یادگیری ماشین چگونه پیش نشانگر زلزله ها را می یابد

هزاران لرزش بسیار کوچک. برای چشم آموزش‌ندیده فقط نویز است. اما شاید زمزمه گسلی باشد که در آستانه بیدار شدن است. سیگنال درست همان‌جا پنهان می‌شود.

وقتی زمین‌لرزه‌های کوچک دیگر تصادفی نیستند

لرزه‌شناسان سال‌ها با مسئله‌ای جدی روبه‌رو بوده‌اند: داده‌ها فراوان‌اند، اما معنای آن‌ها همیشه روشن نیست. فهرست‌های لرزه‌ای پر از زمین‌لرزه‌های کوچک، خوشه‌های لرزه‌ای و پس‌لرزه‌ها هستند. بیشتر آن‌ها رخدادهایی عادی‌اند. اما گاهی یک خوشه ظاهرا معمولی، پیش‌درآمد گسیختگی بسیار بزرگ‌تری از کار درمی‌آید. جدا کردن نویز از یک سیگنال واقعیِ آمادگی گسل، همان چالشی است که تیمی در مرکز هلمهولتز علوم زمین GFZ با رویکردی داده‌محور به سراغ آن رفته است.

پژوهشگران به‌جای آنکه به رایانه دستور دهند دنبال الگویی از پیش‌فرض‌شده بگردد، اجازه دادند خود داده‌ها الگو را آشکار کنند. این همان یادگیری ماشین بدون‌ناظر است: الگوریتم‌هایی که بدون برچسب‌گذاری انسانی یا فهرست انتظارات، ساختارهای پنهان را در اطلاعات خام پیدا می‌کنند. این رویکرد پیش‌تر نیز در مخاطرات زمین‌شناختی دیگر، مانند زمین‌لغزش‌ها و ناآرامی‌های آتشفشانی، کارایی خود را نشان داده است.

تیم GFZ با همکاری دانشمندانی از جمله دکتر صادق کریم‌پولی و پروفسور پاتریسیا مارتینز گارزون، یک خط پردازش ساخت که زمین‌لرزه‌ها را در خوشه‌ها یا «خانواده‌های» مرتبط گروه‌بندی می‌کند و سپس این خانواده‌ها را با اثرانگشت‌های فیزیکی و آماری توصیف می‌کند. الگوریتم، خانواده‌ها را در دسته‌هایی سامان می‌دهد که با شیوه‌های مختلف رفتار لرزه‌ای همخوانی دارند. وقتی یک منطقه از دسته‌های پس‌زمینه معمول خود به یک دسته بحرانی تغییر وضعیت می‌دهد، این تغییر می‌تواند نشانه‌ای باشد از اینکه سامانه به شکست نزدیک‌تر می‌شود.

دسته‌بندی خانواده‌های لرزه‌خیزی پیش از زمین‌لرزه ۲۰۲۳ قهرمان‌مرعش با بزرگای گشتاوری ۷.۸، که با ستاره زرد نشان داده شده است. نمای نقشه، توزیع مکانی اعضای خانواده رخدادها را نشان می‌دهد که بر اساس دسته متناظرشان رنگ‌بندی شده‌اند. رخدادهای پس‌زمینه با رنگ خاکستری نمایش داده شده‌اند. 

تبدیل فهرست‌های لرزه‌ای به خانواده‌های برهم‌کنش‌دار

فهرست‌های سنتی زمین‌لرزه، هر رخداد را به‌عنوان نقطه‌ای جداگانه در مکان و زمان در نظر می‌گیرند. این کار مفید است، اما کامل نیست. در طبیعت، زمین‌لرزه‌ها با یکدیگر تعامل دارند. یک گسیختگی کوچک، تنش محلی را تغییر می‌دهد و بخش‌های دیگری از پوسته را به سمت شکست یا دور شدن از آن سوق می‌دهد. برای ثبت این برهم‌کنش‌ها، تیم GFZ رخدادها را بر اساس نزدیکی مکانی، زمانی و بزرگی زمین‌لرزه گروه‌بندی می‌کند. نتیجه، مجموعه‌ای از خانواده‌هاست: گروه‌های منسجم رخدادها که شبکه‌ای برهم‌کنش‌دار از تنش و لغزش را بازتاب می‌دهند.

سپس هر خانواده با چندین شاخص توصیف می‌شود. رخدادها تا چه حد به‌هم فشرده‌اند؟ آیا در یک ناحیه باریک متمرکز شده‌اند یا در پهنه‌ای گسترده پخش شده‌اند؟ آیا آزادسازی کرنش لرزه‌ای شتاب می‌گیرد یا متوقف می‌شود؟ ترتیب زمانی بزرگی رخدادها چگونه است؟ این توصیفگرها وارد مدل بدون‌ناظر می‌شوند و مدل، خانواده‌ها را در دسته‌های تکرارشونده‌ای قرار می‌دهد که به نظر می‌رسد با مراحل تکامل تنش مرتبط باشند.

