Earthquake aftershock forecasting with conditional generative models

عندما يضرب زلزال هائل، لا تهدأ الأرض ببساطة. فلعشرات الساعات، وأيام، وأحياناً لسنوات بعد ذلك، تستمر القشرة في الارتجاف، مطلقة آلاف الهزات الأصغر التي تُعرف باسم الهزات الارتدادية. تتبع هذه الهزات إيقاعاً يمكن التنبؤ به: فهي تحدث بوتيرة أكثر تكراراً مباشرة بعد الحدث الرئيسي وتتلاشى تدريجياً، بينما تميل مواقعها إلى التكتل على طول خط الصدع المحدد الذي انكسر. لطالما استخدم العلماء قواعد إحصائية لتخمين أين ومتى قد تحدث هذه الهزات الارتدادية، معتبرين كل هزة كنقطة معزولة في سحابة عشوائية شاسعة. تعمل هذه الطرق التقليدية بشكل جيد في المتوسط، لكنها غالباً ما تفشل في التقاط التفاصيل الواقعية الفوضوية لكيفية تطور تسلسل معين. فهي تعاني في التنبؤ بالشكل الدقيق لمنطقة الهزات الارتدادية أو عدد الهزات التي سينتجها تسلسل محدد، وغالباً ما تمحو الأنماط المتعرجة والمصطفة مع خطوط الصدع التي تحدد مرحلة ما بعد الزلزال الحقيقي.

لقد طور باحث في جامعة كاليفورنيا، بيركلي، طريقة جديدة للتنبؤ بهذه التسلسلات تتجاوز مجرد الإحصاء البسيط. فبدلاً من محاولة التنبؤ بالهزات الفردية واحدة تلو الأخرى، قام بتدريب نموذج حاسوبي ليتخيل المشهد المستقبلي الكامل للنشاط الزلزالي كصورة واحدة متطورة. هذا النهج الجديد، المسمى "كويك جين" (QuakeGen)، يتعلم من كميات هائلة من بيانات الزلازل التاريخية لفهم كيفية انتشار الهزات الارتدادية عبر الزمان والمكان. وعند اختباره مقابل الطرق القياسية التي تستخدمها الوكالات الحكومية، أثبت هذا النموذج الجديد دقة أكبر في تحديد أماكن تكتل الهزات الارتدادية وكيفية تلاشي النشاط. لقد نجح في إعادة إنشاء الأشكال الطويلة والضيقة لمناطق الهزات الارتدادية التي تتبع خطوط الصدع الحقيقية، وهو تفصيل غالباً ما تخطئه النماذج القديمة، مستبدلة إياه بتخمينات دائرية غامضة.

الفكرة الجوهرية وراء هذا العمل هي تغيير في المنظور. فالتنبؤ التقليدي يعامل تسلسل الزلزال كقائمة من الأحداث المنفصلة، باستخدام صيغ رياضية ثابتة لتقدير عدد الهزات التي ستحدث وأين. تفترض هذه الصيغ أن الهزات الرتدادية تنتشر بالتساوي في جميع الاتجاهات من الصدمة الرئيسية، مثل التموجات في بركة ماء. ومع ذلك، فإن الزلازل الحقيقية لا تتصرف بهذا الشكل. فالهزات الارتدادية عادة ما تصطف على طول الصدع المكسور، مكونة تكتلات طويلة وممتدة تعكس هندسة التصدع في الأعماق. أدرك الباحث أن محاولة التنبؤ بكل حدث على حدة كانت تحد من قدرتهم على رؤية هذه الصورة الأكبر. بدلاً من ذلك، قرر معاملة التنبؤ كـ "حقل"، تماماً كما يرسم علماء الأرصاد الجوية حالة الطقس. أراد نموذجاً يمكنه توليد خريطة كاملة للنشاط الزلزالي المستقبلي، توضح كلاً من عدد الهزات المتوقعة وحجم أكبر هزة في كل بقعة صغيرة من الأرض.

