فاطمه طاری‌بخش، خبرنگار گروه دانشگاه: شاید بتوان زلزله را در دسته ترسناک‌ترین رخدادهای طبیعی قرار داد. 20 مهرماه بود که زلزله‌ای به بزرگی 6 ریشتر هرات را لرزاند و در این زلزله بیش از دوهزار نفر کشته شدند یا کمی قبل‌ و در پنجم اسفندماه 1401، دو زلزله 7 ریشتری به فاصله چند دقیقه مرز بین سوریه و ترکیه را لرزاند و باعث کشته شدن بیش از 9 هزار نفر از مردم این دو کشور شد. به‌دلیل آمار تلفات جانی و مالی این بلای طبیعی، محققان و پژوهشگران همیشه به‌دنبال راهی برای پیش‌بینی زلزله بوده‌اند اما تا امروز موفق نشده‌اند. چندی پیش در نشستی با عنوان«چالش گام‌های اولیه در پیش‌بینی زمین‌لرزه: ترکیب پیش‌نشانگرها و هوش‌مصنوعی در مسیر بهبود امنیت جامعه» که از سوی سازمان زمین‌شناسی ایران در دانشگاه آزاد واحد کرج برگزار شد، از سامانه‌ای نام برده شد که تا حدودی می‌تواند آنومالی‌های پیش از زلزله را شناسایی کند؛ سامانه‌ای که برای کارکرد کاملش نیاز به هوش‌مصنوعی دارد و می‌تواند دستاوردهای مهمی را پیش‌بینی این بلای طبیعی ایفا کند. در ادامه مشروحی از این نشست را می‌خوانید.

   اگر زلزله‌ای در تهران رخ دهد بیش از 300 هزار نفر کشته می‌شوند
رضا شهبازی، مدیرکل دفتر بررسی مخاطرات زمین شناسی، زیست‌محیطی و مهندسی: معمولا شهرهای بزرگ و روستاهای پرجمعیت درکنار گسل‌ها ساخته شده‌اند و دلیل اصلی آن هم وجود آب است و طبیعتا وقتی گسل باشد، به احتمال زیاد ما رودخانه‌ها و چشمه‌های آب سرد و شیرین را در این منطقه خواهیم داشت. درحقیقت هرجا آب هست، آبادانی هم خواهد بود و به همین دلیل شاهد تمرکز جمعیت در مجاورت کوهپایه‌های گسلی هستیم. در همین راستا شهر تهران درکنار کوهپایه‌ گسلی و با سابقه لرزه‌خیزی ساخته شده و هرچند امیدواریم که زلزله بزرگی رخ ندهد، اما اگر این اتفاق بیفتد، بالای 200 تا 300 هزار نفر کشته می‌شوند. مناطقی از شهر تهران است که در قرن 21 هنوز کاهگلی هستند. ثبت نشانگرهای زمین‌لرزه اولین گام در جهت پیش‌بینی زمین‌لرزه است.

   اولین پیش‌بینی موفق زمین‌لرزه در سال 1975 اتفاق افتاد
اولین تلاش‌ها در تشخیص امواج زمین‌لرزه‌ها به سال 132 میلادی و کشور چین برمی‌گردد. اولین پیش‌بینی موفق زمین‌لرزه مربوط به سال 1975 میلادی و مربوط به زمین‌لرزه هایچنگ چین با بزرگی 7 ریشتر بود که یک روز قبل از وقوع آن از روی تراز آب چاه‌ها و بویی که متصاعد می‌شد و رفتار حیوانات و پرندگان و پیش‌نشانگرهای دیگر پیش‌بینی شد. پیش از وقوع زمین‌لرزه علائم و آنومالی‌هایی در محیط گسیل ایجاد می‌شود که پیش‌نشانگر نامیده می‌شوند و از چندسال تا چند ثانیه پیش از وقوع زمین‌لرزه ممکن است در محیط بروز کنند. این آنومالی‌ها توسط دستگاه‌هایی خاص قابل‌تشخیص هستند. پیش‌نشانگرها انواع مختلفی دارند که بر مبنای بزرگی، عمق و جنس سنگ احتمال وقوع آنها وجود دارد. انواع پیش‌نشانگرها شامل لرزه‌ای، مغناطیسی، الکتریکی و الکترومغناطیسی هستند که پیش‌نشانگر الکترومغناطیسی را ما در سازمان زمین‌شناسی ساخته‌ایم و سازنده آن مهندس امینی است. همین‌طور او سازنده پیش‌نشانگرهای الکترومغناطیسی در سازمان به‌شمار می‌رود.
   باردار شدن هوای سطح زمین به پیش‌بینی زمین‌لرزه کمک می‌کند
ما امکانات متعددی برای اندازه‌گیری پیش‌نشانگرها داریم. سنجنده ماهواره‌ای داریم که آنومالی الکترومغناطیس را ثبت می‌کند. الکترواسکوپ‌هایی نیز برای اندازه‌گیری بار الکترونیکی سطح زمین پیش از وقوع زمین‌لرزه استفاده می‌شوند. درحقیقت مکانیسم ایجاد امواج الکترومغناطیس قبل از وقوع زلزله در سامانه ما نشان داده می‌شود. اگر بخواهم چگونگی عملکرد را توضیح دهم، باید بگویم با افزایش فشارهای تکتونیکی، بارهای مثبت از منطقه پراسترس به منطقه کم‌استرس مهاجرت و الکترون‌ها با افزایش رسانایی زمین به‌سمت پایین می‌رود. با تجمع و افزایش بارهای مثبت و بارهای منفی در پایین، بارهای منفی، مثبت را خنثی می‌کند و جریان رفت‌وبرگشتی ایجاد می‌شود و این موضوع تکرارشونده خواهد بود و همین مساله باعث می‌شود جریان متناوبی با فرکانس پایین ایجاد شود و درنهایت نوسان جریان الکتریکی سبب ایجاد امواج الکترومغناطیس می‌شود و می‌تواند به‌عنوان یک پیش‌نشانگر استفاده شود.