دسته‌بندی خانواده‌های لرزه‌خیزی پیش از زمین‌لرزه ۲۰۲۳ قهرمان‌مرعش در ترکیه با بزرگای گشتاوری ۷.۸، در یک مرز اصلی صفحه‌ای از نوع امتدادلغز. چپ: رنگ‌ها ترتیب زمانی را نشان می‌دهند. راست: رنگ‌ها دسته‌های جدید خانواده‌های رخداد را نمایش می‌دهند.

تغییر به تحلیل مبتنی بر خانواده اهمیت دارد، زیرا پرسش اصلی را از نو تعریف می‌کند. به‌جای جست‌وجو برای یک نشانه منفرد از پیش‌لرزه، دانشمندان می‌پرسند آیا رفتار جمعی رخدادهای برهم‌کنش‌دار در جهتی تغییر می‌کند که با افزایش ناپایداری سازگار باشد یا نه. این روش ابتدا در آزمایش‌های آزمایشگاهی لغزش چسبنده کالیبره شد، جایی که فیزیک گسل را می‌توان در شرایط کنترل‌شده مشاهده کرد. آزمون بزرگ همچنان باقی بود: آیا این رویکرد روی لرزه‌خیزی واقعی، نامنظم و پیچیده کار می‌کند، جایی که ابزارها کامل نیستند و گسل‌ها بسیار پیچیده‌ترند؟

دسته‌بندی خانواده‌های لرزه‌خیزی پیش از زمین‌لرزه ۲۰۱۴ ایکیکه در شیلی با بزرگای گشتاوری ۸.۱، در یک پهنه فرورانش. چپ: رنگ‌ها ترتیب زمانی را نشان می‌دهند. راست: رنگ‌ها دسته‌های جدید خانواده‌های رخداد را نمایش می‌دهند.

الگوهایی که پیش از چند زمین‌لرزه بزرگ ظاهر شدند

برای پاسخ به این پرسش، تیم پژوهشی این روش را به‌صورت بازنگرانه روی چند توالی لرزه‌ای خوب ثبت‌شده در محیط‌های زمین‌ساختی مختلف به کار برد. این فهرست شامل زمین‌لرزه ۲۰۲۳ قهرمان‌مرعش در ترکیه با بزرگای گشتاوری ۷.۸، رخداد ۲۰۱۴ ایکیکه در شیلی با بزرگای گشتاوری ۸.۱ و زمین‌لرزه ۲۰۰۹ لاکوئیلا در ایتالیا با بزرگای گشتاوری ۶.۱ است. در هر مورد، الگوریتم یک گذار مشخص در رفتار لرزه‌ای را هفته‌ها تا ماه‌ها پیش از زمین‌لرزه اصلی شناسایی کرد.

آن امضای آمادگی، یک نشانه منفرد و قطعی نبود. بلکه ترکیبی از سه گرایش را نشان می‌داد: افزایش خوشه‌بندی و برهم‌کنش میان رخدادها، تمرکز مکانی و زمانی قوی‌تر و افزایش آزادسازی کرنش لرزه‌ای. به بیان دیگر، لرزه‌خیزی خود را سازمان‌دهی کرد. لرزش‌های پس‌زمینه که پیش‌تر پراکنده و دوره‌ای بودند، شروع کردند به همگرایی در الگویی متمرکزتر و قابل‌پیش‌بینی‌تر. پژوهشگران این وضعیت را به‌عنوان تکامل یک سامانه گسلی به سوی حالت بحرانی تفسیر می‌کنند.

دکتر کریم‌پولی می‌گوید: «ما پیش از گسیختگی، گذار از فعالیت پس‌زمینه‌ای نسبتا پراکنده به یک حالت بحرانیِ ساختاریافته‌تر را مشاهده کردیم. در توالی‌هایی که تحلیل کردیم، این بازآرایی هفته‌ها تا ماه‌ها پیش از رخداد بزرگ پدیدار شد.»

دسته‌بندی خانواده‌های لرزه‌خیزی پیش از رخداد ۲۰۰۹ لاکوئیلا در ایتالیا با بزرگای گشتاوری ۶.۱، روی مجموعه‌ای از گسل‌های عادیِ تکه‌تکه‌شده. چپ: رنگ‌ها ترتیب زمانی را نشان می‌دهند. راست: رنگ‌ها دسته‌های جدید خانواده‌های رخداد را نمایش می‌دهند. 

