پیش‌بینی زلزله با هوش مصنوعی؛ هشدار فاجعه ماه‌ها قبل از وقوع آن!

در طول سال‌ها، پیش‌بینی زلزله یکی از بزرگ‌ترین چالش‌های علم زلزله شناسی بوده است. زلزله‌ها از جمله بلایای طبیعی هستند که قابلیت پیش‌بینی دقیق آن‌ها بسیار محدود است و تاکنون هیچ فناوری‌ای قادر نبوده است وقوع آن‌ها را به طور کامل پیش‌بینی کند. اما تحقیقات جدید نشان می‌دهند که ممکن است هوش مصنوعی (AI) بتواند این مشکل را تا حدودی حل کند. به ویژه، تحقیقات اخیر نشان داده‌اند که با استفاده از تکنیک‌های یادگیری ماشین (Machine Learning)، می‌توان نشانه‌های اولیه فعالیت‌های لرزه‌ای را شناسایی و به این ترتیب، وقوع زلزله‌های بزرگ را ماه‌ها قبل از وقوع آن‌ها پیش‌بینی کرد!

در این تحقیق که توسط «تارسیلو جیرونا» (Társilo Girona)، استادیار پژوهشی در دانشگاه آلاسکا فیربنکس انجام شده است، به نظر می‌رسد که با تحلیل داده‌های فعالیت‌های تکتونیکی کم‌دامنه که در مناطق وسیعی رخ می‌دهند، می‌توان چند روز یا حتی چند ماه پیش از وقوع زلزله‌های بزرگ به هشدارهای اولیه دست یافت. این مطالعه بر دو زلزله بزرگ آلاسکا و کالیفرنیا تمرکز داشته است و نتایج این تحقیق نشان می‌دهد که امکان پیش‌بینی دقیق‌تر زلزله‌ها وجود دارد. این تحقیق که در تاریخ 28 اوت 2024 (7 شهريور) در مجله Nature Communications منتشر شده، به یک پیشرفت اساسی در پیش‌بینی زلزله‌ها اشاره می‌کند.

اهمیت یادگیری ماشین در پیش‌بینی زلزله

یادگیری ماشین یکی از تکنیک‌های مهم در علم داده است که امکان تحلیل حجم زیادی از داده‌ها را فراهم می‌آورد. جیرونا و تیم او با استفاده از یادگیری ماشین توانستند الگوهای پیش از وقوع زلزله‌های بزرگ را شناسایی کنند. این الگوها به طور معمول شامل فعالیت‌های لرزه‌ای با بزرگای کمتر از 1.5 ریشتر بوده‌اند که حدود سه ماه قبل از زلزله‌های اصلی در مناطق مورد مطالعه رخ داده است.

با تحلیل داده‌های مربوط به زلزله‌های آلاسکا (زلزله 7.1 ریشتری در سال 2018) و کالیفرنیا (مجموعه‌ای از زلزله‌های 6.4 تا 7.1 ریشتری در سال 2019)، پژوهشگران متوجه شدند که این فعالیت‌های کم‌دامنه در حدود 15 تا 25 درصد از مناطق جنوبی آلاسکا و کالیفرنیای جنوبی پیش از وقوع این زلزله‌های بزرگ اتفاق افتاده است. جیرونا در این باره می‌گوید:

تحلیل‌های آماری پیشرفته، به ویژه یادگیری ماشین، پتانسیل شناسایی پیش‌نشانه‌های زلزله‌های بزرگ را دارند که از تحلیل داده‌های موجود در کاتالوگ زلزله‌ها به‌دست می‌آیند.

مطالعه موردی: زلزله‌های انکوریج و ریج‌کرست

پژوهشگران در این تحقیق دو زلزله مهم را بررسی کردند. اولین زلزله مورد مطالعه، زلزله انکوریج (Anchorage) در آلاسکا بود که در تاریخ 30 نوامبر 2018 رخ داد. این زلزله 7.1 ریشتری در ساعت 8:29 صبح به وقت محلی با مرکزیت 10.5 مایلی (17 کیلومتری) شمال این شهر به وقوع پیوست و خسارات زیادی به برخی جاده‌ها و ساختمان‌ها وارد کرد.

زلزله دوم، زلزله‌های دنباله‌دار ریج‌کرست (Ridgecrest) در کالیفرنیا بود که در سال 2019 رخ داد. این لرزه‌ها شامل زلزله‌هایی با بزرگی 6.4 تا 7.1 ریشتر بود که خسارات عمده‌ای به مناطق جنوبی کالیفرنیا وارد کرد.

بر اساس نتایج به دست آمده، تقریباً سه ماه پیش از زلزله انکوریج و حدود 40 روز قبل از مجموعه زلزله‌های ریج‌کرست، فعالیت‌های لرزه‌ای غیرمعمولی در این مناطق شناسایی شده بود. این فعالیت‌ها که دارای بزرگای کمتر از 1.5 ریشتر بودند، به نوعی نشان دهنده افزایش احتمال وقوع زلزله‌های بزرگ‌تر بودند. مدل یادگیری ماشینی توسعه یافته توسط جیرونا و تیمش نشان داد که احتمال وقوع زلزله انکوریج در 30 روز یا کمتر، سه ماه پیش از وقوع زلزله به طور ناگهانی به حدود 80 درصد افزایش یافت و چند روز قبل از زلزله به حدود 85 درصد رسید.