   7 روز پیش از زلزله ترکیه پیش‌نشانگر داشتیم
این موضوع الگویی برای تشخیص به ما می‌دهد اما کسی زمان آن را نمی‌داند و عملا نمی‌توان زمان دقیق را تشخیص داد. هیچ جای دنیا زمان دقیق وقوع زلزله را نمی‌دانند. ممکن است از سه‌ماه قبل تا چند ثانیه قبل از وقوع زلزله این پیش نشانگرها شروع شود، مثلا در ترکیه که زلزله آمد ما از هفت‌روز قبل پیش‌نشانگر داشتیم. ما سه ایستگاه زمین‌شناسی داریم. یکی از آنها مجاور کوه دماوند است، ایستگاه دیگر در توچال و ایستگاه حصارک نیز درحال بهره‌برداری است. ما در این ایستگاه‌ها از دستگاه ثبت الکترومغناطیس، لغزه‌ای و ssr استفاده کردیم. این دستگاه برای ثبت همین پیش‌نشان‌گر است. در این ایستگاه‌ها ما سعی می‌کنیم تا از نویز شهری فرار کنیم. ما در عرض این چندسال بیشتر از هفت پیش‌نشانگر ثبت کرده‌ایم اما باید تعداد ایستگاه‌ها را به 12 ایستگاه افزایش دهیم. ما پیش از زلزله ترکیه آنومالی‌هایی را ثبت کردیم. این زلزله واقعه خاصی بود؛ چراکه دو زلزله 7.5 ریشتری اتفاق افتاد. من فکر می‌کنم کسی باور نکند که در فاصله هزار و 500 کیلومتری، بتوان آنومالی و امواج را ثبت کرد. اگر اشتباه نکنم، پژوهشگری چینی می‌گفت که برای زلزله‌های بالای 7.5 ریشتری ماکسیمم تا فاصله 170 کیلومتر می‌توان آنومالی را ثبت کرد، یعنی اگر کانون ما در تهران باشد، تنها تا شعاع 170 کیلومتری می‌توان امواج را به ثبت رساند، درحالی‌که ما در فاصله 1500 کیلومتری توانستیم این امواج را ثبت کنیم. بخش جالب این است که ایستگاه‌های دیگر نیز آن را تایید کردند.

