Algoritme roept nieuwe vragen op over Cascadia-aardbevingsrecord

27 augustus 2024

Dit artikel is beoordeeld volgens het redactionele proces en beleid van Science X. Redacteuren hebben de volgende kenmerken belicht terwijl ze de geloofwaardigheid van de inhoud hebben gewaarborgd:

• gecontroleerd op feiten
• vertrouwde bron
• nagekeken

door Universiteit van Texas in Austin

De Cascadia subductiezone in het noordwesten van de Stille Oceaan heeft een geschiedenis van het produceren van krachtige en destructieve aardbevingen die bossen hebben laten zinken en tsunami's hebben veroorzaakt die helemaal tot aan de kusten van Japan reikten.

De meest recente grote aardbeving was in 1700. Maar waarschijnlijk zal het niet de laatste zijn. En het gebied dat getroffen kan worden, is nu bruisende metropolen waar miljoenen mensen wonen.

Het vinden van de frequentie van aardbevingen - en wanneer de volgende 'grote' zal plaatsvinden - is een actieve wetenschappelijke vraag die inhoudt dat er gezocht wordt naar tekenen van eerdere aardbevingen in het geologische archief in de vorm van door elkaar geschudde rotsen, sediment en landschappen.

Echter, een studie door wetenschappers van The Universiteit van Texas in Austin en samenwerkers trekt de betrouwbaarheid van een aardbevingsverslag dat duizenden jaren bestrijkt, in twijfel - een soort geologische afzetting genaamd een turbidiet dat te vinden is in de lagen van de zeebodem.

De onderzoekers analyseerden een selectie turbidietlagen uit de Cascadia subductiezone die teruggaan tot ongeveer 12.000 jaar geleden met behulp van een algoritme dat beoordeelde hoe goed de turbidietlagen met elkaar correleerden.

Zij ontdekten dat in de meeste gevallen de correlatie tussen de turbidietmonsters niet beter was dan willekeurig. Aangezien turbidieten kunnen worden veroorzaakt door een reeks fenomenen, en niet alleen door aardbevingen, suggereren de resultaten dat de verbinding van het turbidietenarchief met eerdere aardbevingen onzekerder is dan tot nu toe werd gedacht.

'Wij zouden graag zien dat iedereen die verwijst naar de intervallen van Cascadia subductieaardbevingen begrijpt dat deze tijdlijnen in twijfel worden getrokken door deze studie', zei Joan Gomberg, een onderzoeksgeofysicus bij de U.S. Geological Survey en medeauteur van de studie. 'Het is belangrijk om verder onderzoek te doen om deze intervallen te verfijnen. Wat we wel weten is dat Cascadia in het verleden seismisch actief was en dat het in de toekomst zal zijn, dus uiteindelijk moeten mensen voorbereid zijn.'

De resultaten veranderen niet noodzakelijk de geschatte frequentie van aardbevingen in Cascadia, die ongeveer om de 500 jaar plaatsvindt, zeiden de onderzoekers. De huidige frequentieschatting is gebaseerd op een reeks gegevens en interpretaties, niet alleen op de turbidieten die in deze studie zijn geanalyseerd. Echter, de resultaten benadrukken de noodzaak van meer onderzoek naar turbidietlagen, specifiek, en hoe ze zich tot elkaar en grote aardbevingen verhouden.

Medeauteur Jacob Covault, een onderzoeksprofessor aan de UT Jackson School of Geosciences, zei dat het algoritme een kwantitatief instrument biedt dat een reproduceerbare methode biedt voor het interpreteren van oude aardbevingsverslagen, die meestal gebaseerd zijn op meer kwalitatieve beschrijvingen van geologie en hun potentiële verbanden.

'Dit instrument levert een herhaalbaar resultaat op, zodat iedereen hetzelfde kan zien,' zei Covault, mede-principal investigator van de Quantitative Clastics-laboratorium bij de Bureau of Economic Geology van de Jackson School. 'Je kunt potentieel in discussie gaan met dat resultaat, maar je hebt in ieder geval een basislijn, een benadering die reproduceerbaar is.'

De resultaten zijn gepubliceerd in het tijdschrift Geological Society of America Bulletin. De studie omvatte onderzoekers van de USGS, Stanford University en de Alaska Division of Geological & Geophysical Surveys.

Turbidieten zijn de restanten van onderwaterlawines. Ze bestaan uit sedimenten die na door het turbulente bewegen van sediment over de zeebodem in het water te zijn geslingerd, weer op de zeebodem neersloegen. Het sediment in deze lagen heeft een kenmerkende gradatie, met grovere korrels onderaan en fijnere bovenaan.

Maar er is meer dan één manier om een turbidietlaag te maken. Aardbevingen kunnen aardverschuivingen veroorzaken wanneer ze de zeebodem door elkaar schudden. Maar dat kunnen ook stormen, overstromingen en een reeks andere natuurlijke fenomenen, zij het op een kleiner geografisch niveau.