علت‌های زمین‌شناختی پیش‌نشانه‌های زلزله

یکی از یافته‌های مهم این تحقیق، ارتباط بین فعالیت‌های لرزه‌ای کم‌دامنه و افزایش فشار سیال منافذ درون گسل‌ها است. سیالات موجود در بین سنگ‌ها می‌توانند باعث لغزش گسل‌ها شوند، به ویژه زمانی که فشار این سیالات به حدی برسد که مقاومت اصطکاکی بین بلوک‌های سنگی در دو طرف گسل را کاهش دهد. جیرونا و همکارانش این نظریه را مطرح کرده‌اند که افزایش فشار سیال در گسل‌های منجر به زلزله‌های بزرگ، خواص مکانیکی این گسل‌ها را تغییر داده و باعث ایجاد تغییرات ناهماهنگ در میدان تنش منطقه‌ای می‌شود.

دکتر “کریاکی دریمونی” (Kyriaki Drymoni)، زمین‌شناس دانشگاه لودویگ ماکسیمیلیان مونیخ آلمان و یکی از نویسندگان همکار این تحقیق می‌گوید:

این تغییرات نامنظم در فشارهای منطقه‌ای ممکن است باعث وقوع زلزله‌های کوچک به عنوان نشانه‌های قبل از زلزله بزرگ شوند.

چالش‌ها و فرصت‌های پیش‌بینی زلزله

اگر چه این تحقیق بسیار امیدوارکننده و نویدبخش است، اما هنوز چالش‌های زیادی در پیش‌بینی دقیق زلزله‌ها وجود دارد. جیرونا و دریمونی اذعان دارند که الگوریتم‌های آن‌ها باید در شرایط واقعی و در زمان تقریبی آزمایش شوند تا چالش‌های احتمالی پیش‌بینی زلزله‌ها شناسایی و رفع شوند. به علاوه، آن‌ها تأکید می‌کنند که استفاده از این روش در مناطق جدید نیازمند آموزش الگوریتم با داده‌های تاریخی همان منطقه است.

یکی از مهم‌ترین جنبه‌های پیش‌بینی زلزله، ابعاد اخلاقی و عملی آن است. جیرونا می‌گوید:

پپیش‌بینی دقیق می‌تواند جان انسان‌ها را نجات دهد و خسارات اقتصادی را با ارائه هشدارهای زودهنگام و امکان تخلیه به موقع کاهش دهد. اما عدم قطعیت‌های ذاتی در پیش‌بینی زلزله نیز برخی پرسش‌های مهم را در خصوص اخلاقی و عملی بودن چنین کاری مطرح می‌کند.

مسئله‌ای که در این میان وجود دارد، ریسک‌های ناشی از هشدارهای اشتباه است. هشدارهای نادرست می‌توانند باعث ایجاد وحشت بی‌مورد، اختلال اقتصادی و کاهش اعتماد عمومی شوند. از سوی دیگر، عدم پیش‌بینی یک زلزله بزرگ می‌تواند عواقب فاجعه‌باری به همراه داشته باشد.

نقش یادگیری ماشین در آینده پیش‌بینی زلزله

با پیشرفت فناوری‌های هوش مصنوعی و یادگیری ماشین، امکان تحلیل دقیق‌تر و سریع‌تر داده‌های لرزه‌ای فراهم می‌شود. امروزه شبکه‌های لرزه‌نگاری مدرن حجم زیادی از داده‌ها را تولید می‌کنند که تحلیل آن‌ها به صورت دستی تقریباً غیرممکن است. اما هوش مصنوعی می‌تواند با تحلیل این داده‌ها الگوهای مهمی را که ممکن است نشان دهنده وقوع یک زلزله بزرگ باشند، شناسایی کند.

جیرونا در این باره می‌گوید:

شبکه‌های لرزه‌نگاری مدرن داده‌های عظیمی تولید می‌کنند که در صورت تحلیل صحیح، می‌توانند بینش‌های ارزشمندی در مورد نشانه‌های پیش از وقوع زلزله‌ها ارائه دهند. اینجا است که پیشرفت‌های یادگیری ماشین و پردازش‌های کامپیوتری قدرتمند می‌توانند نقش تحول‌آفرینی ایفا کرده و به محققان کمک کنند تا الگوهای معناداری را که ممکن است نشان دهنده زلزله‌های قریب الوقوع باشند، شناسایی کنند.

با وجود همه چالش‌ها، تحقیقات اخیر نشان می‌دهند که آینده پیش‌بینی زلزله ممکن است بسیار روشن‌تر از آن چیزی باشد که تا کنون تصور می‌شد. هوش مصنوعی با توانایی‌های خود در تحلیل داده‌ها و شناسایی الگوهای پنهان، می‌تواند به محققان کمک کند تا زلزله‌های بزرگ را ماه‌ها پیش از وقوع پیش‌بینی کنند و با ارائه هشدارهای زودهنگام، جان هزاران نفر را نجات دهند. با این حال، هنوز راه درازی در پیش است و برای رسیدن به یک پیش‌بینی دقیق و قابل اعتماد، باید تحقیقات بیشتری انجام شود.