   در زلزله ترکیه 7 روز قبل انفجار الکترومغناطیسی داشتیم
بهروز امینی، مشاور علمی سازمان زمین‌شناسی در زمینه پیش‌نشانگر زلزله: اگر این موارد پیش‌نشانگر باشد؛ قطعا در پیش‌بینی اثرگذار است اما این موضوعات باید بررسی شود و نمی‌توان به قاطعیت صحبت کرد، بااین‌حال طبیعتا اگر الگوها درست باشد، می‌تواند کمک‌کننده باشد.
شهبازی: بعد از وارد شدن آنومالی به ایستگاه کاملا امواج تغییر می‌کند و ما آن را ثبت کرده‌ایم. این موضوعات فرکانس طبیعی است اما زمان زلزله این انرژی این فرکانس بیشتر می‌شود، یعنی عملا هر فرکانسی که وجود دارد، دارای قانون است و امواجی که شما می‌بینید مغناطیسی هستند. البته باید این را هم بگویم که هنوز نمی‌دانیم که آیا پرندگان یا حیوانات از این امواج باخبر می‌شوند یا خیر. اما آنچه مسلم است اینکه حیوانات پیش از وقوع زلزله موضوعاتی را حس می‌کنند که باعث فرار آنها می‌شود، برای مثال در بسیاری از زلزله‌های بزرگ، افراد مختلف بی‌قراری حیوانات را مشاهده کرده‌اند که شاید حیوانات این امواج مغناطیسی را درک می‌کنند، یعنی انفجار الکترومغناطیسی در محیط منتشر می‌شود و حیوانات به این دلیل فرار می‌کنند. در زلزله ترکیه نیز احتمالا حدود هفت‌روز قبل از آن انفجار الکترومغناطیسی داشتیم که توانستیم آن را ثبت کنیم. این امواج الکترومغناطیسی است که در محیط منتشر می‌شود و براساس آن ولتاژی را دستگاه و گیرنده ما به ما می‌دهد.

   امواج مربوط به زلزله 5 ریشتری را می‌توان یک‌ساعت قبل به‌دست آورد
امینی: من خیلی در بحث تئوری نمی‌روم. به‌صورت کلی می‌گویم به‌طور مثال در زلزله سمنان ما یک‌ساعت قبل امواج را دریافت کردیم و بعد قطع شد و جالب است که وقتی زمان موقع زلزله می‌رسیم، دیگر امواج نداریم و سکوت کامل است و زلزله ایجاد می‌شود. خود این موضوع نیز نشانگر محسوب می‌شود. بااین‌حال موضوع مهم اینهاست که هنوز این سیستم آنقدر دقیق نیست که بتوانیم رصد کامل و زمان وقوع زلزله را به مردم اعلام کنیم. موضوع دیگر بحث سکوت امواج هنگام زلزله است که موضوع جالبی به‌شمار می‌رود. زلزله‌ها هرچه بزرگی بیشتری داشته باشند، زودتر باخبر می‌شویم، یعنی اگر در تهران بخواهد زلزله بزرگی ایجاد شود، ما یک هفته قبل می‌توانیم امواج را دریافت کنیم؛ چراکه حساسیت دستگاه ما در این حد است. حدود 5. 5 ریشتر نزدیک به 6 ریشتر را یک‌‌ساعت قبل می‌فهمیم.
حضار: ممکن است آنومالی را ببینیم اما به زلزله ختم نشود؟
امینی: زمین طوری است که هرچه می‌خواهیم قانونمندش کنیم، باز می‌بینیم از ‌جای دیگر موضوع جدیدی ایجاد می‌شود. ما فقط شواهد را می‌بینیم، اما سرعت پردازش داده‌ها به‌حدی نبود که بلافاصله بتوانیم نتایج آن را ببینیم. امواج می‌آید اما ممکن است از منابع دیگری باشد. باید کارهای دیگری روی کامپیوتر و کدنویسی انجام دهیم تا پردازش‌ها سریع‌تر شود.
شهبازی: یک مورد بود که صداهایی از سمت غرب و منطقه سرابله داشتیم و از من خواستند که این صداها را بررسی کنم. پیش‌بینی من این بود که این صداها مربوط به زلزله است اما این اتفاق نیفتاد. تابه‌حال دو، سه مورد شاهد چنین صداهایی بودیم که به زلزله منتهی نشد، البته ممکن است صداها به‌خاطر هارپ باشد که شبیه زلزله است.
امینی: اگر الگوهایی که ما درنظر گرفتیم در بازه‌های زمانی سه تا چهار ثانیه بتواند توسط برنامه‌نویسی درست به پردازش منتهی و الگوهای مختلف به مقایسه گذاشته شود و نتیجه‌گیری آن هم بلافاصله صورت بگیرد، اتفاقات قابل‌توجهی در بحث پیش‌بینی زلزله ایجاد می‌شود. اما امروز این فرصت برای اپراتور ما وجود ندارد. اپراتور داده‌ای را دریافت می‌کند و تصور می‌کند که پیش‌نشانگر زلزله است اما به زلزله منتهی نمی‌شود.

