비지도 머신러닝을 활용한 새로운 데이터 분석 기법이 대규모 지진 발생 전의 고유한 전조 증상을 식별했다고 2026년 5월 4일 'Nature Communications'에 게재된 연구 결과가 밝혔다. GFZ 헬름홀츠 지구과학 연구소(GFZ Helmholtz Center for Geosciences) 연구진은 지진을 시공간적 인접성과 규모에 따라 '군집(families)'으로 묶어 지진 활동을 분석하는 기술을 개발했다. 이 방식은 사전 정의된 패턴이나 라벨 없이도 데이터 구조의 변화를 감지할 수 있다. 연구진은 지진 군집화, 공간적 위치 집중, 가속화된 지진 변형률(seismic strain) 등을 모니터링하여 2023년 튀르키예 카라만마라슈(Mw 7.8), 2014년 칠레 이키케(Mw 8.1), 2009년 이탈리아 라퀼라(Mw 6.1) 지진 발생 수주에서 수개월 전 준비 단계를 확인했다.

다만 이러한 전조 패턴이 모든 단층 시스템에서 보편적으로 나타나는 것은 아니다. 연구진이 이 방법론을 2016년 이탈리아 아마트리체 지진과 2024년 일본 노토 지진에 적용했을 때 유사한 전조 신호는 발견되지 않았다. 주 저자인 사데그 카림풀리(Sadegh Karimpouli) 박사는 지진 과정의 복잡성으로 인해 일부 단층은 감지 가능한 전조 없이 파열될 수 있다고 설명했다. 연구진은 이 도구가 지진을 확정적으로 예측하는 것이 아니라, 특정 단층이 기존의 배경 활동 상태에서 벗어나는 시점을 식별하는 수단이라고 강조했다.

지진 예보 실용화를 위해 연구진은 특정 지역의 '정상' 행동 범위를 정의하고 지진 발생 시 실시간으로 분석을 업데이트하는 방식을 도입했다. ERC 스타팅 프로젝트 'QUAKEHUNTER'의 지원을 받은 이번 연구는 머신러닝 프레임워크를 기존 지진 모니터링 인프라에 통합하는 것을 목표로 한다. 이번 발견은 지진 군집의 집단적 행동을 분석함으로써 지각 내 응력 축적 과정을 더 깊이 이해하고, 전조가 불분명한 경우에도 지진 발달을 이해할 새로운 시각을 제시한다.

비지도 머신러닝을 활용한 새로운 데이터 분석 기법이 대규모 지진 발생 전의 고유한 전조 증상을 식별했다고 2026년 5월 4일 'Nature Communications'에 게재된 연구 결과가 밝혔다. GFZ 헬름홀츠 지구과학 연구소(GFZ Helmholtz Center for Geosciences) 연구진은 지진을 시공간적 인접성과 규모에 따라 '군집(families)'으로 묶어 지진 활동을 분석하는 기술을 개발했다. 이 방식은 사전 정의된 패턴이나 라벨 없이도 데이터 구조의 변화를 감지할 수 있다. 연구진은 지진 군집화, 공간적 위치 집중, 가속화된 지진 변형률(seismic strain) 등을 모니터링하여 2023년 튀르키예 카라만마라슈(Mw 7.8), 2014년 칠레 이키케(Mw 8.1), 2009년 이탈리아 라퀼라(Mw 6.1) 지진 발생 수주에서 수개월 전 준비 단계를 확인했다.

다만 이러한 전조 패턴이 모든 단층 시스템에서 보편적으로 나타나는 것은 아니다. 연구진이 이 방법론을 2016년 이탈리아 아마트리체 지진과 2024년 일본 노토 지진에 적용했을 때 유사한 전조 신호는 발견되지 않았다. 주 저자인 사데그 카림풀리(Sadegh Karimpouli) 박사는 지진 과정의 복잡성으로 인해 일부 단층은 감지 가능한 전조 없이 파열될 수 있다고 설명했다. 연구진은 이 도구가 지진을 확정적으로 예측하는 것이 아니라, 특정 단층이 기존의 배경 활동 상태에서 벗어나는 시점을 식별하는 수단이라고 강조했다.

지진 예보 실용화를 위해 연구진은 특정 지역의 '정상' 행동 범위를 정의하고 지진 발생 시 실시간으로 분석을 업데이트하는 방식을 도입했다. ERC 스타팅 프로젝트 'QUAKEHUNTER'의 지원을 받은 이번 연구는 머신러닝 프레임워크를 기존 지진 모니터링 인프라에 통합하는 것을 목표로 한다. 이번 발견은 지진 군집의 집단적 행동을 분석함으로써 지각 내 응력 축적 과정을 더 깊이 이해하고, 전조가 불분명한 경우에도 지진 발달을 이해할 새로운 시각을 제시한다.