لبناء هذا النظام، استخدم الباحث نوعاً من الذكاء الاصطناعي يُعرف بالنموذج الانتشاري (diffusion model). هذه التكنولوجيا، التي أحدثت ثورة مؤخراً في مجالات مثل التنبؤ بالطقس وتحليل بنية البروتين، تعمل من خلال تعلم عكس عملية إضافة الضجيج. تخيل صورة فوتوغرافية واضحة يتم تغطيتها ببطء بالتشويش حتى تصبح مجرد حبيبات عديمة المعنى. يتعلم النموذج الانتشاري كيفية أخذ تلك الحبيبات، وخطوة بخطوة، إزالة الضجيج للكشف عن الصورة الأصلية. في هذه الدراسة، "الصورة" ليست صورة فوتوغرافية بل هي خريطة للنشاط الزلزالي. يبدأ النموذج بخريطة فارغة مليئة بالضجيج، وبإرشاد من المعلومات لما حدث بالفعل، يقوم بتنقية الخريطة تدريجياً لتصبح تنبؤاً واضحاً لما سيحدث لاحقاً.

قام الباحث بتدريب نموذجه، "كويك جين"، على نوعين مختلفين من البيانات ليرى مدى قدرته على التعميم. أولاً، استخدم مجموعة بيانات عالمية تحتوي على آلاف الهزات الرئيسية وهزاتها الارتدادية من جميع أنحاء العالم، ممتدة من عام 1990 إلى 2023. لقد علم النموذج مراقبة النشاط الزلزالي في الأيام التي سبقت زلزالاً كبيراً وفي الساعات القليلة الأولى من الهزات الارتدادية التي تلت الزلزال مباشرة. بناءً على هذه المعلومات المحدودة، كان على النموذج التنبؤ بنمط الهزات الارتدادية للأيام أو الأسابيع أو حتى الأشهر القادمة. ثم اختبر النموذج على 80 زلزالاً كبيراً وقعت في عامي 2024 و2025، وهي زلازل لم يسبق للنموذج رؤيتها من قبل. في هذه الاختبارات، تفوق "كويك جين" على النموذج التشغيلي القياسي المستخدم من قبل هيئة المساحة الجيولوجية الأمريكية. وبينما أنتج النموذج التقليدي هالة دائرية واسعة من النشاط المتوقع، حدد "كويك جين" بشكل صحيح الأشكال المستطيلة الممتدة والمصطفة مع الصدع لمناطق الهزات الارتدادية. فعلى سبيل المثال، بعد زلزال بقوة 7.5 درجة في اليابان، أعاد النموذج الجديد إنتاج الامتداد الذي يبلغ طوله 150 كيلومتراً للهزات الارتدادية على طول الصدع، بينما نشر النموذج القديم التنبؤ في دائرة واسعة.

ركز الاختبار الثاني على منطقة واحدة: جنوب كاليفورنيا. هنا، لم يكن الهدف مجرد التنبؤ بالهزات الارتدادية لزلزال واحد كبير، بل التنبؤ بالمعدل اليومي للزلازل عبر منطقة واسعة بمرور الوقت. قام الباحث بتدريب النموذج على سجل مفصل للغاية للنشاط الزلزالي في المنطقة، والذي يتضمن العديد من الهزات الصغيرة التي غالباً ما تفقدها أجهزة الكشف القياسية. ثم طلب من النموذج التنبؤ بأعداد الزلازل اليومية لمناطق فرعية معروفة بالنشاط المتكرر، مثل منطقة "سالتون سي" وصدع "سان جاسينتو". في هذا السياق، طابق النموذج أداء أفضل النماذج الإحصائية التي تم ضبطها بعناية لتلك المنطقة المحددة. وهذا أمر مهم لأنه يشير إلى أن نموذجاً واحداً قائماً على البيانات يمكنه تعلم السلوك المعقد لنظام صدع كامل دون الحاجة إلى إعادة معايرة يدوية لكل منطقة جديدة.

