المؤلف: لي باوزو

المحرر: لي ويدونغ، شيشي، سانيانغ

يتضمن حدوث الزلازل العديد من المتغيرات، كما أن "التنبؤ" بها أمر صعب، ولكن تم تحقيق تقدم كبير في التنبؤ بعدد وشدة الهزات الارتدادية.

في الساعة 23:59 يوم 18 ديسمبر 2023، وقع زلزال بقوة 6.2 درجة في محافظة جيشيشان، محافظة لينشيا، مقاطعة قانسو، وبلغ عمق بؤرته 10 كيلومترات. اعتبارًا من الساعة 06:00 يوم 19، تم رصد 275 هزة ارتدادية محليًا. وبالمصادفة، وقع زلزال بقوة 7.6 درجة في شبه جزيرة نوتو، بمحافظة إيشيكاوا، اليابان، بعد ظهر يوم 1 يناير 2024. وحتى الساعة 6:00 صباحًا بالتوقيت المحلي في اليوم الثاني، حدثت 129 هزة ارتدادية بشدة تزيد عن درجتين.

(يعني الرقم 2 على مقياس شدة الزلازل في اليابان أن العديد من الأشخاص في المباني الهادئة قد يشعرون بالاهتزاز.)

ورغم أن الهزات الارتدادية ليست عنيفة مثل الهزة الرئيسية المفاجئة، إلا أنه لا ينبغي الاستهانة بقوة هذه الهزات. من ناحية أخرى، غالبا ما تكون الهزات الارتدادية للزلزال القوي ذات قوة عالية؛ ومن ناحية أخرى، فإن الأضرار الثانوية الناجمة عن الهزات الارتدادية قد تؤدي إلى تدمير المزيد من المباني الهشة للغاية بالفعل، مما يؤدي إلى انهيار مساحة أكبر.

وبالإضافة إلى ذلك، قد تتسبب الهزات الارتدادية المتكررة في عدم استقرار بنية الجبل، وإذا كان هناك هطول للأمطار، فقد يتسبب ذلك أيضًا في كوارث جيولوجية ثانوية مثل الانهيارات الأرضية وتدفقات الطين والصخور. ومع ذلك، فإن الهزات الارتدادية غالباً ما تكون غير متوقعة أيضاً لأنه من الصعب تحديد كيف ستؤدي الهزة الرئيسية عن بعد إلى إثارة مناطق الصدع في مناطق أخرى في فترة قصيرة من الزمن بعد الزلزال.

في الواقع، لم يتوقف الناس أبدًا عن استكشاف كيفية تحقيق التنبؤ بالزلازل، وخاصة قدرات معالجة البيانات والتفكير التي أظهرتها تقنيات مثل الذكاء الاصطناعي والبيانات الضخمة، والتي قدمت أفكارًا أكثر مرونة لحل المشكلات وحققت تقدمًا مرضيًا. نشرت مراسلة مجلة Nature، ألكسندرا ويتز، تقريراً سابقاً في مجلة Nature يقدم إمكانات نماذج التعلم الآلي في التنبؤ بالهزات الارتدادية للزلازل وشدتها.

الرابط الأصلي:

https://www.nature.com/articles/d41586-023-02934-6

ابتكار نماذج التنبؤ المدعومة بالشبكات العصبية

إن الكوارث غالبا ما تحدث فجأة ويصعب مكافحتها بالقوة البشرية، لذلك فإن الناس أكثر حرصا على التنبؤ بموعد حدوث الزلزال حتى يتمكنوا من إخلاء المناطق الخطرة مسبقا. ورغم أنه لا يزال من الصعب التنبؤ بالزلزال في وقت ومكان محددين، فقد أصبح التنبؤ بالهزات الارتدادية ممكنا بمساعدة التعلم العميق، مما سيساعد بلا شك بشكل كبير في عمليات الإخلاء بعد الكارثة وتقليل الخسائر.

