هوگربیتس و زلزله‌های نیامده

در هفته‌ای که گذشت فرانک هوگربیتس، چهره هلندی فضای مجازی در زمینه پیش‌بینی زلزله که اطلاعی از پیشینه علمی او در دست نیست با انتشار پیامی در ایکس از احتمال وقوع زلزله‌ای بزرگ در روزهای هشتم تا دهم می‌(۱۸ تا ۲۰ اردیبهشت) سخن گفت. این بار محل خاصی را نیز مشخص نکرد و صرفا مدعی شد که عطارد و زهره روز هفتم ماه می‌(۱۷ اردیبهشت) و درست پیش از آغاز ماه جدید با اورانوس در یک راستا قرار می‌گیرند. این وضعیت ممکن است به یک‌سری لرزش‌های قوی‌تر و احتمالا زمین‌لرزه‌ای قدرتمندتر در روزهای هشتم تا دهم ماه می‌(۱۸ تا ۲۰ اردیبهشت) منجر شود.

تنها مورد موفق پیش‌بینی زلزله از سوی هوگربیتس مربوط به زمین‌لرزه ۶ فوریه ۲۰۲۳ (۱۷ بهمن ۱۴۰۱) قهرمانمرش – جنوب ترکیه است که او در شامگاه جمعه ۳ فوریه در شبکه اجتماعی ایکس مدعی شد که دیر یا زود در جنوب ترکیه – تقریبا همان‌جا که در بامداد دوشنبه ۶ فوریه زمین‌لرزه‌ای با بزرگای ۷.۸ رخ داد – زمین‌لرزه‌ای بزرگ رخ خواهد داد. با این پیش‌بینی موفق شهرت او در همین شبکه اجتماعی و البته در یوتیوب – که ویدئوهایی به اشتراک می‌گذارد – روزافزون شد. ولی نه قبل از زلزله قهرمانمرش و نه پس از آن خبری از انتشارات و مقالات هوگربیتس نبوده و نیست. به نحوی که می‌توان فرض کرد او روشی را برای رسیدن به نتیجه - پیش‌بینی – یافته که البته به صورت الابختکی – و با شیوه‌ای که آزمونش شبیه به انداختن شیر یا خط است – یک بار به نتیجه مطلوب و مهم رسیده ولی دیگر هیچ‌گاه چنین نتیجه‌ای حاصل نشده است.

البته پیش‌بینی همچنان یکی از چالش‌های علمی بشر است. تصور می‌شود که زمین‌لرزه‌ها در دو دهه گذشته نزدیک به یک میلیون کشته و میلیاردها دلار خسارت اقتصادی داشته‌اند. با این حال، پیش‌بینی آنها کار ساده‌ای نیست، زیرا هنوز علائم هشداردهنده ثابتی نداریم. البته در دنیا برنامه‌های علمی منظمی برای پیش‌بینی و هشدار زمین‌لرزه‌ها در حال پیگیری است. پروژه EARLI با حمایت مالی اتحادیه اروپا با استفاده از فناوری هوش مصنوعی برای شناسایی سیگنال‌های لرزه‌ای ضعیف، به دنبال بهبود سامانه‌های هشدار اولیه است و در عین حال امکان پیش‌بینی زلزله را نیز بررسی می‌کند.

گسل زمانی قبل از زلزله شروع به لغزش می‌کند. سؤال اینجاست: آیا این فرایند گسیختگی یک میکروثانیه زودتر شتاب می‌گیرد یا چیزی است که زمان بیشتری می‌برد و قابل ردیابی است؟ پژوهشگران با این باور که این لغزش‌ها تدریجی هستند، تحقیقاتی را انجام دادند که منجر به کشف سیگنال جدید با دامنه کم شد. این سیگنال از لحاظ نظری می‌تواند برای هشدار در مورد زلزله‌های قوی استفاده شود. آنها از داده‌های سامانه موقعیت‌یاب جهانی که از بیش از سه هزار ایستگاه در سراسر جهان گرفته شده بود برای شناسایی این سیگنال ضعیف استفاده کردند. حدود 90 زمین‌لرزه با بزرگای 7 و بالاتر از طریق داده‌های ثبت‌شده ساعت‌ها قبل از هر زلزله مورد تجزیه و تحلیل قرار گرفت تا توانستند یک الگوی تقریبا نامحسوس پیدا کنند که دو ساعت قبل از زمین‌لرزه‌ها، نزدیک به کانون زمین‌لرزه‌ها ظاهر می‌شود. این سیگنال کوچک مربوط به محل رخداد زمین‌لرزه است و به طور تصادفی در مکان‌های دیگر و در زمان دیگری پیدا نمی‌شود.

