هوش مصنوعی به کمک پیش بینی بلایای طبیعی می آید اما پیش بینی زلزله فعلا غیرممکن است

دنیا، دنیای پیش‌بینی هاست

...

اگرچه پس از دهه ها تلاش ناموفق و ادعاهای بی اساس درباره پیش بینی زلزله، شک و تردید لازم است، اما پل جانسون، ژئوفیزیکدان در آزمایشگاه ملی لوس آلاموس و تیمش ابزاری ساخته اند که ممکن است پیش بینی زلزله را ممکن کند.

یکی از سوالاتی که اغلب از سازمان زمین شناسی ایالات متحده پرسیده می شود، این است که آیا می توان زمین لرزه را پیش بینی کرد؟ پاسخ آنها هم همیشه یک «نه» بی قید و شرط بوده است. در صفحه مربوط در وب سایت این آژانس آمده است که هیچ دانشمندی تاکنون زلزله را پیش بینی نکرده و آنها همچنین نمی دانند چگونه ممکن است چنین پیش بینی‌ای انجام شود. اما ممکن است به زودی این واقعیت تغییر کند. اگرچه پس از دهه ها تلاش ناموفق و ادعاهای بی اساس درباره پیش بینی زلزله، شک و تردید لازم است، اما پل جانسون، ژئوفیزیکدان در آزمایشگاه ملی لوس آلاموس و تیمش ابزاری ساخته اند که ممکن است پیش بینی زلزله را ممکن کند. اکونومیست در گزارشی این ابزار و پیش بینی را شرح داده است.

مانند بسیاری از تحقیقات علمی این روزها، رویکرد آنها هم بر هوش مصنوعی در قالب یادگیری ماشینی متکی است. این به نوبه خود از برنامه های کامپیوتری به نام شبکه های عصبی استفاده می کند که مبتنی بر مدل ساده شده ای از روشی هستند که تصور می شود سیستم های عصبی چیزها را یاد می گیرند. یادگیری ماشینی در سال های اخیر رونق گرفته و در زمینه هایی از تبدیل گفتار به متن گرفته تا تشخیص سرطان از روی اسکن های توموگرافی کامپیوتری به موفقیت هایی دست یافته است. حالا در زلزله شناسی کاربرد دارد.

دشواری انجام این کار این است که شبکه های عصبی به حجم وسیعی از داده ها نیاز است تا به آنها بیاموزد که به دنبال چه چیزی بگردند و این چیزی است که در زمینه زلزله ارائه نمی شود. به استثنای موارد نادر، زمین لرزه های بزرگ در اثر حرکت گسل های زمین شناسی در یا نزدیک مرزهای بین صفحات پوسته زمین ایجاد می شوند. این به شما می گوید که کجا به دنبال داده های خود بگردید. اما چرخه زلزله در بیشتر گسل ها شامل فرایندی به نام چوب-لغزشی است که چندین دهه طول می کشد.

اول، حرکت کمی روی یک گسل با افزایش فشار وجود دارد، بنابراین نقاط داده اندکی برای تغذیه در یک برنامه یادگیری وجود خواهد داشت. سپس یک لغزش ناگهانی و فاجعه بار برای آزاد کردن فشار انباشته شده به وجود خواهد آمد که مطمئنا اطلاعات و داده های زیادی ایجاد می کند، اما هیچ کدام از آنها برای اهداف پیش بینی مفید نخواهد بود. بنابراین دکتر جانسون بر این باور است که برای آموزش یک سیستم، به داده های مربوط به ده سیکل زلزله برای آموزش یک سیستم نیاز دارید. از آنجایی که زلزله شناسی علمی جوان است، این امکان وجود ندارد.

به طور مثال گسل سن آندریاس در کالیفرنیا، هر 40 سال یا بیشتر یک زلزله بزرگ ایجاد می کند. اما در حال حاضر تنها حدود 20 سال (به عبارت دیگر نصف سیکل) از داده های به اندازه کافی دقیق برای مفید بودن در دسترس است.

با این حال، سال 2017، تیم دکتر جانسون از یادگیری ماشینی برای انواع مختلف فعالیت های لرزه ای استفاده کردند. زمین لرزه هایی با حرکت آرام پوسته ها گاهی اوقات زمین لرزه های خاموش نامیده می شوند، آنها هم در اثر حرکات صفحات زمین ایجاد می شوند. با این تفاوت که زلزله معمولا در عرض چند ثانیه تمام می شود، اما این حرکات آرام پوسته می تواند ساعت ها، روزها یا حتی ماه ها طول بکشد. از نقطه نظر یادگیری ماشینی این بسیار بهتر است، چرا که چنین فرایند طولانی، نقاط داده زیادی تولید می کند که با آن می توان شبکه های عصبی را آموزش داد.

در حال حاضر، آرزوی دکتر جانسون محدود به پیش بینی زمان وقوع یک زلزله قریب الوقوع است، اما یک پیش بینی کامل باید محل قرار گیری گسلی که قرار است بلرزد و بزرگی آن را  هماعلام کند. اگر بتوان زمان بندی را پیش بینی کرد، معیار بعدی هم به مرور مشخص خواهد شد.

جانسون امیدوار است که نتایج اولیه در سه تا شش ماه آینده به دست آید و ممکن است که بیشتر از این هم طول بکشد. با این حال، این نتایج واقعا امیدوارکننده است و بدون شک تیم های دیگر در سراسر جهان برای ادامه و تکمیل این روند با استفاده از داده های تاریخی از سایر گسل های مولد زلزله به منظور اعتبار سنجی این تکنیک اقداماتی انجام خواهند. این اقدامات به نوبه خود مدل پایه و اولیه را بهبود خواهد بخشید.

 

نظر خود را بنویسید

ارسال پیام