بهره‌گیری از یادگیری عمیق برای پیش‌بینی پس‌لرزه‌ها

به گزارش گروه علم و آموزش ایرنا از تارنمای اخبار اینجینیر، بیش از سه دهه است الگوهای پیش بینی پس لرزه تغییر چندانی نکرده و در رویارویی با داده های عظیم دردسترس، چالش هایی ایجاد کرده است.

برای رفع این محدودیت، محققان دانشگاه کالیفرنیا سانتا کروز و دانشگاه فنی مونیخ یک الگوی یادگیری عمیق جدید به نام پیش بینی زلزله مکرر (RECAST) برای پیش بینی پس لرزه ها ابداع کرده اند. این الگو انعطاف پذیرتر و مقیاس پذیرتر از الگوهای کنونی دنباله پس لرزه ای از نوع واگیر (Epidemic Type Aftershock Sequence) است.

نتایج این مطالعه در نشریه Geographical Physical Letters منتشر شده است.

مدل یادگیری عمیق تحلیل زلزله را بهبود می‌بخشد

این مدل یادگیری عمیق برای پیش بینی پس لرزه های، می تواند در مقایسه با روش های کنونی تحلیل داده ها بهتر عمل کند.

این برنامه که به عنوان RECAST (پیش بینی زلزله مکرر) شناخته می شود، توسط محققان دانشگاه کالیفرنیا سانتا کروز و دانشگاه فنی مونیخ ابداع شده است. این محققان می گویند الگوی RECAST نسبت به الگوی فعلی برای کاتالوگ های زلزله حاوی حدود ۱۰ هزار رویداد و بیشتر، بهتر عمل کرده است.

کلین دشق کوزینو نویسنده اصلی این پژوهش، گفت: رویکرد الگوی قدیمی ETAS برای مشاهداتی طراحی شد که در دهه‌های ۸۰ و ۹۰ داشتیم، زمانی که سعی می‌کردیم پیش‌بینی‌های قابل اعتمادی بر اساس مشاهدات بسیار اندک انجام دهیم، اما امروز چشم انداز بسیار متفاوت است.

با توجه به افزایش تجهیزات لرزه‌شناسی حساس‌تر و افزایش قابلیت‌های ذخیره‌سازی داده‌ها، کاتالوگ‌های زلزله بزرگ‌تر و دقیق‌تر شده‌اند. به گفته امیلی برادسکی یکی از نویسندگان این مطالعه، مدل سنتی ETAS برای مدیریت این مجموعه داده های بزرگ ساخته نشده است.

برادسکی، استاد علوم زمین و سیاره‌شناسی دانشگاه کالیفرنیا سانتا کروز گفت: ما کاتالوگ میلیونی زلزله‌ تهیه کرده ایم و الگوی قدیمی به سادگی نمی‌توانست این حجم از داده‌ها را مدیریت کند.

به منظور نشان دادن قابلیت های الگوی RECAST، محققان ابتدا از الگوی ETAS برای شبیه سازی کاتالوگ زلزله استفاده کردند. محققان پس از کار با داده های مصنوعی، الگوی RECAST را با استفاده از داده های واقعی زلزله جنوب کالیفرنیا آزمودند و دریافتند الگوی RECAST در پیش بینی پس لرزه ها به ویژه با افزایش حجم داده ها، کمی بهتر از ETAS عمل می کند.

محققان بر این باورند انعطاف‌پذیری این الگو می‌تواند فرصت‌های جدیدی را برای پیش‌بینی زلزله فراهم کند. الگوهایی که از یادگیری عمیق استفاده می‌کنند، با توانایی انطباق با حجم زیادی داده‌های جدید، به طور بالقوه می‌توانند اطلاعات چندین منطقه را در یک زمان برای پیش‌بینی بهتر در مورد مناطق کمتر مطالعه شده است، ترکیب کنند.

کوزینو گفت: ممکن است بتوانیم در نیوزیلند، ژاپن، کالیفرنیا آزمایش کنیم و الگویی تهیه کنیم که در واقع برای پیش‌بینی در جایی که داده‌ها ممکن است به وفور دردسترس نباشد، مناسب باشد.