Maschinelles Lernen kartierte mehr als 60.000 Beben in der Santorini-Krise

Eine vulkanische seismische Krise wird schärfer sichtbar

Die intensive seismische Sequenz, die Santorini und benachbarte Inseln zwischen Ende 2024 und Mitte 2025 betraf, war weitaus größer und strukturierter, als die konventionelle Überwachung gezeigt hatte. Nach Angaben einer auf der Jahresversammlung 2026 der Seismological Society of America vorgestellten Studie identifizierte eine auf maschinellem Lernen basierende Analyse während des Ereignisses mehr als 60.000 Erdbeben und schuf damit einen hochauflösenden Katalog, der es den Wissenschaftlern ermöglichte, die Krise in Echtzeit zu verfolgen, während sie sich entfaltete.

Schon die reine Zahl ist bemerkenswert, doch die größere Bedeutung liegt darin, was diese Art der nahezu Echtzeit-Analyse möglich macht. Statt die Daten erst Monate später auszuwerten, nutzte das Forschungsteam Werkzeuge des maschinellen Lernens während des laufenden Ereignisses, erkannte Ausbrüche seismischer Aktivität, verfolgte, wie sich die Aktivität durch Störungsnetze verlagerte, und erfasste Details, die Standard-Workflows vermutlich übersehen hätten oder die zu langsam geliefert worden wären, um operative Entscheidungen zu unterstützen.

Warum die Santorini-Sequenz schwer zu verfolgen war

Die seismische Krise auf Santorini war ungewöhnlich intensiv. Forschende erklärten, dass manche Zeiträume mehrere Hundert Erdbeben innerhalb einer einzigen Stunde enthielten, ein Ausmaß, das die konventionelle Katalogisierung unter Zeitdruck erschwert. Diese Menge ist wichtig, weil es bei dicht gehäuften Erdbeben nicht nur darum geht, Magnitude oder Lage zu bestimmen, sondern einzelne Ereignisse aus überlappenden Wellenformen herauszulösen und dies schnell genug zu tun, damit die Informationen noch nutzbar bleiben.

Mit parallel laufenden Machine-Learning-Pipelines konnte das von Stanford geleitete Team große Mengen an Wellenformdaten verarbeiten und während der Krise selbst Zehntausende von Ereignissen identifizieren. Der resultierende Datensatz reicht von Dezember 2024 bis Juni 2025 und bietet ein deutlich detaillierteres Bild davon, wie sich die Sequenz im Lauf der Zeit entwickelte.

Das ist eine wichtige operative Verschiebung. Maschinelles Lernen in der Seismologie wird oft retrospektiv eingesetzt, nachdem eine Krise vorüber ist. Auf Santorini wurden die Methoden so angewendet, dass sie der Echtzeitüberwachung nahe kamen. Das macht die Arbeit nicht nur als Studie zu einer einzelnen Erdbebensequenz bemerkenswert, sondern auch als Demonstration dafür, wie vulkanisch bedingte seismische Krisen künftig anders behandelt werden könnten.

Ausbrüche, Migration und Hinweise auf Magmabewegungen

Der Katalog identifizierte 46 wiederkehrende Ausbrüche seismischer Aktivität, von denen jeder mehrere Hundert Erdbeben über ein bis zwei Stunden umfasste. Während einiger Ausbrüche verlagerte sich die seismische Aktivität entlang von Störungszonen mit Geschwindigkeiten von bis zu 2 Kilometern pro Stunde. Solche Muster sind mehr als nur beschreibende Kuriositäten. Sie helfen Wissenschaftlern, den zugrunde liegenden Prozess zu bewerten, der den Schwarm antreibt.

Nach Angaben der Forschenden stärken sowohl die Geschwindigkeit als auch das Migrationsmuster die Interpretation, dass die Sequenz mit einer Magmaintrusion im Zusammenhang mit den Vulkanen der Region verknüpft war. Anders gesagt: Die Erdbeben waren nicht einfach verstreutes tektonisches Rauschen. Sie scheinen die Bewegung von Material und Spannung durch ein aktives vulkanisches System nachgezeichnet zu haben.