   هوش مصنوعی باید داده‌های لرزه‌ای را تحلیل کند
 هادی صبوحی، عضو هیات‌علمی دانشکده هوش مصنوعی دانشگاه آزاد واحد کرج: در واقع در تشخیص زلزله سیستم‌های مبتنی‌بر هوش مصنوعی کاری که باید بکنند این است که داده‌های لرزه‌ای را به هر شکلی که هست، فارع از اینکه از چه سنسوی می‌آید را مورد تحلیل قرار دهند. البته تحلیل داده‌ها با تکنیک‌های جدید مبتنی‌بر هوش مصنوعی جهت تشخیص الگوهای مختلف انجام می‌شود. موضوع قابل توجه اینکه هوش مصنوعی در 10 سال اخیر شکل پیچیده‌ای به خود گرفته و امروز به ابزاری تبدیل شده که دقت بالایی دارد. ما نیز به لطف روش‌ها و تکنیک‌های خاصی که در حوزه دیتا از جنس صوت و تصویر در اختیار داریم توانسته‌ایم دقت بالایی را در تحلیل این داده‌ها داشته باشیم. خوشبختانه امروز روی تحلیل داده‌هایی از جنس text توسط chat GPT دقت بالایی ایجاد شده و کار تحلیل را با دقت بیشتری انجام می‌دهد. نکته مهم اینکه نگاه‌های امروز به هوش مصنوعی توسط chat GPT ایجاد شد و تمام دانش ما هم امروز هم به‌صورت text است. امروز به وسیله این ظرفیت می‌توانیم روی حجم زیادی دیتا کار کرده و به نتایج خوبی برسیم.
امینی: امروز چون برنامه‌نویسی در حوزه پیش‌بینی زلزله انجام می‌شود، شرایط متفاوت شده است. نکته دیگر اینکه موضوع با اهمیت برای ما در این حوزه آن است که ما امروز فرکانس‌های پایینی را داریم، یعنی عملا انچه برای ما اهمیت دارد، اتفاقی است که در فرکانس‌های پایین رخ می‌دهد و عملا این فرکانس‌ها الکترومغناطیس هستند و انسان را گرفتار می‌کند. شاید برای درک بهتر این موضوع باید یک مثالی بزنم، آن  اوایل که در حوزه الکترونیک کار می‌کردم، هم‌اتاقی‌ام به من گفت دستگاهی درست کرده که وقتی میهمانش نمی‌رود، آن را روشن می‌کند و میهمان ناخودآگاه می‌رود. همین اتفاق برای حیوانات و انسان می‌افتد و حتی اگر انسان از لحاظ روحی آرامش داشته باشد شاید بتواند این را متوجه شود.
حالا این دستگاهی که ما ساختیم یک خاصیت دارد و آن این است که خازن‌های پرظرفیتی دارد که این امکان را فراهم می‌کند تا آن را از لحاظ آنالوگ فرکانس‌ها را 90 هزار برابر تقویت کند. مساله دیگر این است که تحلیل‌ها زمانی برای ما پرشدت بود و شدت آن برای ما آنومالی محسوب می‌شد اما از سال 89 وارد این فاز شدیم که از لحاظ طیف فرکانسی آنها را بسنجیم و دیدیم خیلی دقیق‌تر می‌شود با آن برخورد کرد. از لحاظ کد‌نویسی اگر شما به مدت 10 دقیقه دیتا را average بگیرید، چیز جالبی از آن درمی‌آید. به‌عنوان مثال وقتی یک رعد و برق ایجاد می‌شود، ما از طریق یک الگو در مغزمان و یک صدا متوجه آن می‌شویم. ما سعی کردیم الگوها را تبدیل به صدا کنیم که شاید در آینده بشود از این به نتایج خوبی رسید.

   آنومالی‌ها در پیش‌بینی زلزله دیتا محسوب می‌شوند
رسول باقری، عضو هیات علمی دانشکده هوش مصنوعی دانشگاه آزاد واحد کرج: جاهایی هستند که تشخیص الگو هم برای ما سخت است اما شرایط خودش الگو را مشخص می‌کند، مثلا شاید شما چندین الگو برای تشخیص رعدوبرق داشته باشید که هر کدام می‌توانند رعد و برق را تشخیص دهند. ما دیتاها را می‌دهیم و تکنیک‌های مختلفی برای این کار داریم و الگو استخراج می‌کنیم. دیپ‌لرنینگ یک تکنیک است که براساس دیتا کار می‌کند. ما در واقع باید مقداری دیتا از زلزله‌های رخ‌داده و نداده را به سیستم بدهیم تا نتیجه‌ای را به ما بدهد. در واقع سیستم مثل ما یاد می‌گیرد. سرعت و حجم این سیستم بالاست. آنومالی‌های ثبت‌شده شما که صددرصد به آن مطمئن هستید دیتا محسوب می‌شود. اگر بخواهید تشخیص آنومالی‌های جدید را بدهد، اگر دیتای شما به‌اندازه کافی باشد، نتایج بهتری هم خواهیم داشت.

