تم الإبلاغ عن زلزال هوالين قبل 20 ثانية من وقوعه. هل التنبؤ الدقيق بالزلزال ليس بعيدًا؟

إن استخدام تقنيات التعلم الآلي مثل التعلم العميق والشبكات العصبية لتحليل ودراسة مشاكل الزلازل يمكن أن يكشف عن قيمة بعض البيانات التي لا يستطيع الناس رؤيتها. تحقيق دقة أعلى في التنبؤات مثل الهزات الارتدادية والزلازل الصغيرة.

في الساعة 13:01 يوم 18 أبريل، وقع زلزال بقوة 6.7 درجة على مقياس ريختر فجأة في هوالين، تايوان. كان هذا الزلزال هو الأكبر الذي ضرب تايوان منذ ما يقرب من 20 عامًا، وقد شعر الناس بالهزات في العديد من المناطق القريبة من مضيق تايوان. ولحسن الحظ، لم تقع سوى إصابات عرضية قليلة نتيجة لهذا الزلزال.

وذكرت تقارير إعلامية أن مدينة نيو تايبيه تلقت رسالة تحذيرية قبل 20 ثانية من الشعور بالزلزال. وكان عمدة مدينة تايبيه الجديدة السابق تشو ليلون يجري مقابلة معه في ذلك الوقت، وسجلت لقطات المقابلة أيضًا المشهد الذي تلقى فيه التحذير.

الرسالة التي تم تلقيها مسبقًا في الفيديو تسمى تحذيرًا من الزلزال. يشير هذا المصطلح إلى إرسال تنبيه إلى مناطق بعيدة عن مركز الزلزال بعد حدوثه، وعادةً قبل عشرات الثواني من وقوعه. ورغم أن هذه التكنولوجيا ناضجة، إلا أنها لا تستطيع مساعدة إلا المناطق الواقعة على حافة منطقة الزلزال، في حين أن منطقة مركز الزلزال لا تستطيع إلا أن تتركها للقدر.

على عكس الإنذار المبكر بالزلزال، فإن التنبؤ بالزلزال هو القدرة على التنبؤ بدقة بالوقت والموقع وحجم الزلزال قبل حدوثه، بحيث يمكن ترتيب التدابير المضادة مسبقًا. ومع ذلك، ونظراً للأسباب المعقدة للزلازل وندرة البيانات، فإننا لا نستطيع التنبؤ بالزلازل بدقة حتى يومنا هذا.

ومع ذلك، من الممتع أنه على الرغم من أن مشكلة التنبؤ بالزلازل لم يتم حلها، إلا أن العلماء بدأوا في السنوات الأخيرة في محاولة استخدام تقنيات التعلم الآلي مثل التعلم العميق والشبكات العصبية لتحليل ودراسة مشاكل الزلازل، وحققوا نتائج تنبؤ جيدة في التنبؤات مثل الهزات الارتدادية والزلازل الصغيرة.

تعاونت جامعة هارفارد وجوجل لاستخدام التعلم الآلي للتنبؤ بالهزات الارتدادية

الزلازل ليست أحداثًا معزولة؛ غالبًا ما تتبع "الصدمة الرئيسية" (التي عادة ما تكون حدثًا رئيسيًا) سلسلة من "الهزات الارتدادية". وتتعدد هذه الهزات الارتدادية، ويمكن للهزات الكبيرة أن تسبب إصابات متكررة شديدة. ومن الأمثلة النموذجية على ذلك زلزال ونتشوان الذي وقع في الثاني عشر من مايو/أيار، والذي أعقبه عشرات الآلاف من الهزات الارتدادية، مما شكل تهديداً كبيراً لجهود الإنقاذ.

ولذلك فإن اكتشاف الهزات الارتدادية يشكل أيضًا جزءًا مهمًا من التنبؤ بالزلزال. في ظل الأساليب التقليدية، توجد بعض القواعد والأساليب التجريبية للحكم على وقت وحجم الهزات الارتدادية، ولكن لا يمكن عادة التنبؤ بموقعها بدقة، ويتطلب الأمر إجراءات معقدة في التشغيل.

تعمل جامعة هارفارد مع خبراء التعلم الآلي من جوجل لمحاولة استخدام التعلم العميق للتنبؤ بالأماكن التي ستحدث فيها الهزات الارتدادية. وقد حقق بحثهم تقدمًا كبيرًا، ونشرت النتائج النهائية في مجلة Nature في أغسطس 2018.

