Sono stati scoperti schemi di sismicità nascosti prima dei grandi terremoti.

Prevedere quando e dove si verificherà il prossimo grande terremoto rimane una delle domande più difficili nel campo delle geoscienze.

I ricercatori del Centro Helmholtz per le Geoscienze del GFZ, guidati dal Dott. Sadegh Karimpouli e dalla Prof.ssa Patricia Martínez-Garzón, hanno ora sviluppato, insieme a partner internazionali, un nuovo approccio basato sui dati in grado di identificare i cambiamenti caratteristici nell’attività sismica prima che si verifichino alcuni terremoti di grande magnitudo.

Il team ha utilizzato l’apprendimento automatico non supervisionato per individuare schemi precedentemente nascosti nei cataloghi dei terremoti, senza basarsi su ipotesi predefinite. Hanno applicato il loro metodo a diversi terremoti importanti ben documentati, tra cui quelli di Kahramanmaraş (Turchia, 2023), Iquique (Cile, 2014) e L’Aquila (Italia, 2009), e sono stati in grado di identificare schemi distinti nell’attività premonitrice in questi casi, che si è verificata da settimane a mesi prima del terremoto principale.

Per altri terremoti per i quali non erano noti fenomeni premonitori, come quelli di Noto (Giappone, 2024) e Amatrice (Italia, 2016), il metodo non ha rilevato alcun modello. I ricercatori ritengono pertanto che il loro nuovo approccio abbia il potenziale per l’ulteriore sviluppo di metodi operativi di previsione dei terremoti. Lo studio è stato pubblicato sulla rivista Nature Communications .

La sfida della previsione dei terremoti

Prevedere la tempistica, la localizzazione e la magnitudo dei futuri terremoti rappresenta una sfida di lunga data e tuttora irrisolta, se non addirittura impossibile. La ricerca geoscientifica in questo campo si concentra sull’identificazione dei fenomeni precursori, ovvero di specifici schemi nei processi che possono verificarsi prima di alcuni terremoti di grande magnitudo.

Tali processi preparatori possono includere, ad esempio, scosse premonitrici ed eventi di scorrimento lento nelle vicinanze del futuro epicentro. I segnali precursori osservati finora variano considerevolmente in termini di estensione spaziale e temporale e di intensità, a seconda del tipo di faglia e di confine di placca, nonché delle condizioni geologiche e delle tensioni.

Nuovo approccio I: Riconoscimento di pattern tramite apprendimento automatico non supervisionato

Da tempo i metodi di apprendimento automatico vengono applicati con successo per svelare la complessità delle interazioni sismiche e per identificare modelli distinti nei cataloghi di dati sismici esistenti.

Nel loro studio attuale, i ricercatori stanno aprendo nuove strade sotto diversi aspetti: “Invece di cercare precursori specifici, lasciamo che i dati rivelino la propria struttura e utilizziamo il cosiddetto apprendimento non supervisionato, in cui i criteri diagnostici non sono predefiniti”, afferma l’autore principale, il dottor Sadegh Karimpouli, scienziato della Sezione 4.2.

“Geomeccanica e perforazioni scientifiche” presso GFZ. Questo approccio è già stato utilizzato con successo per individuare le fasi iniziali di frane ed eruzioni vulcaniche.

Nuovo approccio II: dai singoli terremoti alle “famiglie” interagenti

Una delle principali innovazioni dello studio è il passaggio dall’analisi dei singoli terremoti allo studio delle “famiglie” di eventi, ovvero gruppi di terremoti strettamente collegati nello spazio, nel tempo e nella magnitudo. Queste famiglie riflettono il modo in cui i terremoti interagiscono e si evolvono collettivamente.

“I terremoti non sono eventi isolati, si influenzano a vicenda e, più ci si avvicina all’evento di rottura, più forte diventa questa influenza”, spiega il coautore Prof. Marco Bohnhoff, responsabile della Sezione 4.2 di Geomeccanica e Perforazione Scientifica del GFZ. “Analizzando il loro comportamento collettivo, possiamo comprendere meglio come si accumula lo stress nella crosta terrestre prima di eventi di grande magnitudo.”

I ricercatori hanno estratto un gran numero di caratteristiche fisiche e statistiche che descrivono la sismicità, come il raggruppamento, la localizzazione spaziale e gli indicatori correlati allo stress. Utilizzando un algoritmo di apprendimento automatico non supervisionato, queste famiglie sono state automaticamente raggruppate in categorie distinte che rappresentano diversi stati di evoluzione dello stress.

Avevano già utilizzato con successo questo approccio in esperimenti di terremoto in laboratorio, condotti in condizioni ben controllate. La domanda ora era se si sarebbe dimostrato efficace anche negli eventi ben più complessi che si verificano in natura.

