Künstliche Intelligenz liefert neue Einblicke in eines der mächtigsten Vulkansysteme der Erde – Magmenkörper unter Yellowstone in nur 4 km Tiefe
Yellowstone ist Caldera und Nationalpark zugleich und weltberühmt für seine Geysire, heißen Quellen und weitläufigen Landschaften und geologisch betrachtet von höchster Bedeutung. Unter dem ältesten Nationalpark der USA verbirgt sich eine riesige Caldera, die von einem Supervulkanausbruch zeugt, der sich vor mehr als 640.000 Jahren ereignete. Doch der jüngste dieser Ausbrüche war nicht der erste und wahrscheinlich auch nicht der letzte: Statistisch gesehen ist eine weitere Supereruption überfällig, was zahlreiche Menschen besorgt und immer wieder Anlass zu Spekulationen bis hin zu sensationsheischenden Fakenews gibt. Neue Forschungsergebnisse zeigen nun, dass die Aktivität unter Yellowstone viel komplexer ist als bisher angenommen – und dass moderne Methoden wie maschinelles Lernen helfen, diese Prozesse besser zu verstehen.
Neue Studie mit Hilfe von KI generiert seismisches 3-D Modell und spürte Zehntausende übersehen Erdbeben auf
Ein Forschungsteam unter der Leitung des Ingenieurprofessors Bing Li analysierte in Zusammenarbeit mit dem United States Geological Survey und der Universidad Industrial de Santander in Kolumbien alte seismische Daten aus Yellowstone neu. Mithilfe von Deep-Learning-Algorithmen und einem dreidimensionalen Modell zur Ausbreitungsgeschwindigkeit von Erdbebenwellen entstand ein hochauflösender Erdbebenkatalog, der über 86.000 Ereignisse zwischen 2008 und 2022 dokumentiert – etwa zehnmal mehr als in bisherigen Auswertungen der Datensätze aufgefallen waren.
Mehr als die Hälfte dieser Erdbeben trat in sogenannten Schwärmen auf: Gruppen schwacher Beben, die sich in einem begrenzten Gebiet über Wochen oder Monate häufen, ohne dass ein dominierendes Hauptbeben erkennbar ist. Besonders auffällig: Diese Schwärme erscheinen oft nahe beieinander, sind aber durch längere Ruhephasen getrennt – ein bislang wenig verstandenes Muster.
Die Studienergebnisse deuten darauf hin, dass ein Zusammenspiel aus langsam wandernden hydrothermalen Fluiden und plötzlichen Flüssigkeitseinspritzungen die Ursache für viele dieser Schwärme sein könnte. Solche Einspritzungen entstehen vermutlich, wenn durch Druckaufbau in der Tiefe sogenannte Permeabilitätssiegel brechen und so den Weg für aufsteigende Fluide freigeben. Diese Vorgänge können entlang komplexer, unreifer Störungszonen stattfinden, die besonders tief unterhalb der Caldera auffällig häufig auftreten.
Magma in 3-4 Kilometern Tiefe
Innerhalb der Yellowstone-Caldera zeigten sich zudem vertikale Migrationsmuster: Erdbeben wanderten von der Tiefe in Richtung Oberfläche – ein typisches Zeichen fluidgetriebener Prozesse. Teilweise trat die Seismizität dabei in mehreren Tiefenabschnitten gleichzeitig auf, getrennt durch eine aseismische Zone. Diese Zone fällt mit einem vermuteten Magmareservoir in etwa 3–4 Kilometern Tiefe zusammen und deutet auf einen aktiven Austausch zwischen magmatischen und hydrothermalen Prozessen hin.
Die Region wird kontinuierlich überwacht, da sie eines der wenigen Gebiete ist, in denen sich magmatische, tektonische und hydrothermale Prozesse in engem Zusammenspiel beobachten lassen. Die aktuellen Studien zeigen, dass viele seismische Prozesse nicht eruptiven Ursprungs sind, sondern durch die Bewegung von Flüssigkeiten innerhalb des komplexen Störungssystems ausgelöst werden. Für die Vulkanforschung bedeutet das: Wer verstehen will, wie sich Vulkanausbrüche ankündigen oder wie Energie aus dem Erdinneren transportiert wird, muss tiefer graben – sowohl im Boden als auch in den Daten.
Fortschritt durch maschinelles Lernen
Bis vor wenigen Jahren wurden Erdbeben in Yellowstone manuell durch Expertenteams ausgewertet, was ein mühsamer und langwieriger Prozess war. Dank neuer Technologien wie maschinellem Lernen und neuronalen Netzwerken können nun große Mengen an seismischen Wellenformen schnell und präzise analysiert werden. Das ermöglicht nicht nur die Entdeckung bisher übersehener Ereignisse, deren Erdbebenwellen sich überlagert haben können, sondern auch ein besseres Verständnis für wiederkehrende Muster wie Erdbebenschwärme oder Flüssigkeitsbewegungen im Untergrund. (Quelle der Studie: https://www.science.org/doi/10.1126/sciadv.adv6484)