روش جدیدی برای پیشبینی زلزله ابداع شده است، که میتواند ماهها قبل از وقوع به طور دقیق با شناسایی ناآرامیهای تکتونیکی سطح پایین در مناطق وسیع انجام شود.
به گزارش سرویس اخبار علمی سایت شات ایکس و به نقل از تکناک این روش که توسط دانشمندان فیربنکس دانشگاه آلاسکا ابداع شده است، شامل بررسی تغییرات در دادههای ماهوارهای و میدان مغناطیسی زمین میباشد.
این مطالعه بر فعالیتهای اولیه فورانهای آتشفشانی و زمینلرزهها تمرکز دارد و از یادگیری ماشینی برای پیشبینی چنین رویدادی استفاده میکند.
این مطالعه به رهبری تارسیلو جیرونا، استادیار پژوهشی از مؤسسه ژئوفیزیک UAF، دوزلزله بزرگ در آلاسکا و کالیفرنیا (زلزله 7.1 ریشتری 2018 انکوریج و 2019 Ridgecrest، کالیفرنیا، توالی زمین لرزههایی با بزرگی 6.4 تا 7.1) را تجزیه و تحلیل کرد.
شناسایی فعالیتهای لرزهای غیرعادی
قبل از هر یک از دو زلزله مورد مطالعه، آنها دریافتند که حدود سه ماه لرزهخیزی منطقهای با بزرگی کم غیرعادی در حدود 15 تا 25 درصد از جنوب مرکزی آلاسکا و جنوب کالیفرنیا رخ داده است.
تحقیقات آنها نشان میدهد که ناآرامیهای پیش از زلزله های بزرگ اغلب توسط فعالیتهای لرزهای با بزرگی کمتر از 1.5 ثبت میشود.
زلزله انکوریج در 30 نوامبر 2018 در ساعت 8:29 صبح رخ داد، که مرکز آن 16.89 کیلومتری شمال شهر بود.
بر اساس این مطالعه، خسارت زیادی به برخی از جادهها و بزرگراهها وارد شد و چندین ساختمان نیز آسیب دیدند.
پیشبینی زلزله با یادگیری ماشینی
جیرونا گفت: «مقاله ما نشان میدهد که تکنیکهای آماری پیشرفته، به ویژه یادگیری ماشینی ، پتانسیل شناسایی پیشسازهای زلزله های بزرگ را با تجزیه و تحلیل مجموعه دادههای به دست آمده از کاتالوگهای زلزله دارند.»
محققان یک الگوریتم کامپیوتری نوشتند که مجموعهای از دستورالعملهای کامپیوتری است و به برنامهای میآموزد که دادهها را تفسیر کند، از آنها یاد بگیرد و پیشبینیها یا تصمیمگیریهای آگاهانه بگیرد تا دادهها را جستوجو کند و به دنبال فعالیتهای لرزهای غیرعادی باشد.
جیرونا با استفاده از برنامه آموزش داده شده خود، با زلزله انکوریج به این نتیجه رسید که احتمال وقوع یک زلزله بزرگ در 30 روز یا کمتر به طور ناگهانی به حدود 80 درصد در سه ماه قبل از زلزله 30 نوامبر افزایش یافته است.
این احتمال تنها چند روز قبل از وقوع به 85 درصد افزایش یافت. بر اساس بیانیه مطبوعاتی UAF، محققان یافتههای احتمالی مشابهی برای توالی زلزله ریج کرست برای دورهای داشتند که حدود 40 روز قبل از شروع توالی زمین لرزه شروع میشد.
محققان یک دلیل زمینشناسی برای فعالیت پیشساز با بزرگی کم پیشنهاد میکنند و آن هم افزایش قابل توجه فشار سیال منفذی در یک گسل است.
فشار سیال منفذی به فشار سیال درون سنگ اشاره دارد.
بر اساس مطالعه منتشر شده در مجله Nature Communications، اگر فشار برای غلبه بر مقاومت اصطکاکی بین بلوکهای سنگ در دو طرف گسل کافی باشد، فشار سیال منفذی بالا به طور بالقوه میتواند باعث لغزش گسل شود.
افزایش فشار سیال منفذی در گسلهایی که باعث زلزله های بزرگ میشوند، خواص مکانیکی گسلها را تغییر میدهند، که به نوبه خود سبب تغییرات ناهموار در میدان تنش منطقهای میشود.
به نظر میرسد که این تغییرات ناهموار، لرزهخیزی غیرعادی و پیشقدم با بزرگی کم را کنترل کنند.
دانشمندان ادعا می کنند که یادگیری ماشین تأثیر مثبت زیادی بر تحقیقات زلزله دارد.
تولید دادههای عظیم با شبکههای لرزهای مدرن
جیرونا تأکید کرد: «شبکههای لرزهای مدرن مجموعه دادههای عظیمی را تولید میکنند که وقتی به درستی تجزیه و تحلیل شوند، میتوانند بینشهای ارزشمندی را در مورد پیشسازهای رویدادهای لرزهای ارائه دهند.»
وی تصریح کرد: «این جایی است که پیشرفتها در یادگیری ماشین و محاسبات با کارایی بالا میتواند نقشی دگرگونکننده داشته باشند و محققان را قادر میسازند تا الگوهای معنیداری را که میتوانند سیگنال یک زلزله قریبالوقوع را نشان دهند، شناسایی کنند.»
الگوریتم توسعه یافته توسط محققان به زودی در موقعیتهای نزدیک به زمان واقعی در تلاش برای مقابله با چالشهای بالقوه برای پیشبینی زلزله آزمایش خواهد شد.
محققان معتقد هستند که این روش نباید در مناطق جدید بدون آموزش الگوریتم با لرزهخیزی تاریخی آن منطقه به کار گرفته شود.
همچنین آنها ادعا کردند که تولید پیشبینیهای قابل اعتماد زلزله بعدی بسیار مهم و اغلب بحثبرانگیز است.
پیشبینی دقیق با ارائه هشدارهای اولیه که امکان تخلیه و آمادهسازی به موقع را فراهم میکند، میتواند جان انسانها را نجات و خسارات اقتصادی را کاهش دهد.
با وجود این، عدم قطعیت ذاتی در پیشبینی زلزله نیز سؤالات اخلاقی و عملی مهمی را ایجاد میکند.
هشدارهای نادرست میتواند باعث وحشت بیمورد، اختلال اقتصادی و از دست دادن اعتماد عمومی شود، در حالی که پیشبینیهایی که نادیده گرفته میشوند، ممکن است عواقب فاجعه باری داشته باشند.