پیش‌بینی دقیق زلزله ماه‌ها قبل از وقوع

 به گزارش اینتیتر به نقل از گجت نیوز، پیش‌بینی زمین لرزه قبل از وقوع، یکی از آرزوهای پژوهشگران این حوزه بوده که به نظر می‌رسد بالاخره ممکن شده است. گروهی از دانشمندان موفق به ابداع روش جدیدی شده‌اند که می‌تواند وقوع زمین لرزه را ماه‌ها قبل پیش‌بینی کند. جزئیات این پژوهش را در ادامه مطالعه کنید.

امکان پیش‌بینی زلزله ماه ها قبل از وقوع

اخیرا یکی از محققان دانشگاه آلاسکا فیربنکس، موفق شده با مطالعه و شناسایی ناآرامی‌های زمین ساختیِ اعماق زمین در مناطق بزرگ به نتایج شگفت‌انگیزی برسد. در این تحقیق تمرکز روی فعالیت‌های اولیه فوران‌های آتشفشانی و زلزله‌ها بوده و برای پیش‌بینی چنین رویدادی از هوش مصنوعی و مدل‌های یادگیری ماشین استفاده شده است.

استادیار پژوهشی دانشگاه آلاسکا فیربنکس، تارسیلو خیرونا موفق شد دو زمین لرزه بزرگی که در آلاسکا و کالیفرنیا اتفاق افتاده بود را تجزیه و تحلیل کند. زمین لرزه آلاسکا ۷.۱ ریشتر و زلزله کالیفرنیا بین ۶.۴ تا ۷.۱ ریشتر بوده است.

شناسایی مناطق لرزه خیز

در تجزیه و تحلیل زمین‌لرزه‌های آلاسکا و کالیفرنیا، دکتر خیرونا به این نتیجه رسید که هر دو زلزله پیش از اتفاق به مدت ۳ ماه لرزه خیزی منطقه‌ای با قدر پایین و غیرعادی داشته‌اند که میزان آن ۱۵ تا ۲۵ درصد بوده است. به اعتقاد سرپرست این مطالعه، ناآرامی‌هایی که قبل از زمین‌لرزه‌های بزرگ اتفاق می‌افتد، توسط فعالیت‌های لرزه‌ای با بزرگای کمتر از ۱.۵ ثبت خواهد شد.

جالب است بدانید که زلزله ۷.۱ ریشتری آلاسکا در سال ۲۰۱۸ میلادی و ۸:۳۰ دقیقه صبح به وقت محلی رخ داد و مرکز آن تقریبا ۱۰.۵ مایلی شمال شهر بود. این واقعه ترسناک باعث شد خسارات زیادی به برخی از جاده‌ها و بزرگراه‌ها وارد شود و حتی چندین ساختمان تخریب شد.

شناسایی زلزله با کمک یادگیری ماشین

به گفته دکتر خیرونا، پژوهش آن‌ها نشان می‌دهد که تکنیک‌های آماری پیشرفته به مدد فناوری یادگیری ماشینی، پتانسیل شناسایی پیش سازهای زمین‌لرزه‌های بزرگ را به کمک تجزیه و تحلیل مجموعه داده‌های به دست آمده از کاتالوگ‌های زلزله دارد.

پژوهشگران موفق شدند با یک الگوریتم رایانه‌ای، مجموعه‌ای از دستورالعمل‌های رایانه‌ای را به سیستم بدهند تا داده‌ها را تفسیر کرده و از آن‌ها برای گرفتن تصمیمات آگاهانه استفاده کند. همچنین سیستم قادر به شناسایی فعالیت‌های غیرعادی لرزه‌ای است و مدام داده‌ها را جستجو می‌کند.

پژوهشگران توانستند به لطف آموزش جامع سیستم خود، زلزله آلاسکا را تجزیه و تحلیل کنند و به این نتیجه برسند که احتمال وقوع یک زمین لرزه بزرگ در ۳۰ روز یا کمتر به طور ناگهانی به حدود ۸۰ درصد سه ماه قبل افزایش یافته است. خیرونا و همکارش دریافتند که احتمال وقوع این زلزله تا چند روز قبل بیش از ۸۵ درصد بوده است. (براساس الگوریتمی که طراحی کرده بودند)

به عقیده دانشمندان، دلیل زمین شناسی که باعث فعالیت‌های پیش ساز می‌شود، افزایش قابل توجه فشار سیال نفوذی در یک گسل است. منظور از فشار سیال نفوذی، فشاری است که درون سنگ وجود دارد. اگر فشار برای غلبه بر مقاومت اصطکاکی بین تخته‌های سنگ در دو طرف گسل کافی باشد، فشار بالای داخل سنگ می‌تواند گسل را بلغزاند.

به گفته همکار خیرونا، افزایش فشار سیال نفوذی در گسل‌هایی که منجر به زمین‌لرزه‌های بزرگ می‌شوند، خواص مکانیکی گسل‌ها را تغییر می‌دهند که به نوبه خود منجر به تغییرات ناهمگون در میدان تنش منطقه‌ای می‌شود. ما پیشنهاد می‌کنیم که این تغییرات ناهمگون، لرزه خیزی غیرعادی و پیش ساز را کنترل کنند.

داده‌های عظیمی که از شبکه لرزه‌ای مدرن تولید می‌شوند

به اعتقاد دکتر خیرونا،اگر داده‌های عظیمی که توسط شبکه‌های لرزه‌ای مدرن تولید می‌شوند به درستی تجزیه و تحلیل گردند، می‌توانند اطلاعات مهم و ارزشمندی در خصوص پیش سازهای لرزه‌ای ارائه کنند. او می‌گوید:«این جایی است که پیشرفت‌ها در یادگیری ماشین و محاسبات با کارایی بالا می‌تواند نقشی دگرگون کننده داشته باشد و محققان را قادر می‌سازد تا الگوهای معناداری را که می‌توانند نشانه یک زلزله قریب الوقوع را نشان دهند، شناسایی کنند.»

خوشبختانه به زودی از الگوریتم‌هایی که محققان توسعه داده‌اند برای پیش‌بینی زمین‌لرزه‌ها استفاده خواهد شد. البته به عقیده محققان، از الگوریتم جدید باید در مناطقی استفاده شود که قبلا لرزه خیزی تاریخی آن منطقه به رایانه آموزش داده شده باشد. به هر حال برای یک پیش بینی قابل اعتماد باید راجع به شرایط زمین ساختی آن منطقه اطلاعاتی داشته باشیم.

همان‌طور که خیرونا به درستی اشاره کرده، پیش‌بینی که دقیق باشد می‌تواند با ارائه هشدارهای اولیه، امکان تخلیه و آماده سازی به موقع را فراهم کند و جان انسان‌ها را نجات دهد. از طرف دیگر اگر هشدارها اشتباه از آب دربیاید، می‌تواند وحشت ایجاد کرده و اعتماد عمومی نسبت به این سیستم را خدشه‌دار کند.