تحتوي قاعدة بياناتهم على معلومات حول ما لا يقل عن 199 زلزالًا كبيرًا حدث في جميع أنحاء العالم. وبناءً على هذه القاعدة البيانات، قاموا بتطبيق نموذج الشبكة العصبية لتحليل العلاقة بين التغيرات في الضغوط الثابتة الناجمة عن مواقع الصدمة الرئيسية والهزات الارتدادية بشكل أساسي. تتمكن الخوارزمية من تحديد الأنماط المفيدة من معلومات البيانات.

وفي نهاية المطاف، تمكنوا من الحصول على نموذج مثالي للتنبؤ بموقع الهزة الارتدادية. ورغم أن النظام لا يزال بحاجة إلى التحسين، فهذا يعني أن هذه خطوة إلى الأمام في هذا الاتجاه.

وكان للبحث أيضًا فائدة غير متوقعة: فقد ساعد الفريق في تحديد الكميات الفيزيائية المشاركة في الزلازل، وهو أمر مهم للغاية لأبحاث الزلازل. عندما يتم تطبيق الشبكات العصبية على مجموعات البيانات، فإنها يمكن أن تكتسب نظرة ثاقبة حول مجموعة محددة من العوامل التي تعتبر حاسمة للتنبؤات، بدلاً من مجرد عرض التنبؤات كقيم عددية.

أوضح ميد، أحد أعضاء الفريق، ذات مرة: "علماء الزلازل التقليديون أشبه بعلماء الأمراض. يدرسون ما يحدث بعد الزلازل الكارثية. أما نحن، فلا نريد أن نفعل ذلك. نريد أن نكون علماء أوبئة. نريد أن نفهم محفزات هذه الأحداث وأسبابها".

ومن المتوقع أن يتمكن التعلم الآلي في المستقبل من كشف الأسرار وراء الزلازل وتقليل الأضرار التي تسببها.

تعلم كيفية التنبؤ بالزلازل من 550 ألف عينة

وبناءً على نماذج الذكاء الاصطناعي التي اقترحتها هارفارد وجوجل، أنشأ باحثون في جامعة ستانفورد أيضًا نموذجًا للذكاء الاصطناعي يركز على اكتشاف الزلازل الصغيرة والتنبؤ بها، وحققوا في النهاية معدل دقة مرتفع.

الزلازل الصغيرة، أو الزلازل منخفضة الشدة، هي زلازل تبلغ قوتها اللحظية 2.0 أو أقل. وتكون هذه الزلازل أقل تدميراً، ولكن أنظمة رصد الزلازل لا تكتشفها في بعض الأحيان بسبب عوامل مثل الضوضاء الخلفية والأحداث الصغيرة والإنذارات الكاذبة.

يمكن لنموذج الذكاء الاصطناعي الذي طورته جامعة ستانفورد، والذي يسمى كاشف الزلازل Cnn-Rnn (CRED)، اكتشاف معلومات دقيقة حول الزلازل الدقيقة من خلال البيانات التاريخية المسجلة باستمرار.

يتكون النظام من نوعين من طبقات الشبكة العصبية:الشبكات العصبية التلافيفية (CNN) والشبكات العصبية المتكررة (RNN). تستخلص CNN ميزات من أجهزة استشعار الزلازل، في حين يمكن لـ RNN الجمع بين الذاكرة وبيانات الإدخال لتحسين دقة تنبؤاتها وتعلم خصائص التسلسل على غرار أجهزة قياس الزلازل.

هذين يشكلانإطار التعلم المتبقي،يتم ذلك للتخفيف من المشاكل مثل الإفراط في التجهيز الذي قد يحدث في الشبكات العصبية متعددة الطبقات. وبهذه الطريقة، تصبح الشبكات العصبية قادرة على الحفاظ على دقتها أثناء تعلم ميزات أكثر تفصيلاً من مجموعة البيانات. وبالإضافة إلى ذلك، سيكون من الأسهل تحسينه.

لتدريب نظام الذكاء الاصطناعي لاكتشاف الزلازل والتحقق من صحته، جمع الباحثون بيانات مسجلة بشكل مستمر من مدينة جاي جرينبراير بولاية أركنساس في عام 2011، والتي تضمنت 3788 حدثًا، بالإضافة إلى 550 ألف خريطة زلزال مدتها 30 ثانية من 889 محطة مراقبة في شمال كاليفورنيا، بما في ذلك ثلاثة مؤشرات.

