
شبکه پیچیدهای از گسلها در زمین وجود دارد که در آن تکههای بزرگ سنگ از کنار، روی، زیر یا درون یکدیگر حرکت میکنند. این حرکات باعث میشوند که فشار عظیمی بهتدریج در زمین انباشته شود. زمانی که این تنشها بین دو لایه سنگی آزاد شود، انرژی بهصورت امواج لرزهای به سطح زمین فرستاده شده و لرزشهایی ایجاد میکند.
زمینلرزههای ویرانگر جان بسیاری را تهدید میکنند، بهطوریکه بهطور میانگین سالانه حدود ۱۰ هزار نفر بر اثر زلزله جان خود را از دست میدهند و هر سال حداقل یک زلزله با قدرت هشت ریشتر رخ میدهد. در حالی که هیچ کاری نمیتوان برای جلوگیری از وقوع زلزلهها انجام داد، درک اینکه کجا احتمال بیشتری برای وقوع دارند و امکان دارد چه قدرتی را آزاد کنند، اولین قدم برای پیشبینی زلزله است.
قدم دوم: سیستم هشدار زودهنگام (Early Warning System)
سیستمهای هشدار زودهنگام میتوانند چندین ثانیه پس از شروع زمینلرزه از طریق تلفن یا با ارسال سیگنالهای بلند به مناطق تحت تأثیر هشدار دهند. ابتدا زلزلهنگارهای نزدیک به گسل، آغاز لرزش را شناسایی کرده و الگوریتمهای دقیق، اندازه احتمالی زلزله را تعیین میکنند. اگر زلزله متوسط یا بزرگ باشد، هشدار ناشی از آن سریعتر از خود زلزله به مقصد میرسد و زمان ارزشمندی را برای ساکنان ذخیره میکند که میتواند حیاتی باشد. چنین هشدارهایی که در حال حاضر در کشورهایی مانند آمریکا، ژاپن، ترکیه، ایتالیا و رومانی در دسترس هستند، امید بسیاری از متخصصان به پیشرفت این حوزه را افزایش داده است.
اما این سیستمها محدودیتهایی دارند. به عنوان مثال، هشدارهای اشتباه (False Positive) یا عدم تشخیص زلزله(False Negative) از مشکلات مهم این سیستمها بوده است. همچنین، این هشدارها تنها بعد از شروع زمینلرزه فعال میشوند که به معنای پیشبینی واقعی زلزله نیست.
قدم سوم: ظهور الگوریتمهای هوش مصنوعی و پیشرفتهای یادگیری ماشین
برای دههها، پیشبینی زلزله قبل از وقوع کنار گذاشته شده بود و در دنیای علم جدی گرفته نمیشد. فعالیتهای لرزهای بینظم بودند و پیشبینی زودهنگام را غیرممکن میساختند. اما پیشرفتهای اخیر در یادگیری ماشین، ابزار جدیدی را در اختیار دانشمندان قرار داده است تا الگوهای زلزله را تجزیهوتحلیل کرده و مدلهای پیشبینی را بهبود ببخشند.
یکی از مهمترین دستاوردهای تحقیقاتی مبتنی بر یادگیری ماشین، توانایی آن در پردازش و تفسیر سیگنالهای صوتی تولید شده توسط اصطکاک بین صفحات زمین است. در گذشته، این سیگنالها به دلیل حجم و پیچیدگی بالا نادیده گرفته میشدند، اما اکنون مدلهای یادگیری ماشین میتوانند این دادهها را تحلیل کرده و الگوهای معناداری استخراج کنند که فراتر از توان انسان است.
در آزمایشگاه کریس مارون (Chris Marone’s Lab)، پژوهشگران با فشردن صفحات گرانیتی تحت فشار زیاد، امواج صوتی مشابه زلزلههای واقعی را تولید کردند. محققان از الگوریتمهای یادگیری ماشین برای شناسایی الگوها در این سیگنالها استفاده کردند و آن را برای پیشبینی زمان وقوع زلزلههای بعدی در آزمایشگاه آموزش دادند. موفقیت این پیشبینیها نشان میدهد که این امواج اطلاعات ارزشمندی دارند که در موقعیتهای واقعی نیز کاربرد خواهند داشت.
به طور کلی، یادگیری ماشین با شناسایی نشانههای ظریف وقوع زلزله که در روشهای آماری قدیمی نادیده گرفته میشدند، رویکردهای جدیدی ارائه داده است. به عنوان مثال، یک مطالعه نشان داد که در دو ساعت قبل از وقوع زلزله شدید، پوسته زمین در طول گسل با سرعتی افزایشی دچار تغییر شکل میشود. این تغییرات که قبلاً در دادههای پر از نویز(Noisy Data) پنهان بودند، اکنون با استفاده از الگوریتمهای پیشرفته شناسایی میشوند. نتیجه این مطالعات و مطالعات دیگر، امیدی دوباره به محققان این حوزه داده و بار دیگر این تحقیقات را به عرصه برگردانده است.
آخرین نتایج تا امروز: دنیای واقعی در سال ۲۰۲۴
ترکیب هوش مصنوعی و زمینشناسی در دنیای واقعی نیز نتایج قابل توجهی داشته است. در یکی از آزمایشهای انجامشده، الگوریتمهای هوش مصنوعی که توسط محققان دانشگاه تگزاس طراحی شده بود، توانستند ۷۰ درصد زلزلهها را قبل از وقوع پیشبینی کنند. این آزمایشها طی یک دوره هفتماهه در چین اجرا شد و نتایج آن نشاندهنده توانمندیهای قابلتوجه این فناوری است. تصویر روبهرو مکان زمینلرزههای پیشبینیشده توسط هوش مصنوعی (نقاط آبی) را در چین نشان میدهد که با یک خط قرمز به محل وقوع هر زمینلرزه واقعی (نقاط قرمز) متصل شده است.
الگوریتم طراحیشده توسط این گروه، از دادههای سالهای گذشته برای آموزش استفاده کرده و با شناسایی تغییرات نامحسوس در دادههای واقعی، موفق به ارائه پیشبینیهای دقیق شده است. این مدل در طول آزمایش توانست ۱۴ زلزله را پیشبینی کند، شدت زلزلهها را با دقت بالا تخمین بزند، یک زلزله را از دست بدهد و هشت هشدار اشتباه ارسال کند.

📷باوجود نتایج امیدبخش، هنوز مشخص نیست که آیا همین مدل در سایر نقاط جهان نیز کارایی دارد یا خیر. برای تأیید در شرایط واقعی، نیاز به سالها تحقیق و آزمایشهای میدانی در مناطق مختلف است، زیرا زمین هر منطقه جغرافیایی با منطقه دیگر متفاوت است.
آیا در آینده میتوان زلزلهها را با دقت بالا پیشبینی کرد؟
شاید... در آیندهای نزدیک، با پیشرفت بیشتر تکنولوژی در یادگیری ماشین و دسترسی به دادههای گستردهتر، این هدف به واقعیت تبدیل شود. با این حال، چالشهای زیادی در این مسیر وجود دارد. هنوز پیدا کردن الگوها بین دادههای بینظم زمین بسیار دشوار است و جمعآوری دادههای دقیق از پوسته زمین نیز چالش بزرگی محسوب میشود. اما تلاشهای مداوم دانشمندان میتواند ما را به پیشبینی دقیقتر و کارآمدتر زلزلهها نزدیکتر کند.
نویسنده : فاطمه املحی