کشف الگوهای پیشلرزه با کمک هوش مصنوعی
پژوهشگران آلمانی با بهرهگیری از هوش مصنوعی موفق شدهاند الگوهای نامحسوس فعالیت گسلها را که پیش از برخی زمینلرزههای بزرگ ظاهر میشوند، شناسایی کنند؛ روشی که هرچند به معنای پیشبینی قطعی زلزله نیست، اما میتواند گام مهمی در توسعه سامانههای هشدار و پایش لرزهای باشد.
به گزارش سیناپرس، پژوهشگران با بهرهگیری از هوش مصنوعی و یادگیری ماشین بدونناظر موفق شدهاند الگوهای پنهانی را در فعالیتهای لرزهای شناسایی کنند که در برخی موارد هفتهها تا چند ماه پیش از وقوع زلزلههای بزرگ ظاهر میشوند، یافتهای که میتواند گامی مهم در بهبود سامانههای پیشبینی عملیاتی زلزله باشد.
گروهی از پژوهشگران مرکز پژوهشی علوم زمین هلمهولتز آلمان (GFZ) به سرپرستی صادق کریمپولی و با همکاری پاتریشیا مارتینز-گارزون و دیگر پژوهشگران بینالمللی روشی دادهمحور برای شناسایی تغییرات فعالیت لرزهای پیش از برخی زمینلرزههای بزرگ توسعه دادهاند. نتایج این پژوهش در نشریه معتبر Nature Communications منتشر شده است.
برخلاف روشهای رایج که الگوریتمها را برای جستوجوی الگوهای از پیش تعریفشده آموزش میدهند در این مطالعه از یادگیری ماشین بدونناظر (Unsupervised Machine Learning) استفاده شده است، روشی که بدون دریافت برچسب یا الگوی از پیش تعیینشده، ساختارهای پنهان موجود در دادهها را بهطور مستقل شناسایی میکند.
آزمایش موفق روی زلزلههای بزرگ
پژوهشگران این روش را روی چندین زمینلرزه بزرگ که اطلاعات آنها بهخوبی مستندسازی شده بود آزمایش کردند از جمله این زلزلهها میتوان به زلزله ۷.۸ ریشتری قهرمانمرعش ترکیه در سال ۲۰۲۳، زلزله ۸.۱ ریشتری ایکوئیکه شیلی در سال ۲۰۱۴ و زلزله ۶.۱ ریشتری لاکوئیلای ایتالیا در سال ۲۰۰۹ اشاره کرد.
نتایج نشان داد که در تمامی این موارد الگوریتم توانسته است الگوهای مشخصی از پیشلرزهها (Foreshocks) را از چند هفته تا چند ماه پیش از وقوع زلزله اصلی شناسایی کند.
در مقابل زمانی که همین روش روی زلزلههایی مانند نوتوی ژاپن در سال ۲۰۲۴ و آماتریچه ایتالیا در سال ۲۰۱۶ که تاکنون نشانههای پیشهشدار مشخصی برای آنها گزارش نشده بود اجرا شد، چنین الگوهایی مشاهده نشد. پژوهشگران معتقدند این موضوع نشان میدهد همه زمینلرزهها الزاما دارای علائم هشداردهنده قابل تشخیص نیستند.
پیشبینی زلزله همچنان یکی از دشوارترین چالشهای علمی
پیشبینی دقیق زمان مکان و شدت وقوع زلزله همچنان یکی از پیچیدهترین مسائل حلنشده در علوم زمین به شمار میرود و حتی برخی دانشمندان امکان پیشبینی قطعی زلزله را زیر سؤال میبرند.
به همین دلیل بسیاری از پژوهشها بر بررسی پدیدههای پیشنشانگر مانند پیشلرزهها یا لغزش آرام گسلها (Slow Slip Events) متمرکز شدهاند، رخدادهایی که ممکن است پیش از برخی زلزلههای بزرگ اتفاق بیفتند، اما همواره ثابت و قابل تکرار نیستند.
به گفته پژوهشگران زمان وقوع، شدت و محل این نشانهها به عوامل مختلفی از جمله نوع گسل، مرز صفحات زمینساختی، ویژگیهای زمینشناسی منطقه و میزان تنش ذخیرهشده در پوسته زمین بستگی دارد؛ بنابراین الگویی که پیش از یک زلزله مشاهده میشود ممکن است در زلزلهای دیگر وجود نداشته باشد.
رویکردی متفاوت با یادگیری ماشین
صادق کریمپولی، نویسنده اصلی این مطالعه گفت: به جای جستوجوی پیشنشانگرهای مشخص اجازه دادیم خود دادهها ساختارشان را آشکار کنند. در یادگیری بدونناظر معیارهای تشخیص از پیش تعریف نمیشوند و الگوریتم بهطور مستقل الگوهای موجود را کشف میکند.
به گفته او از روشهای مشابه پیشتر برای شناسایی تغییرات اولیه پیش از وقوع رانش زمین و فورانهای آتشفشانی نیز استفاده شده بود.