وكما أن نماذج اللغة الكبيرة تحتاج إلى تدريب بملايين الكلمات والجمل والفقرات وما إلى ذلك، فإن تدريب نماذج التنبؤ بالزلازل يتطلب أيضًا كمية كبيرة من بيانات الزلازل السابقة للتنبؤ باحتمالية حدوث هزات ارتدادية. لكن الباحثين وجدوا أنه ليس من السهل عمليًا التنبؤ بوضوح بمؤشرات الكشف اللازمة للزلازل الكبيرة النادرة. في السنوات القليلة الماضية، استخدم علماء الزلازل التعلم الآلي لاكتشاف الزلازل الصغيرة التي لم يتم اكتشافها من قبل في سجلات الزلازل السابقة، وبالتالي إثراء البيانات الموجودة وتوفير مواد جديدة للجولة الثانية من تحليل التعلم الآلي.

يتنبأ نموذج التنبؤ الذي يستخدمه حاليًا المسح الجيولوجي الأمريكي (USGS) بالزلازل المحتملة بناءً على حجم وموقع الزلازل السابقة.في الوقت الحالي، اعتمدت ثلاث أوراق بحثية أساليب التنبؤ القائمة على الشبكات العصبية لالتقاط القوانين المعقدة لحدوث الزلازل بشكل أفضل.

أولاً،قام كيليان داشر كوزينو، عالم الجيوفيزياء بجامعة كاليفورنيا في بيركلي، وزملاؤه باختبار نموذجهم على بيانات من آلاف الزلازل التي حدثت في جنوب كاليفورنيا بين عامي 2008 و2021. وقد تفوق النموذج على النماذج القياسية في التنبؤ بعدد الزلازل التي ستحدث على مدى فترة أسبوعين متواصلين. بالإضافة إلى ذلك، يلتقط النموذج بشكل أفضل مجموعة من أحجام الزلازل المحتملة، مما يقلل من فرص وقوع زلزال كبير بشكل غير متوقع.

حاليا، فإن طريقة محاكاة تطور الزلازل المستخدمة على نطاق واسع في الصناعة هي نموذج ETAS (تسلسل الهزات الارتدادية من النوع الوبائي).

وعلى وجه التحديد، اختبرت الدراسة خصائص الصدمة الرئيسية، وكذلك كيفية تأثير الخلفية (العمق، ونوع حدود الصفائح، وما إلى ذلك) والمصدر (الطاقة المشعة، وحجم المصدر، وما إلى ذلك) على عدد الهزات الارتدادية، وأدخلت نموذج عمليات النقطة الزمنية العصبية في إطار التنبؤ بالزلزال القياسي.

المصدر: الملف الشخصي لـ Kelian Dascher-Cousineau على GitHub https://keliankaz.github.io/academic-profile/

ثانيًا،كما قام صامويل ستوكمان، وهو إحصائي تطبيقي في جامعة بريستول في المملكة المتحدة، بتطوير نموذج يعتمد على العمليات النقطية العصبية والذي أظهر أداءً جيدًا عند تدريبه على بيانات الزلازل من وسط إيطاليا في عامي 2016 و2017. وقد أظهر نموذج التعلم الآلي أداءً أفضل عندما قام الباحثون بتقليص حجم الزلازل في مجموعة التدريب.

وقد نُشر البحث في مجلة Earth's Future. أظهرت الدراسات أن عملية النقطة العصبية تتمتع بأداء تنبؤ أفضل للبيانات ذات الحجم المنخفض من نموذج إحصائي للهزات الارتدادية من نوع الزلزال ETAS (تسلسل الهزات الارتدادية من النوع الوبائي)، ولديها سرعة تدريب عالية.

عنوان الورقة:
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023EF003777

أخيرا،قام يوهاي بار سيناي، وهو فيزيائي بجامعة تل أبيب في إسرائيل، بقيادة فريق لتطوير نموذج يعتمد على المشفر وفك التشفير يسمى FERN (التنبؤ بمعدلات الزلازل باستخدام الشبكات العصبية). وعند اختباره على بيانات الزلازل في اليابان على مدى 30 عامًا، كان أداء النموذج أفضل من النموذج القياسي.

