarm mithilfe dieser Einzelsensor-Daten, kombiniert mit Erschütterungsberichten von Bewohnern, bis im August und September 2022 lokale permanente seismische Stationen in Amerikanisch-Samoa installiert wurden.

Vulkanischer, nicht-eruptiver Schwarm

Der nicht-eruptive vulkanische Erdbebenschwarm begann im Juli 2022 etwa 15 Kilometer offshore von Ta'ū-Insel. Die samoanischen Vulkaninseln entstehen, da die pazifische tektonische Platte über einen Hotspot im Südpazifik wandert.

Bewohnerberichte über häufiges Beben, das mehrmals täglich für wenige Sekunden auftrat, waren zunächst die einzige Informationsquelle über den Schwarm. „Als die Erdbeben begannen, hatte Amerikanisch-Samoa kein instrumentelles geophysikalisches Monitoring, sodass selbst grundlegende Informationen über die Quelle des Bebens – mit Implikationen für Notfallentscheidungen und öffentliche Sicherheit – nicht existierten“, sagt Yoon.

Lösung: Ferner Seismostation und Deep Learning

Um Abhilfe zu schaffen, wandten sich die Forscher einer fernen seismischen Station auf Upolu, Samoa, Teil des Global Seismographic Network, zu, deren Daten in Near-Real-Time über das EarthScope Data Center heruntergeladen werden können, so Yoon.

Das seismische Signal des amerikanisch-samoanischen Erdbebenschwarms war an der fernen Station jedoch schwer zu detektieren. Daher nutzten Yoon und Kollegen ein Deep-Learning-Modell namens EQTransformer zusammen mit Template Matching, um diese winzigen Erdbeben aus einem rauschhaften seismischen Hintergrund herauszufiltern.

„EQTransformer fand viele Erdbeben mit Orten, die mit östlichem Amerikanisch-Samoa konsistent sind, die größten davon stimmten mit den Zeiten der Fühlberichte überein“, sagt Yoon. „Diese Fühlberichte, die von Einheimischen dem National Weather Service gemeldet wurden, waren wesentliche Datenquellen über die Erdbeben und gaben uns Vertrauen, dass die von EQTransformer detektierten Ereignisse tatsächlich dieselben Erdbeben waren, die die lokale Bevölkerung spürte.“

Mit diesem neuen Erdbebenkatalog für das Ereignis konnten die Forscher den Beginn und den Höhepunkt der Schwarmaktivität charakterisieren. Im August 2022 eingesetzte portable und kostengünstige Raspberry-Shake-Sensoren halfen, das Schwarmgebiet schnell zu lokalisieren. Der Schwarm endete im Oktober 2022 ohne Eruption, war aber wahrscheinlich mit vulkanischer Magmabewegung verbunden, schlussfolgerten die Forscher.

Yoon sagte, dass ein Ansatz wie ihre Einzelsensor-Technik auch in anderen Regionen der Welt nützlich sein könnte, wo permanentes seismisches Monitoring spärlich ist und seismische Gefahren schlecht verstanden werden – wie Offshore-Regionen mit Tsunami-Potenzial oder Erdbeben innerhalb einer tektonischen Platte. Sie fügte hinzu, dass das größte Erdbeben im amerikanisch-samoanischen Schwarm Magnitude 4,5 hatte, was eine Detektion durch globale seismische Netzwerke unwahrscheinlich machte.

„Wenn niemand in der Nähe gelebt hätte, um das häufige Beben zu melden, wäre dieser amerikanisch-samoanische Schwarm möglicherweise völlig unbemerkt geblieben“, sagte Yoon. „Viele unbekannte seismische Quellen und Phänomene warten darauf, entdeckt zu werden – vielleicht durch zukünftige groß angelegte, umfassende Anwendungen von Deep-Learning-Ansätzen in der Seismologie.“

Für weitere Informationen kontaktieren Sie die Seismological Society of America unter info@seismosoc.org.