ایسنا نوشت : این روش که توسط یک دانشمند در دانشگاه آلاسکا فیربنکس ابداع شده است، به شناسایی ناآرامی‌های زمین‌ساختی در اعماق زمین در مناطق بزرگ می‌پردازد

این مطالعه بر فعالیت‌های اولیه فوران‌های آتشفشانی و زمین‌لرزه‌ها تمرکز دارد و از فناوری یادگیری ماشینی برای پیش‌بینی چنین رویدادی استفاده می‌کند.

این مطالعه به رهبری یک استادیار پژوهشی به نام تارسیلو خیرونا(Társilo Girona) از موسسه ژئوفیزیک دانشگاه آلاسکا فیربنکس، دو زمین‌لرزه بزرگ در آلاسکا و کالیفرنیا(زلزله ۷.۱ ریشتری منطقه اَنکورِیج آلاسکا در سال و سلسله زمین‌لرزه‌های ۶.۴ تا ۷.۱ ریشتری منطقه ریج‌کِرِست کالیفرنیا در سال ۲۰۱۹) را تجزیه و تحلیل کرد.

آنها دریافتند که قبل از هر یک از این دو زمین‌لرزه مورد مطالعه، تقریباً سه ماه لرزه‌خیزی منطقه‌ای با قدر پایین و غیر عادی در حدود ۱۵ تا ۲۵ درصد از جنوب مرکزی آلاسکا و جنوب کالیفرنیا رخ داده است.

تحقیقات آنها نشان می‌دهد که ناآرامی‌های پیش از زمین‌لرزه‌های بزرگ عمدتاً توسط فعالیت‌های لرزه‌ای با بزرگای کمتر از ۱.۵ ثبت می‌شود.

زمین‌لرزه اَنکوریج در تاریخ ۳۰ نوامبر ۲۰۱۸ در ساعت ۸:۲۹ صبح به وقت محلی رخ داد که مرکز آن تقریباً ۱۰.۵ مایلی شمال این شهر بود. بر اساس این مطالعه، این زلزله خسارات زیادی به برخی از جاده‌ها و بزرگراه‌ها وارد کرد و چندین ساختمان نیز آسیب دیدند.

خیرونا می‌گوید: پژوهش ما نشان می‌دهد که تکنیک‌های آماری پیشرفته به ویژه بهره‌مندی از فناوری یادگیری ماشینی، پتانسیل شناسایی پیش‌سازهای زلزله‌های با بزرگای بالا را با تجزیه و تحلیل مجموعه داده‌های به دست آمده از کاتالوگ‌های زلزله دارند.

نویسندگان یک الگوریتم رایانه‌ای نوشتند تا با مجموعه‌ای از دستورالعمل‌های رایانه‌ای که به برنامه‌ای می‌آموزد که داده‌ها را تفسیر کند، از آنها یاد بگیرد و پیش‌بینی‌ها یا تصمیمات آگاهانه بگیرد و داده‌ها را جستجو کند تا به دنبال فعالیت‌های لرزه‌ای غیر عادی باشد.

خیرونا و کریاکی درایمونی(Kiriaki Drymoni) نویسنده همکار این مطالعه، با استفاده از برنامه آموزش داده شده خود با زلزله انکوریج دریافتند که احتمال وقوع یک زلزله بزرگ در ۳۰ روز یا کمتر به طور ناگهانی به حدود ۸۰ درصد حدود سه ماه قبل از ۳۰ نوامبر افزایش یافته است.

این احتمال تنها چند روز قبل از وقوع به تقریباً ۸۵ درصد افزایش یافت. براساس بیانیه مطبوعاتی پژوهشگران، آنها یافته‌های احتمالی مشابهی برای توالی زلزله ریج‌کرست برای دوره‌ای داشتند که حدود ۴۰ روز قبل از شروع سلسله زمین‌لرزه‌ها شروع می‌شد.

محققان یک دلیل زمین‌شناسی برای فعالیت پیش‌ساز با قدر کم پیشنهاد می‌کنند و آن، افزایش قابل توجه فشار سیال نفوذی در یک گسل است.

فشار سیال نفوذی به فشار سیال درون سنگ اشاره دارد. بر اساس مطالعه منتشر شده در مجله Nature Communications، اگر فشار برای غلبه بر مقاومت اصطکاکی بین تخته‌های سنگ در دو طرف گسل کافی باشد، فشار سیال نفوذی بالا به طور بالقوه می‌تواند منجر به لغزش گسل شود.

درایمونی می‌گوید: 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، لرزه‌خیزی غیر عادی و پیش‌ساز با قدر کم را کنترل کنند.

دانشمندان ادعا می‌کنند که فناوری یادگیری ماشینی تاثیر مثبت زیادی بر تحقیقات زلزله دارد.

شبکه‌های لرزه‌ای مدرن مجموعه داده‌های عظیمی تولید می‌کنند

خیرونا اظهار داشت که 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.

خیرونا خاطرنشان کرد: این جایی است که پیشرفت‌ها در یادگیری ماشین و محاسبات با کارایی بالا می‌تواند نقشی دگرگون‌کننده داشته باشد و محققان را قادر می‌سازد تا الگوهای معنی‌داری را که می‌توانند نشانه یک زلزله قریب الوقوع را نشان دهند، شناسایی کنند

الگوریتم توسعه یافته توسط محققان به زودی در موقعیت‌های قریب الوقوع در تلاش برای مقابله با چالش‌های بالقوه برای پیش‌بینی زلزله آزمایش خواهد شد.

محققان معتقدند که این روش نباید در مناطق جدید بدون آموزش الگوریتم با لرزه‌خیزی تاریخی آن منطقه به کار گرفته شود. آنها همچنین خاطرنشان کردند که تولید پیش‌بینی‌های قابل اعتماد از زلزله، بُعدی عمیقا مهم و اغلب بحث‌برانگیز دارد.

خیرونا می‌گوید: پیش‌بینی دقیق با ارائه هشدارهای اولیه که امکان تخلیه و آماده‌سازی به موقع را فراهم می‌کند، می‌تواند جان انسان‌ها را نجات دهد و خسارات اقتصادی را کاهش دهد. با این حال، عدم قطعیت ذاتی در پیش‌بینی زلزله نیز سؤالات مهمی را ایجاد می‌کند، چرا که هشدارهای نادرست می‌تواند منجر به وحشت غیرضروری، اختلال اقتصادی و از دست دادن اعتماد عمومی شود، در حالی که پیش‌بینی‌های نادیده گرفته شده می‌تواند عواقب فاجعه باری داشته باشد.