أحد أكثر الجوانب إثارة للاهلبتسامة في النموذج الجديد هو كيفية تعامله مع عدم اليقين. ولأن مستقبل تسلسل الزلزال غير قابل للتنبؤ بطبيعته، فإن النموذج لا يقدم إجابة واحدة فقط. بدلاً من ذلك، يولد مجموعة (ensemble) من 100 مستقبل محتمل لكل تنبؤ. كل خريطة من هذه الخرط المائة هي تجسيد صالح لما يمكن أن يحدث، حيث تظهر مواقع محددة مختلفة للهزات الفردية. وعندما قام الباحث بمتوسط هذه الخرط المائة معاً، حصل على صورة سلسة لمعدل النشاط الإجمالي، والتي طابقت الأنماط الفعلية المرصودة في الطبيعة. يسمح هذا النهج للمتنبئين ليس فقط برؤية النتيجة الأكثر احتمالاً، بل برؤية النطاق الكامل للاحتمالات، مما يوفر صورة أوضح لمناطق تركز المخاطر.

كما استكشفت الدراسة قدرة النموذج على التنبؤ بحجم أكبر هزة ارتدادية متوقعة في أي منطقة معينة. غالباً ما تعاني الطرق التقليدية في هذا الصدد، لأنها تعتمد على متوسطات إحصائية يمكن أن تتأثر بالمناطق الخالية. ومع ذلك، يقوم "كويك جين" بتوليد عدد الهزات وحجم أكبر منها في آن واحد. ومن خلال النظر في الشريحة المئوية التسعين لتنبؤاته، تمكن النموذج من تركيز التنبؤ بأكبر الهزات على طول الصدع المتصدع، مما يطابق الملاحظة الواقعية بأن أكبر الهزات الارتدادية تحدث عادةً في المكان الذي حدث فيه الكسر الرئيسي. هذا التنبؤ المشترك للتردد والقدر (الحجم) يقدم رؤية أكثر اكتمالاً وواقعية للمخاطر.

على الرغم من هذه النجاحات، يقر الباحث بأن للنموذج حدوداً. فهو يعتمد بشدة على جودة وكمية البيانات التي يتم تدريبه عليها. بالنسبة لأكبر الزلازل، وهي نادرة الحدوث، يقلل النموذج أحياناً من إجمالي عدد الهزات الارتدادية أو يفشل في التقاط المدى الكامل لمنطقة التصدع. ويرجع ذلك إلى أن النموذج رأى أمثلة أقل لهذه الأحداث الضخمة أثناء تدريبه. ويقترح المؤلف أن التحسينات المستقبلية يمكن أن تأتي من دمج هذا النهج القائم على البيانات مع المحاكاة القائمة على الفيزياء لتوليد المزيد من الأمثلة للزلازل العظمى، أو من خلال تغذية النموذج بمعلومات إضافية، مثل الهندسة الدقيقة لتصدع الصدع أو قياسات تشوه الأرض.

يمثل هذا العمل خطوة كبيرة للأمام في كيفية مقاربة العلماء للتنبؤ بالزلازل. فمن خلال الابتعاد عن القواعد الثابتة وتنبؤات الأحداث المنفصلة، والتوجه نحو تعلم الأنماط المعقدة والمتطورة للحقول الزلزالية مباشرة من البيانات، أنشأ الباحث أداة تلتقط الطبيعة الحقيقية لتسلسلات الزلازل. النموذج لا يخمن فحسب؛ بل يتعلم البنية الأساسية لكيفية سلوك الصدوع. ورغم أنه لا يستطيع التنبؤ بموعد وقوع الزلزال الكبير القادم، إلا أنه يقدم رؤية أكثر حدة ودقة لما يحدث بعد وقوعه، مما يساعد المجتمعات على فهم شكل ونطاق الاهتزازات التي تلي الزلزال.