Op dit moment houdt het verbinden van turbidieten met eerdere aardbevingen meestal in dat ze worden gevonden in geologische kernen die van de zeebodem zijn genomen. Als een turbidiet op ongeveer dezelfde plek in meerdere monsters over een relatief groot gebied voorkomt, wordt het beschouwd als een overblijfsel van een eerdere aardbeving, aldus de onderzoekers.

Hoewel koolstofdateringmonsters kunnen helpen bij het verfijnen van de timing, is er nog steeds veel onzekerheid bij het interpreteren of monsters die ongeveer op hetzelfde moment en dezelfde plek verschijnen, met elkaar verbonden zijn door hetzelfde evenement.

Het verkrijgen van een beter inzicht in hoe verschillende turbidietmonsters met elkaar in verband staan, inspireerde de onderzoekers om een meer kwantitatieve methode toe te passen - een algoritme genaamd 'dynamic time warping' - op de turbidietgegevens. De algoritmische methode dateert uit de jaren 1970 en heeft een breed scala aan toepassingen, van spraakherkenning tot het gladstrijken van graphics in dynamische VR-omgevingen.

Dit is de eerste keer dat het is toegepast op het analyseren van turbidieten, aldus mede-auteur Zoltán Sylvester, een onderzoekshoogleraar aan de Jackson School en mede-principal investigator van het Quantitative Clastics Lab, die de aanpassing van het algoritme voor het analyseren van turbidieten leidde.

'Dit algoritme is een sleutelelement geweest in veel van de projecten waar ik aan heb gewerkt,' zei Sylvester. 'Maar het wordt nog steeds erg weinig gebruikt in de geowetenschappen.'

Het algoritme detecteert de overeenkomsten tussen twee monsters die in de loop van de tijd kunnen variëren en bepaalt hoe nauwkeurig de gegevens daartussen overeenkomen.

Voor spraakherkenningssoftware betekent dit het herkennen van sleutelwoorden, ook al worden ze misschien in verschillende snelheden of toonhoogtes uitgesproken. Voor de turbidieten betekent dit het herkennen van gedeelde magnetische eigenschappen tussen verschillende turbidietmonsters die er op verschillende locaties anders uitzien, ondanks dat ze afkomstig zijn van hetzelfde gebeurtenis.

'Het correleren van turbidieten is geen eenvoudige taak,' zei mede-auteur Nora Nieminski, program manager voor kustgevaren bij de Alaska Division of Geological & Geophysical Surveys. 'Turbidieten vertonen vaak aanzienlijke laterale variabiliteit die hun variabele stroomdynamiek weerspiegelt. Daarom wordt niet verwacht dat turbidieten dezelfde afzettingskarakter behouden over grote afstanden, of zelfs kleine afstanden in veel gevallen, met name langs actieve marges zoals Cascadia of in verschillende afzettingsomgevingen.'

De onderzoekers hebben ook de correlaties die zijn geproduceerd door het algoritme aan een ander niveau van scrutin gebracht. Ze vergeleken de resultaten met correlatiegegevens die zijn berekend met behulp van synthetische gegevens die zijn gemaakt door 10.000 paar willekeurige turbidietlagen te vergelijken. Deze synthetische vergelijking diende als controle tegen toevallige overeenkomsten in de werkelijke monsters.

De onderzoekers pasten hun techniek toe op magnetische susceptibiliteitslogs voor turbidietlagen in negen geologische kernen die tijdens een wetenschappelijke cruise in 1999 waren verzameld. Ze ontdekten dat in de meeste gevallen de verbinding tussen turbidietlagen die eerder waren gecorreleerd niet beter was dan willekeurig. De enige uitzondering op deze trend was voor turbidietlagen die relatief dicht bij elkaar lagen - niet meer dan ongeveer 15 mijl uit elkaar.

De onderzoekers benadrukken dat het algoritme slechts één manier is om turbidites te analyseren, en dat de inclusie van andere gegevens de mate van correlatie tussen de kernen kan veranderen. Maar volgens deze resultaten is de aanwezigheid van turbidieten op hetzelfde moment en in dezelfde algemene omgeving in het geologische archief niet voldoende om ze definitief met elkaar te verbinden.

En hoewel algoritmen en machine learning-benaderingen kunnen helpen bij die taak, is het aan geowetenschappers om de resultaten te interpreteren en te zien waar het onderzoek naartoe leidt.

'We zijn hier om vragen te beantwoorden, niet alleen om de tool toe te passen,' zei Sylvester. 'Maar tegelijkertijd, als je dit soort werk doet, dwingt het je om heel voorzichtig na te denken.'

Meer informatie: Nora M. Nieminski et al, Turbidite correlation for paleoseismology, Geological Society of America Bulletin (2024). DOI: 10.1130/B37343.1

Geleverd door Universiteit van Texas in Austin