Rilevamento della transizione a uno stato critico

Il team di ricerca ha applicato il metodo a diverse sequenze sismiche ben documentate in differenti contesti tettonici per le quali erano già noti fenomeni precursori, tra cui l’evento di Kahramanmaraş (Turchia) del 2023 di magnitudo Mw 7.8 in corrispondenza di un importante margine di placca trascorrente, l’evento di L’Aquila (Italia) del 2009 di magnitudo Mw 6.1 su una serie di faglie normali frammentate e l’evento di Iquique (Cile) del 2014 di magnitudo Mw 8.1 in una zona di subduzione. In ciascun caso, il team ha identificato una distinta categoria di sismicità che emerge prima della scossa principale.

Questi modelli “critici” sono caratterizzati da tre gruppi di caratteristiche:

1. aumento dell’aggregazione e dell’interazione tra i terremoti
2. localizzazione spaziale e temporale più efficace
3. rilascio potenziato della deformazione sismica.

Nel loro insieme, questi elementi indicano che il sistema di faglie si sta avvicinando all’instabilità.

“Osserviamo una transizione da attività relativamente stabili, già note da precedenti eventi nella regione, a uno stato più organizzato e critico poco prima della rottura”, afferma Karimpouli. A seconda dei casi, questi cambiamenti si sono manifestati da settimane a mesi prima del terremoto principale.

Non tutti i terremoti mostrano segnali premonitori

Tuttavia, lo studio evidenzia anche un limite importante: non tutti i terremoti sono preceduti da una preparazione sismica rilevabile. Ad esempio, quando il metodo è stato applicato al terremoto di Amatrice del 2016 in Italia, non è emersa una chiara categoria “critica” rispetto alle attività precedenti all’evento.

Analogamente, nel caso del terremoto di Noto del 2024 in Giappone, l’attività sismica prolungata dello sciame non si è evoluta in un chiaro segnale preparatorio sismico.

“Questa variabilità riflette la complessità sia delle condizioni di monitoraggio che dei processi sismici”, afferma la coautrice Prof.ssa Patricia Martínez-Garzón.

“Alcune faglie possono cedere senza evidenti segnali di allarme sismico, il che rappresenta una sfida importante per le previsioni.” Indagare le condizioni in cui emergono e sono più facilmente rilevabili i processi preparatori dei terremoti è uno degli obiettivi principali del progetto QUAKEHUNTER, finanziato dall’ERC Starting Project di Martínez-Garzón, che sostiene la ricerca qui sviluppata.

Verso un miglioramento delle previsioni sismiche

Per valutare l’idoneità del loro metodo all’uso pratico nella previsione dei terremoti, i ricercatori hanno testato il loro approccio non solo sui terremoti passati, ma anche – nel contesto delle stesse sequenze sismiche menzionate in precedenza – in prospettiva: hanno basato la loro analisi sui terremoti precedenti nella regione.

Aggiornando continuamente l’analisi dei nuovi terremoti, il metodo è in grado di rilevare quando l’attività sismica inizia a discostarsi dai modelli precedentemente osservati. In questo modo, l’improvvisa comparsa di una nuova categoria di comportamento sismico può indicare che il sistema sta entrando in uno stato diverso e potenzialmente più critico.

“Questo non significa che possiamo prevedere i terremoti in modo deterministico”, sottolinea Karimpouli. “Ma fornisce un potente strumento per riconoscere quando un sistema di faglie si comporta in modo diverso dal solito.”

Una nuova prospettiva sullo sviluppo dei grandi terremoti

Lo studio dimostra come la combinazione di caratteristiche basate sulla fisica con l’apprendimento automatico possa rivelare processi sottili difficili da rilevare con i metodi convenzionali. Concentrandosi sulle interazioni all’interno della sismicità, l’approccio offre una nuova prospettiva su come si sviluppano i grandi terremoti.

“I nostri risultati dimostrano che l’apprendimento automatico può aiutare a identificare le fasi preparatorie dei terremoti, quando esistono e sono rilevabili con la strumentazione installata”, afferma Martínez-Garzón. “Il prossimo passo è integrare tali approcci nel monitoraggio in tempo reale e comprendere meglio perché alcuni terremoti mostrano segnali chiari mentre altri no.”

Abstract

Prevedere i grandi terremoti rimane una sfida significativa a causa della complessità dei sistemi di faglie e della variabilità dei processi preparatori. Introduciamo un framework di apprendimento automatico non supervisionato per categorizzare i modelli di sismicità e identificare, quando presenti, i transienti sismici che precedono i grandi terremoti. Ci concentriamo su cinque grandi terremoti ed estraiamo le caratteristiche sismo-meccaniche per famiglie di eventi, definite come eventi raggruppati nello spazio, nel tempo e nella magnitudo. Qui mostriamo che, per i casi che presentano una fase preparatoria, specifiche famiglie di lunga durata appartenenti a una categoria critica che segnala un terremoto imminente si verificano durante la fase preparatoria. Rispetto ad altri periodi, le categorie critiche riflettono una maggiore localizzazione spazio-temporale, interazione sismica e rilascio di deformazione. Il metodo non rileverà tale transiente per i terremoti senza una fase preparatoria sismica rilevabile. Infine, dimostriamo che il metodo è in grado di identificare le fasi preparatorie (quando presenti), mostrando il potenziale per la previsione operativa dei terremoti.

by