VLPNet: A unified deep learning model for progressive single-station magnitude estimation from variable-duration P-waves in earthquake early warning
تقدم الورقة البحثية VLPNet، وهو نموذج تعلم عميق موحد يتيح التقدير التدريجي للمقدار من محطة واحدة من خلال ملاحظات موجات P ذات المدة المتغيرة (0.5-6.0 ثانية) دون الحاجة لإعادة التدريب، مما يحسن الدقة بشكل كبير ويوازن بين سرعة الإنذار ودقة المقدار لأنظمة الإنذار المبكر من الزلازل.
عندما تبدأ الأرض في الاهتزاز، فإن أول إشارة تصل ليست الحركة الدورانية العنيفة التي تسبب الأضرار، بل هي نبضة أسرع وأهدأ تُعرف باسم موجة (P). تنتقل هذه الموجات عبر باطن الكوكب بسرعات عالية، وتصل إلى أجهزة الاستشعار الزلزالية قبل ثوانٍ من وصول الاهتزاز المدمر. وفي عالم الإنذار المبكر للزلازل، تُعد تلك الثواني القليلة سلعة ثمينة؛ فهي كافية لجعل قطار يتباطأ، أو خط غاز يُغلق، أو شخص ينبطح على الأرض. ويتمثل التحدي الحاسم للعلماء في تحديد حجم الزلزال — أي قدره — باستخدام هذا الجزء الضئيل والأولي فقط من البيانات. وكلما انتظروا لفترة أطول لجمع المزيد من المعلومات، أصبحت التقديرات أكثر دقة، ولكن الوقت المتبقي لإصدار تحذير يقل. لعقود من الزمن، حاول الباحثون إيجال توازن، باستخدام صيغ رياضية لتخمين الحجم النهائي للزلزال بناءً على الثواني القليلة الأولى من إشارة موجة (P)، لكن هذه الأساليب غالبًا ما تجد صعوبة في التكيف مع تغير الإشارة ونموها.
لقد طور فريق من الباحثين في جامعة هواتشونغ للعلوم والتكنولوجيا نهجًا جديدًا لحل هذه المشكلة، حيث أنشأوا نظامًا يسمى (VLPNet). وبدلاً من الاعتماد على صيغ ثابتة تبحث عن أرقام محددة مسبقًا في الموجة، يستخدم هذا النظام نوعًا من الذكاء الاصطناوئي المصمم للتعلم مباشرة من الشكل الخام للإشارة الزلزالية. قام الباحثون بتدريب هذا النموذج الرقمي على مجموعة هائلة من سجلات الزلازل الحقيقية من اليابان، وتعليمه كيفية النظر إلى اللحظة الأولى التي تصدم فيها موجة (P) المستشعر، ثم مراقبة كيفية تطور الإشارة بمرور الوقت. كان الهدف هو بناء أداة موحدة واحدة يمكنها استقبال إشارة موجة (P) بأي طول، من نصف ثانية إلى ست ثوانٍ، وتحديث تقديرها لحجم الزلزال فورًا مع وصول المزيد من البيانات. وعلى عكس الأساليب السابقة التي قد تتطلب "آلة حاسبة" مختلفة لنافذة زمنية مدتها ثانية واحدة مقابل نافذة مدتها ثلاث ثوانٍ، يتعامل هذا النموذج الجديد مع جميع المدد بنفس "العقل"، حيث يقوم بتحديث تنبؤاته باستمرار مع تكشف الموجة.