هندسة النماذج

كما هو موضح في الشكل أعلاه، يتم ترميز مدخلات النموذج بواسطة الشبكة العصبية لتوليد تمثيل كامن للحالة المبنية، والذي يتم تمريره بعد ذلك إلى شبكة فك التشفير. تتمثل ميزة هذا النهج في إمكانية دمج مصادر البيانات والأنماط المختلفة وإضافتها إلى النموذج بشكل طبيعي من خلال برامج ترميز خاصة بمصدر البيانات. بالإضافة إلى ذلك، يمكن استخدام نفس حالة الترميز كمدخل لرؤوس التنبؤ المتعددة (أجهزة فك التشفير) لمهام التنبؤ المختلفة. وقد نُشر البحث في مجلة Nature.

عنوان الورقة:
https://www.nature.com/articles/s41598-023-38033-9

الزلازل الذكية - نظام مراقبة الزلازل في الوقت الفعلي بالذكاء الاصطناعي

إن توقعات الناس بشأن "منع الكوارث قبل وقوعها" تشكل قوة دافعة هائلة للتحديث المستمر لأنظمة الإنذار المبكر بالزلازل، ولكن يتعين علينا أولاً أن نوضح أنما تم وضعه موضع الاستخدام ويتم تكراره باستمرار هو نظام الإنذار المبكر بالزلازل، وليس التنبؤ بالزلازل.

على الرغم من أن الفرق بينهما هو حرف واحد فقط، إلا أن الصعوبة الفنية والتأثيرات الفعلية مختلفة جدًا.الإنذار المبكر بالزلزال،ويعني ذلك أنه بعد حدوث الزلزال، قبل أن تنتشر الموجات الزلزالية إلى المنطقة المحصنة، يتم إصدار إنذار قبل عدة ثوانٍ إلى عشرات الثواني لإبلاغ الناس باتخاذ التدابير الطارئة، وبالتالي تقليل الخسائر؛التنبؤ بالزلزال،يشير إلى التنبؤ بأحداث الزلازل التي لم تحدث بعد ولكن من الممكن أن تحدث.

مصدر الصورة: ويبو @冲鋒号角

من تركيب الأرض في المناطق المختلفة إلى أنواع التفاعلات بين الصفائح الزلزالية والطريقة التي تنتشر بها الموجات الزلزالية عبر الأرض، هناك العديد من المتغيرات التي تشارك في تقييم الزلزال بحيث يحتاج الناس إلى فهم جميعها بشكل كامل من أجل إصدار حكم دقيق. لذا فإن "التنبؤ" ليس بالأمر السهل، ولكن "الإنذار المبكر" ليس بالأمر السهل.

عند النظر إلى "الإنذار المبكر بالزلزال" من منظور النموذج، نحتاج أولاً إلى ضمان الإدخال في الوقت المناسب لبيانات الزلزال، ثم معالجة بيانات الزلازل التي تحدث بسرعة ودقة، ثم استنتاج اتجاه وسرعة تمزق الصدع، وأخيراً نقلها إلى المنطقة المتضررة في الوقت الحقيقي من خلال وسائل الاتصال. إن هذه العملية تشبه السباق ضد الموت، ولا يمكن للمرء أن يشتري سوى بضع ثوان للهروب. تشير البيانات إلى أنه عند حدوث زلزال، إذا تم تلقي معلومات تحذيرية قبل 3 ثوانٍ من وقوعه، فسيتم تقليل الخسائر البشرية بمقدار 14%. إذا تم استلامه قبل 10 ثوانٍ، فسيتم تقليل الخسائر بمقدار 39%.

في الوقت الحاضر، تم نشر أنظمة الإنذار المبكر بالزلازل في العديد من الأماكن حول العالم، ولكن الوقت اللازم لتلقي معلومات التحذير لا يتجاوز في الغالب 3-10 دقائق. يمكن لنظام الإنذار المبكر بالزلازل REIS في اليابان حساب موقع وحجم الزلزال بعد 5 ثوانٍ من تلقي إشارة الموجة الزلزالية، وتقدير آلية مصدر تمزق الزلزال بعد حوالي دقيقتين؛ يستغرق نظام الإبلاغ السريع التلقائي التابع للمسح الجيولوجي الأمريكي من 3 إلى 5 دقائق للإبلاغ عن معلومات الزلازل؛ أطلقت بلدي أول نظام في العالم لرصد الزلازل "في الوقت الحقيقي" باستخدام الذكاء الاصطناعي -الزلزال الذكي في عام 2021.