همه زمین‌لرزه‌ها به‌طور آشکار آماده نمی‌شوند

یکی از مهم‌ترین نتایج این مطالعه، شواهد منفی است. این روش برای همه زمین‌لرزه‌های بزرگ، دسته‌ای از نوع آمادگی پیدا نکرد. برای زمین‌لرزه ۲۰۱۶ آماتریچه در ایتالیا و زمین‌لرزه ۲۰۲۴ نوتو در ژاپن، تحلیل نتوانست نسبت به فعالیت پیشین، تغییر روشنی را شناسایی کند. به نظر می‌رسد این رخدادها بدون بازآرایی لرزه‌ای مشخصی رخ داده‌اند که در توالی‌های دیگر دیده شده بود.

این تفاوت‌پذیری دو واقعیت را برجسته می‌کند. نخست اینکه همه گسل‌ها شکست خود را به یک شکل اعلام نمی‌کنند. هندسه گسل، تنش محیطی، نرخ بارگذاری زمین‌ساختی و رئولوژی محلی همگی بر اینکه آمادگی لرزه‌ای ظاهر شود یا نه و چگونه ظاهر شود اثر می‌گذارند. دوم اینکه توان پایش اهمیت دارد. اگر ابزارها پراکنده باشند یا کامل بودن فهرست‌های لرزه‌ای در بازه بزرگیِ مورد نیاز پایین باشد، یک سیگنال ظریف آمادگی قابل تشخیص نخواهد بود.

پروفسور پاتریسیا مارتینز گارزون می‌گوید: «برخی گسل‌ها ممکن است بدون نشانه‌های هشدار لرزه‌ای آشکار دچار شکست شوند و همین موضوع پیش‌بینی را دشوار می‌کند. فهم اینکه کدام محیط‌های زمین‌ساختی و کدام پیکربندی‌های پایش بیشترین احتمال را برای آشکار کردن رفتار آمادگی دارند، یکی از اولویت‌های این حوزه است.»

پیش‌بینی عملی و آزمون‌های آینده‌نگر

شناسایی بازنگرانه یک موضوع است و پیش‌بینی عملیاتی موضوعی دیگر. برای بررسی کارایی در دنیای واقعی، پژوهشگران این رویکرد را به‌صورت آینده‌نگر درون توالی‌های تاریخی اجرا کردند. آن‌ها از فعالیت‌های پیشین برای تعریف دسته‌های معمول یک منطقه استفاده کردند، سپس با رسیدن رخدادهای جدید، طبقه‌بندی را به‌روزرسانی کردند. وقتی دسته‌ای تازه ظاهر می‌شد که از پس‌زمینه تثبیت‌شده فاصله داشت، مانند یک پرچم هشدار عمل می‌کرد و نشان می‌داد سامانه در حال ورود به حالتی متفاوت است.

این چارچوب نزدیک به زمان واقعی، به معنای پیش‌بینی قطعی نیست. نویسندگان در این باره صریح‌اند. در عوض، این روش یک ابزار تشخیصی فراهم می‌کند: راهی برای تشخیص اینکه چه زمانی یک سامانه گسلی رفتاری غیرمعمول دارد. چنین اطلاعاتی می‌تواند وارد چارچوب‌های پیش‌بینی عملیاتی زمین‌لرزه شود، جایی که راهنمایی احتمالاتی از پیش معیار رایج است.

ادغام چنین ابزارهایی در مراکز پایش نیازمند آستانه‌های پایدار، تحلیل دقیق هشدارهای کاذب و درک این موضوع است که کدام نوع سیگنال قابلیت اقدام دارد. با این حال، این مطالعه مسیری مقیاس‌پذیر را نشان می‌دهد. یادگیری ماشین می‌تواند نه فقط برای شکار یک پیش‌لرزه منفرد، بلکه برای پایش الگوهای در حال تحول برهم‌کنش میان هزاران رخداد کوچک به کار رود.

دیدگاه کارشناس

دکتر لنا اورتیز، لرزه‌شناس فرضی و مشاور ریسک عملیاتی با دو دهه تجربه در اداره شبکه‌های لرزه‌ای، ظرفیت‌ها و محدودیت‌ها را چنین خلاصه می‌کند: «الگوریتم‌هایی که تغییرات در برهم‌کنش رخدادها را برجسته می‌کنند، دریچه‌ای تازه به رفتار گسل‌ها می‌گشایند. آن‌ها به معنای قدیمی کلمه پیش‌بینی نمی‌کنند. بلکه آگاهی موقعیتی را افزایش می‌دهند. اگر سیگنال‌ها کالیبره شوند و همراه با بیان شفاف عدم‌قطعیت انتقال یابند، این موضوع می‌تواند برای مدیران بحران بسیار ارزشمند باشد.»