Dieser Unterschied ist für die Gefahrenbewertung entscheidend. In vulkanischen Umgebungen verändert sich die Einschätzung des Eskalationsrisikos und der öffentlichen Kommunikation je nachdem, ob ein Schwarm vor allem durch Störungsgleiten, Fluidbewegung oder Magmaintrusion angetrieben wird. Ein reichhaltigerer Katalog beseitigt die Unsicherheit nicht, kann aber den Bereich plausibler Erklärungen eingrenzen und Behörden helfen, ein klareres Lagebild zu entwickeln.

Vom Forschungswerkzeug zur operativen Erwartung

Eine der stärksten Botschaften der Studie ist eher institutioneller als rein geologischer Natur: Die Forschenden argumentieren, dass diese Methoden von einer begrenzten Nutzung in die routinemäßige operative Praxis übergehen sollten. Das ist eine gewichtige Forderung. Überwachungsbehörden sind oft vorsichtig, neue analytische Methoden in Echtzeit-Workflows zu übernehmen, weil Zuverlässigkeit, Geschwindigkeit und Interpretierbarkeit im Kontext der öffentlichen Sicherheit gleichermaßen wichtig sind.

Doch Ereignisse wie Santorini zeigen die Grenzen des Status quo. Wenn sich eine Krise rasch entwickelt, sind Verzögerungen bei der Analyse keine akademischen Unannehmlichkeiten. Sie können Prognosen, Warnungen und Notfallplanung beeinflussen. Die Forschenden vertreten die Ansicht, dass das maschinelle Lernen inzwischen ausgereift genug ist, um Teil des Standard-Werkzeugkastens für die Überwachung zu werden, insbesondere bei hochdynamischen vulkanischen Krisen, in denen menschliche Analysten allein womöglich mit dem Ereignisvolumen nicht Schritt halten können.

Wenn dieser Übergang gelingt, könnten die praktischen Auswirkungen weit über die Ägäis hinausreichen. Vulkanobservatorien und seismische Überwachungsnetze weltweit stehen bei Schwärmen, Intrusionen und Erdbebenkaskaden vor ähnlichen Herausforderungen. Schnellere und dichtere Ereigniskataloge könnten die Interpretation sich entfaltender Gefahren und die Kommunikation von Unsicherheit gegenüber der Öffentlichkeit verbessern.

Was diese Studie verändert

Die Santorini-Sequenz ist zu einer Fallstudie dafür geworden, wie Rechenmethoden die Beobachtungswissenschaft während eines laufenden Ereignisses verändern können. Der Wert lag nicht nur darin, dass das maschinelle Lernen mehr Erdbeben fand. Es fand Struktur: wiederholte Ausbrüche, wandernde Aktivität und Details des Störungsnetzes, die zusammen eine schlüssigere Geschichte dessen ergaben, was im Untergrund geschah.

Das ist die tiefere Lehre. In der Gefahrenforschung kann eine bessere Auflösung die Bedeutung des Ereignisses selbst verändern. Aus einem diffusen und überwältigenden Schwarm wird ein kartierter Prozess mit Rhythmen, Bahnen und wahrscheinlichen Auslösern. Das macht Vorhersagen nicht einfach und beseitigt nicht die Möglichkeit von Überraschungen. Aber es verbessert die Qualität der Informationen, die zur Verfügung stehen, wenn Entscheidungen in Echtzeit getroffen werden müssen.

Für Santorini ist das Ergebnis ein klareres Protokoll einer bemerkenswerten seismischen Krise. Für das Fach insgesamt ist es ein Zeichen dafür, dass die operative Seismologie in eine neue Phase eintreten könnte, in der maschinelles Lernen nicht länger nur ein nachgelagerter Forschungsassistent ist, sondern ein analytisches Frontwerkzeug.

Wichtige Erkenntnisse

• Forschende identifizierten mithilfe von maschinellem Lernen während der Santorini-Sequenz 2025 mehr als 60.000 Erdbeben.
• Die Studie erfasste 46 wiederkehrende Ausbrüche seismischer Aktivität und Migration entlang von Störungszonen mit Geschwindigkeiten von bis zu 2 Kilometern pro Stunde.
• Die beobachteten Muster stützen die Interpretation, dass Magmaintrusion eine zentrale Rolle in der Krise spielte.
• Das Team argumentiert, dass solche Methoden des maschinellen Lernens künftig Teil der routinemäßigen Echtzeitüberwachung bei vulkanischen Ereignissen werden sollten.

Dieser Artikel basiert auf einer Berichterstattung von Phys.org. Den Originalartikel lesen.