تم تطوير النظام من قبل فريق البروفيسور تشانغ جيه في جامعة العلوم والتكنولوجيا في الصين بالتعاون مع إدارة الزلازل الصينية. يمكنه الحصول على العناصر الثلاثة للزلزال - الوقت (وقت حدوث الزلزال)، والمساحة (موقع مركز الزلزال)، والقوة (حجم الزلزال) - في غضون ثانية واحدة، والحصول على آلية مركز الزلزال، أي اتجاه وسرعة تمزق الصدع، وبالتالي تحقيق الكشف التلقائي في الوقت الحقيقي وإصدار معلومات الزلزال.

من حيث مبدأه، يعتمد "الزلزال الذكي" بشكل أساسي على قدرات التعلم العميق. ويستخدم ملايين البيانات المتعلقة بالزلازل التي تم جمعها في قاعدة البيانات ويجمعها مع النظرية الزلزالية لمعالجة بيانات الزلازل التي تحدث بسرعة.

والأمر الأكثر أهمية هو كيفية إصدار معلومات الإنذار المبكر في أسرع وقت ممكن بعد رصد بيانات الزلازل.

في زلزال قانسو هذا، تلقى المستخدمون في شينينغ وتشنغدو وأماكن أخرى بالقرب من مقاطعة جيشيشان تحذيرات من الزلزال عبر الهاتف المحمول تتراوح مدتها بين 120 ثانية إلى 240 ثانية. وقد أبدى العديد من مستخدمي الإنترنت استياءهم من قوة الهواتف المحمولة المحلية، ولكن في واقع الأمر، ينبغي أن يُعزى المزيد من الفضل إلى شبكة الإنذار المبكر من الزلازل في الصين التي تم بناؤها بشكل مشترك من قبل معهد تشنغدو لأبحاث الحد من الكوارث عالية التقنية وإدارة الزلازل الصينية، والتي قدمت معلومات الإنذار المبكر. ومن بينها، أصدرت شبكة الإنذار المبكر تحذيراً مبكراً إلى مدينة لينشيا، على بعد 56 كيلومتراً من مركز الزلزال، قبل 12 ثانية من وقوعه، وأصدرت تحذيراً مبكراً إلى مدينة لانزو، على بعد 110 كيلومترات من مركز الزلزال، قبل 29 ثانية من وقوعه.

وقال وانغ تون، مدير معهد تشنغدو لأبحاث الحد من الكوارث عالية التقنية، إن مبدأ تكنولوجيا الإنذار المبكر بالزلازل هو أن انتشار الموجات الكهرومغناطيسية أسرع بكثير من انتشار الموجات الزلزالية. قبل أن تصل موجات القص الزلزالي إلى منطقة الهدف التحذيري، يتم استخدام موجات كهرومغناطيسية ذات سرعة انتشار أسرع لإصدار تحذيرات إلى المناطق التي قد تتأثر. في الوقت الحاضر، تم ربط الهواتف المحمولة المحلية مثل هواوي وشاومي بوظيفة التحذير من الزلازل لشبكة التحذير المبكر من الزلازل في الصين. وهذه هي المرة الثمانين أيضًا التي تحذر فيها شبكة الإنذار المبكر من الزلازل في الصين من وقوع زلزال مدمر.

إن البشر لا قيمة لهم في مواجهة الكوارث الطبيعية، ولكن مع التحديث المستمر للتقنيات مثل الذكاء الاصطناعي والبيانات الضخمة وإنترنت الأشياء، فإننا نتسلح أيضًا بالتكنولوجيا ونصبح أقوياء بشكل متزايد. مع التكرار المتسارع للتقنيات الناشئة، سيستمر الناس في تحسين نظام الإنذار المبكر بالزلازل والعمل نحو تحقيق هدف "التنبؤ بالزلازل"!