چرا این موضوع برای علم زلزله و جامعه مهم است

ارزش شناسایی فازهای آمادگی فقط علمی نیست. تشخیص زودهنگام اینکه یک سامانه در حال ورود به وضعیتی غیرمعمول است می‌تواند بر آمادگی کوتاه‌مدت، تخصیص منابع و اطلاع‌رسانی عمومی اثر بگذارد. کشورها و مناطقی که پایش لرزه‌ای قدرتمند و خطوط پردازش سریع داده دارند، در موقعیت بهتری برای بهره‌گیری از چنین ابزارهای تشخیصی قرار می‌گیرند. در مکان‌هایی که ابزارگذاری اندک است، همین تکنیک‌ها ممکن است عملا نابینا باشند.

از دیدگاه علمی، این مطالعه راهی برای آزمودن نظریه‌های جوانه‌زنی و آبشار زمین‌لرزه ارائه می‌دهد. اگر دسته‌هایی مشخص به‌طور پیوسته پیش از گسیختگی‌های بزرگ ظاهر شوند، پژوهشگران می‌توانند شرایط فیزیکی تولیدکننده آن دسته‌ها را مطالعه کنند. این چرخه بازخورد میان تشخیص الگوهای داده‌محور و تفسیر فیزیکی کلیدی است. یادگیری ماشین الگوها را پیشنهاد می‌دهد و فیزیک آن‌ها را توضیح می‌دهد. هر دو لازم‌اند.

پیامدهای فناورانه گسترده‌تری نیز وجود دارد. این رویکرد به فهرست‌های لرزه‌ای پیوسته و باکیفیت و گردش‌کارهای محاسباتی سریع وابسته است. بهبود شبکه‌های حسگر، فهرست‌های با وضوح بالاتر حاصل از آرایه‌های متراکم و تحلیل‌های مبتنی بر رایانش ابری، این روش‌ها را کاربردی‌تر خواهد کرد. همکاری میان‌رشته‌ای ضروری خواهد بود. لرزه‌شناسان، دانشمندان داده، تحلیلگران ریسک و مسئولان مدیریت بحران باید با هم کار کنند تا پرچم‌های الگوریتمی به اقدام مؤثر تبدیل شوند.

نتیجه‌گیری

مطالعه‌ای که با هدایت GFZ انجام شده نشان می‌دهد یادگیری ماشین بدون‌ناظر، هنگامی که با نگاه خانواده‌محور به لرزه‌خیزی ترکیب شود، می‌تواند رفتارهای آمادگی ظریف را پیش از برخی زمین‌لرزه‌های بزرگ آشکار کند. این تکنیک یک بازآرایی مشخص را شناسایی می‌کند: افزایش خوشه‌بندی، تمرکز تنگ‌تر و آزادسازی بیشتر کرنش لرزه‌ای. این ویژگی‌ها همگانی نیستند، اما هرجا پدیدار شوند، ممکن است نشانه حرکت یک سامانه گسلی به سوی ناپایداری باشند.

نکته اساسی این است که این روش یک ابزار تشخیصی است، نه گوی بلورین. این روش با فراهم کردن راهی برای پایش رفتار جمعی و در حال تحول زمین‌لرزه‌ها، جعبه‌ابزار پیش‌بینی عملیاتی را گسترش می‌دهد. گام‌های بعدی روشن‌اند: ادغام این تحلیل‌ها در پایش نزدیک به زمان واقعی، آزمودن آن‌ها در محیط‌های زمین‌ساختی متنوع‌تر و ساخت چارچوب‌های عملیاتی لازم برای استفاده مسئولانه از چنین سیگنال‌هایی. اگر این حوزه بتواند این کار را انجام دهد، زمزمه‌های پنهان در فهرست‌های لرزه‌ای شاید به هشدارهایی مفید تبدیل شوند، نه نویز پس‌زمینه.

دسته‌بندی خانواده‌های لرزه‌خیزی پیش از زمین‌لرزه ۲۰۲۳ قهرمان‌مرعش با بزرگای گشتاوری ۷.۸، که با ستاره زرد نشان داده شده است. چپ: نمای نقشه، توزیع مکانی اعضای خانواده رخدادها را نشان می‌دهد که بر اساس دسته متناظرشان رنگ‌بندی شده‌اند. رخدادهای پس‌زمینه با رنگ خاکستری نمایش داده شده‌اند. راست: توزیع بزرگی در زمان برای اعضای خانواده رخدادها، همراه با تعداد تجمعی همه رخدادها، شامل رخدادهای پس‌زمینه و خوشه‌ای، که با خطوط پیوسته نمایش داده شده است.