بهبود زمان‌بندی هشدارهای زلزله و سونامی نیز که مردم در حال حاضر در تلفن‌های همراه خود دریافت می‌کنند بر اساس داده‌های ثبت‌شده توسط لرزه‌سنج‌ها پس از شروع گسیختگی لرزه‌ای هستند، بنابراین تنها چند ثانیه قبل هشدار ارائه می‌دهند. از این لرزه‌سنج‌ها برای اندازه‌گیری امواج لرزه‌ای استفاده نمی‌شود، بلکه از اغتشاش در میدان گرانش زمین استفاده می‌کنند که در زلزله ایجاد می‌شود. این سیگنال حدود یک میلیون بار کوچک‌تر از امواج لرزه‌ای و سریع‌تر است و تشخیص آن با تکنیک‌های استاندارد دشوارتر است. اگرچه این پژوهش‌ها هنوز در مرحله آزمایشی است، ولی با کمک هوش مصنوعی توانست اولین تخمین سونامی قریب‌الوقوع را در یک دقیقه ایجاد کند که به نوبه خود یک پیشرفت گسترده در سیستم‌های هشدار فعلی است که 20 تا 30 دقیقه طول می‌کشد.

این ابزارها بینش ارزشمندی در مورد پارامترهای لرزه‌ای مختلف، مانند تغییر شکل زمین و جابه‌جایی ارائه کرده‌اند. با این حال، آنها با محدودیت‌های متعددی از جمله ناتوانی در پیش‌بینی زلزله در زمان واقعی، چالش‌هایی با وضوح داده‌های زمانی، و پوشش فضایی هنوز نامتوازن روبه‌رو هستند. این ابزارها برای تشخیص سیگنال‌های لرزه‌ای از نویزهای محیطی نیز مفیدند.

پیشرفت‌های اخیر در هوش مصنوعی و اینترنت اشیا به طور قابل توجهی برخی از این محدودیت‌ها را برطرف کرده است. روش‌های هوش مصنوعی در شناسایی الگوهای پیچیده و روابط پیچیده در داده‌های زلزله‌های تاریخی مفید هستند. هر دو تکنیک یادگیری ماشین کلاسیک و پیشرفته به توسعه سامانه‌های هشدار پیش‌هنگام و مدل‌های پیش‌بینی غیرمتمرکز کمک کرده‌اند. دستگاه‌های اینترنت اشیا نیز با فعال‌کردن انتقال یکپارچه داده‌ها برای نظارت در زمان واقعی، نقش مهمی ایفا کرده‌اند.

تطبیق‌پذیری دستگاه‌های اینترنت اشیا IoT دسترسی و ذخیره‌سازی داده‌ها را افزایش می‌دهد و شبکه‌ای پویا برای پیش‌بینی زلزله ایجاد می‌کند. با این حال، چالش‌هایی مانند پیچیدگی محاسباتی، کیفیت داده‌ها و قابلیت تفسیر وجود دارد. یک محدودیت عمده، ادغام اندازه‌گیری‌های آب زمین‌شناختی اولیه در آموزش مدل هوش مصنوعی است. چنین سنجش‌هایی در مورد فشار سیال منفذی و جریان سیال، اغلب پرهزینه است و انتقال داده‌ها برخلاف سیستم‌های IoT همیشه در زمان واقعی نیست. برای برطرف‌کردن این مشکلات یک رویکرد جامع که مجموعه‌های داده متنوعی از جمله داده‌های زلزله، GPS، هواشناسی و حسگرهای اینترنت اشیا IoT را ادغام ‌کند، مفید خواهد بود. با ترکیب این مجموعه داده‌ها، محققان می‌توانند مدل‌های پیش‌بینی زلزله قوی‌تری را ایجاد کنند.