   در زمین‌شناسی ساختار مشخصی نداریم
شهبازی: در بحث دیپ‌لرنینگ مساله اینجاست که خیلی مواقع ما یک ساختار شناخته‌شده را داریم و گاهی مواقع این ساختار را نداریم و در موضوعات زمین‌شناسی برخی موارد مشخص است اما گاهی زمین به‌قدری برای ما ناشناخته هست که نمی‌توان برای آن مدل مشخصی را در نظر گرفت.
باقری: در خیلی از مواقعی که سازمان زحمت می‌کشد، همان‌طور که اشاره شد به این دلیل است که می‌خواهند تاثیر برخی از موضوعات را بدانند. خیلی وقت‌ها این روش و پروسه‌ای که انسان‌ها طی می‌کنند، برای ما ناشناخته است. توجیه قابل انتظار این است که برای پیش‌بینی زلزله از هوش مصنوعی کمک بگیریم، البته شرط این کار وجود دیتا است و ما هم این را داریم. فرضا حیوانات رفتار آنرمال نشان می‌دادند یا ما سیگنالی از هزار و 500 کیلومتر دریافت کرده‌ایم، ‌اما واقعیت این است که این داده‌ها را دوباره بولد کرده و به دیتاهای قبلی که در این زمینه داشته‌ایم اضافه کنیم. یعنی باید دیتاهایمان را مدام بهینه کنیم تا بتوانیم فاصله یک ثانیه تا یک‌ونیم و دو ثانیه را تشخیص دهیم. این هم کار بزرگی است که باید انجام شود.
   در پیش‌بینی زلزله بحث تنها کسب داده‌های خام نیست
صبوحی: در این زمینه یک‌سری کار شده و دارد می‌شود. صورت‌مساله فقط دیتای خام نیست. دیتاهای قبلی به همراه داده‌های یک هفته یا یک ماه آن‌طرف‌تر و رفتارهای حیوانات می‌توانند به‌عنوان دیتا بیایند اما لزوما نمی‌توان روی آن حساب کرد. می‌توان به‌عنوان یک دیتا با اینها یا جدا آموزش داده شود. آنها احتمالا ممکن است آسیبی را احساس کنند اما به زلزله هم منجر نشود. به‌هرحال ناآرامی دارند. این هم می‌تواند دیتا باشد تا درنهایت الگویی استخراج شود. الگوهایی که داریم روشش فرق می‌کند اما اگر قابل اعتماد باشد می‌تواند باز به‌عنوان دیتا مورد استفاده قرار گیرد. اینجا الگو قابل تعریف و الگوپذیر نیست. رسیدن به این مساله از طریق هوش مصنوعی ممکن است و امیدواریم بتوانیم از این دیتاها الگوی قابل قبولی برای پیش‌بینی زلزله به دست آوریم.
حضار: برای مکان‌یابی یا نقطه‌یابی بعضا باید سه یا چهار نقطه را روی GPS یا پنج تا ماهواره ارتباط دهیم تا لوکیشن را در بیاوریم. الان ما چند تا لوکیشن داریم؟
امینی: دو لوکیشن فعال داریم.
حضار: هر دو ترکیه را گرفتند و دارند یک الگوی یکسان را نشان می‌دهند؟
امینی: زمانی که فاصله زیاد می‌شود، داده زیاد می‌شود. شما وقتی چیزی را از نزدیک داشته باشید با اینکه همان اطلاعات را از فاصله دور به دست آورید، طبیعتا حالت و رفتار آن دیتا در زیر زمین متفاوت می‌شود.

   نتوانستیم حتی داده‌های زلزله خوی را ثبت کنیم  حضار: برای زلزله افغانستان چیزی ثبت نشده است؟
امینی: نه، حتی خوی را که بسیار نزدیک‌تر از ترکیه بود نتوانستیم ثبت کنیم. یکی از موارد مهم این است که در این سیستم ما دستاورد جدیدی داشتیم. ما آنچه در زلزله ترکیه به دست آوردیم نگرش فرکانسی بود و این مساله مهمی است.
صبوحی: همین چالش را شما بخواهید در یک جمله برای سازمان زمین‌شناسی تعریف کنید، به ما بگویید.
امینی: تحلیل‌ داده‌های موجود و ارتباط آنها با رخدادهای زمین‌لرزه باید مدنظر قرار بگیرد.
صبوحی: مثل اینکه یک عکسی را به یک دکتر می‌گوید و تحلیل می‌دهد، ما اصل دیتا را داریم، ولی موضوع اصلی اینکه است که باید الگوی مناسبی داشته باشیم، یعنی الگویی که بتواند این حجم از داده را در فاصله زمانی کم تحلیل کند.