بررسی زلزلهها بهعنوان خانوادههای لرزهای
یکی از نوآوریهای اصلی این پژوهش تغییر نحوه تحلیل زمینلرزهها بود. پژوهشگران به جای بررسی هر زلزله بهصورت یک رویداد مستقل، رخدادهای مرتبط را بر اساس نزدیکی زمانی، مکانی و بزرگی آنها در قالب خانوادههای لرزهای دستهبندی کردند.
این رویکرد بر این اصل استوار است که زمینلرزهها بر یکدیگر اثر میگذارند و هر شکست کوچک میتواند تنش گسلهای مجاور را تغییر دهد و احتمال وقوع شکستهای بعدی را افزایش یا کاهش دهد.
مارکو بونهوف از پژوهشگران این مطالعه در این باره گفت: زمینلرزهها رویدادهایی مستقل نیستند بلکه بر یکدیگر تاثیر میگذارند و هرچه شکستها به یکدیگر نزدیکتر باشند این تاثیر بیشتر خواهد بود. بررسی رفتار جمعی آنها به ما کمک میکند روند تجمع تنش در پوسته زمین پیش از زلزلههای بزرگ را بهتر درک کنیم.
سه نشانه کلیدی نزدیک شدن به زلزله
پس از تشکیل خانوادههای لرزهای پژوهشگران هر گروه را بر اساس مجموعهای از شاخصهای فیزیکی و آماری تحلیل کردند از جمله میزان خوشهبندی زلزلهها، تمرکز آنها در زمان و مکان و شاخصهای مرتبط با آزادسازی تنش در پوسته زمین.
الگوریتم هوش مصنوعی در نهایت این خانوادهها را به گروههایی تقسیم کرد که مراحل مختلف تکامل تنش در گسلها را نشان میدادند.
نتایج نشان داد پیش از وقوع زلزلههای بزرگ، سه ویژگی مشترک ظاهر میشود: افزایش خوشهبندی و تعامل میان زمینلرزهها، تمرکز بیشتر رخدادها در محدوده زمانی و مکانی مشخص، افزایش آزادسازی کرنش و تنش لرزهای.
به گفته کریمپولی این تغییرات نشان میدهد سامانه گسلی از وضعیت نسبتا پایدار به سمت یک حالت بحرانی و سازمانیافته حرکت میکند و این روند معمولا از چند هفته تا چند ماه پیش از زلزله اصلی آغاز میشود.
همه زلزلهها هشدار قبلی ندارند
پژوهشگران تاکید کردند که نتایج این مطالعه نشان میدهد برخی زمینلرزهها ممکن است بدون هیچ نشانه لرزهای قابل تشخیص رخ دهند.
پاتریشیا مارتینز-گارزون گفت: این تفاوتها بازتابدهنده پیچیدگی فرایندهای زمینلرزه و محدودیتهای سامانههای پایش هستند. برخی گسلها ممکن است بدون علائم هشداردهنده آشکار دچار گسیختگی شوند و همین موضوع یکی از بزرگترین چالشهای پیشبینی زلزله است.
به گفته او یکی از اهداف اصلی پروژه اروپایی QUAKEHUNTER که از این پژوهش حمایت میکند، تعیین شرایطی است که در آن فرایند آمادهسازی زلزله قابل مشاهده و توسط سامانههای پایش قابل شناسایی باشد.
گامی به سوی پیشبینی عملیاتی زلزله
برای ارزیابی کاربرد عملی این روش پژوهشگران تنها به تحلیل زلزلههای گذشته اکتفا نکردند بلکه رویکردی آیندهنگر را نیز آزمایش کردند. آنها ابتدا الگوهای معمول فعالیت لرزهای هر منطقه را بر اساس دادههای گذشته تعیین کردند و سپس با ورود دادههای جدید، تغییرات را بهصورت مستمر پایش کردند.
در این روش ظهور ناگهانی یک الگوی لرزهای جدید میتواند نشاندهنده ورود سامانه گسلی به مرحلهای بحرانی باشد.
کریمپولی در اینباره تاکید کرد: این به معنای پیشبینی قطعی زلزله نیست، اما ابزاری قدرتمند در اختیار ما قرار میدهد تا تشخیص دهیم چه زمانی رفتار یک گسل با وضعیت معمول آن تفاوت پیدا کرده است.
به نقل از برنا، پژوهشگران معتقدند ترکیب فیزیک زمینلرزه با هوش مصنوعی میتواند الگوهایی را آشکار کند که با روشهای سنتی قابل شناسایی نیستند. به گفته آنها تمرکز بر تعامل گروهی زمینلرزهها دیدگاه تازهای برای بررسی روند شکلگیری زلزلههای بزرگ ارائه میدهد.
مارتینز-گارزون در پایان گفت: یافتههای ما نشان میدهد هوش مصنوعی میتواند در شناسایی مراحل آمادهسازی برخی زمینلرزهها در صورتی که این مراحل وجود داشته باشند و دادههای مناسب در دسترس باشد نقش موثری ایفا کند. گام بعدی ادغام این روشها در سامانههای پایش لحظهای و درک بهتر این موضوع است که چرا برخی زمینلرزهها علائم هشداردهنده دارند و برخی دیگر بدون هیچ نشانهای رخ میدهند.