يتم استخدام 50 ألف عينة من أصل 550 ألف بيانات لتقييم الأداء. النتيجة هي أنه بغض النظر عن حجم الزلزال، وسواء حدث محليًا، أو كان هناك ضوضاء خلفية قوية، فإن نموذج الشبكة يمكنه تحديد إشارات الزلزال بدقة. علاوة على ذلك، لا يحتاج الذكاء الاصطناعي إلا إلى تسجيل جزئي للكشف عن الزلازل.

عند تغذية النموذج ببيانات مستمرة من مجموعة بيانات جاي جرينبراير، اكتشف النموذج، الذي استغرق تدريبه على جهاز كمبيوتر ما يقرب من ساعة، 1102 زلزال صغير وكبير ناجم عن التكسير الهيدروليكي، وحقن مياه الصرف الصحي، وحركة الصفائح التكتونية، بما في ذلك 77 زلزالًا لم يتم تسجيلها من قبل.

وأشار التقرير إلى أن نموذج التعلم أظهر في جميع الاختبارات أداء "متفوقا" مقارنة بنظامين زلزاليين منتشران على نطاق واسع. لأن النماذج الحاسوبية قادرة على تحليل قيمة بعض البيانات التي لا يستطيع الناس رؤيتها.

أيضًا،كما تم تحسين قابلية التوسع للنموذج."بمجرد تدريب النموذج، يمكن تطبيقه في الوقت الحقيقي على تدفقات البيانات الزلزالية"، كما كتبوا. "يتم إنشاء نماذج للإشارات الزلزالية، بناءً على بنيتها الطيفية، بدقة عالية ومعدلات إيجابية كاذبة منخفضة للغاية."

ويعتقد الفريق أن نموذج التعلم الآلي يمكن توسيع نطاقه بسهولة ليشمل أجهزة استشعار متعددة، مما يسمح بالمراقبة في الوقت الفعلي في المناطق النشطة تكتونيًا، ويمكن أن يكون أيضًا بمثابة أساس لنظام تحذير مبكر من الزلازل.

إذا كان الحكم على الزلازل الصغيرة دقيقًا بدرجة كافية، فسيكون من الأهمية بمكان استخدام نموذج التنبؤ في التنبؤ بالزلازل الكبيرة.

قد يكون التنبؤ بالزلزال ممكنًا في المستقبل

يمكن استخدام تقنيات التعلم الآلي لحفظ سجلات محاكاة الزلازل السابقة. ومع تدهور الوسائط التي تسجل هذه البيانات، يسابق علماء الزلازل الزمن للحفاظ على هذه المعلومات القيمة.

ويستخدم بعض الباحثين خوارزميات التعلم الآلي لفحص البيانات الزلزالية لتحديد الهزات الارتدادية للزلازل والزلازل البركانية بشكل أفضل ومراقبة مقدمات الاهتزاز التي تشير إلى التشوه عند حدود الصفائح حيث يمكن أن تحدث زلازل ضخمة.

ويستخدم باحثون آخرون تقنيات التعلم الآلي لتحديد أصول الزلازل وتمييز الزلازل الصغيرة عن "الضوضاء" الزلزالية الأخرى في البيئة.

لفترة طويلة، اعتقد بعض العلماء أنه من المستحيل التنبؤ بالزلازل بشكل كامل. لكن استناداً إلى نتائج الأبحاث الحالية، ربما لم يعد التنبؤ بالزلازل أمراً "مستحيلاً". ومن خلال التنبؤات الدقيقة بالهزات الارتدادية والزلازل الصغيرة، ربما في المستقبل القريب، يمكن التغلب على مشكلة التنبؤ بالزلازل الكبيرة.

الكوارث الطبيعية لا يمكن السيطرة عليها. لا يسعنا إلا أن نأمل في أن نتمكن من استخدام قوة التكنولوجيا الحديثة لمنع الكوارث الطبيعية من التسبب في ضرر لأي شخص.

تطلع إلى اليوم الذي تساعد فيه التنبؤات القائمة على التعلم الآلي في نشر خدمات الطوارئ وتوفير خطط الإخلاء للمناطق المعرضة لخطر الهزات الارتدادية.