ولتطوير هذا النظام، جمع الباحثون أكثر من 13,000 سجل من 550 محطة زلزالية مختلفة في جميع أنحاء اليابان، تغطي زلازل بأحجام ومسافات متنوعة. لقد علموا النموذج أن ينظر إلى الاهتزاز الرأسي المسجل في أعماق الأرض، والذي يصل أولاً، ويتنبأ بالاهتزاز الأفقي الأقصى الذي سيحدث في النهاية عند السطح. وهذه خطوة حاسمة لأن الاهتزاز السطحي هو ما يحدد الأضرار والحجم. تعلم النموذج الربط بين موجة (P) الهادئة والمبكرة وبين الحركة الأرضية العنيفة اللاحقة دون أن يُطلب منه البحث عن قمم أو ترددات محددة؛ فقد تعلم الأنماط ببساطة. وبمجرد تدريبه، تم اختبار النظام على زلازل جديدة لم يسبق له رؤيتها. وأظهرت النتائج أنه كلما سمح للنموذج بالاستماع إلى مقاطع أطول من موجة (P)، أصبحت تنبؤاته أكثر دقة بشكل ملحوظ. في نصف الثانية الأولى، كانت التقديرات تعاني من مستوى معين من عدم اليقين، ولكن بحلول علامة الثلاث ثوانٍ، انخفض الخطأ بشكل كبير، وبحلول ست ثوانٍ، أصبحت التنبؤات موثوقة للغاية.
قارنت الدراسة هذا النظام القائم على التعلم مع الأساليب التقليدية التي تعتمد على اختيار سمات محددة يدويًا، مثل أعلى نقطة في الموجة أو إيقاعها السائد. وقد تفوق النموذج الجديد باستمرار على هذه التقنيات القديمة. فعند علامة الثلاث ثوانٍ، وهي نقطة تُستخدم غالبًا لإصدار التحذيرات، قلل النظام الجديد متوسط الخطأ بنسبة تقرب من النصف مقارم بأفضل طريقة تقليدية. كما أثبت متانة عبر مختلف أنواع الظروف الأرضية؛ فبغض النظر عما إذا كان المستشعر موضوعًا على صخور صلبة، أو تربة ناعمة، أو ما بينهما، حافظ النموذج على دقته، حيث قدر الحجم بشكل صحيح ضمن وحدة واحدة في أكثر من 93% من الحالات. وهذا الاتساق أمر حيوي لأن المستشعرات في العالم الحقيقي توضع على أنواع مختلفة من التضاريس، ولا يمكن لنظام التحذير أن يفشل لمجرد أن الأرض ناعمة أو صلبة.
وجد الباحثون أن التحسن الأكثر دراماتيكية في الدقة حدث خلال الثواني الثلاث الأولى من الإشارة. وبعد ذلك، استمرت المكاسب ولكن بشكل تدريجي. وهذا يشير إلى مقايضة عملية لمديري الطوارئ: الانتظار لفترة أطول يعطي رقمًا أكثر دقة، ولكن يجب إصدار التحذير في وقت مبكر بما يكفي ليكون مفيدًا. يسمح النموذج الجديد بتحديث مستمر، مما يعني أنه يمكن إصدار تحذير مبكر بهامش خطأ أوسع قليلاً، ثم يتم تنقيحه فورًا مع وصول المزيد من البيانات، بدلاً من انتظار إغلاق نافذة زمنية ثابتة. وتخلص الدراسة إلى أن هذا النهج الموحد يقدم طريقة قوية للتعامل مع الطبيعة المتغيرة للإشارات الزلزالية. ورغم أن النظام ليس "بلورة سحرية" مثالية ولا يزال يعتمد على جودة البيانات الأولية، إلا أنه يمثل خطوة كبيرة للأمام في تحويل اللحظات العابرة لموجة (P) إلى تنبيه موثوق ومنقذ للحياة.
ملخص تقني: شبكة VLPNet لتقدير القدر الزلزالي التصاعدي لمحطة واحدة
بيان المشكلة تعتمد أنظمة الإنذار المبكر من الزلازل (EEW) على التقدير السريع للقدر الزلزالي من خلال ملاحظات موجات (P) الأولية لإصدار التنبيهات قبل وصول الموجات (S) المدمرة. ويتمثل التحدي الحاسم في نظام الإنذار المبكر في أن ملاحظات موجات (P) تتراكم باستمرار؛ حيث يتطور وقت التحذير المتاح ومدة الموجة المرصودة في الوقت الفعلي. تعتمد طرق تقدير القدر التقليدية لمحطة واحدة عادةً على علاقات تجريبية باستخدام سمات قياسية محددة يدويًا (مثل الإزاحة الذروية Pd أو أقصى فترة سائدة τpmax) المستخرجة من نوافذ زمنية ثابتة. وتواجه هذه النهج مشكلتين رئيسيتين:
عدم المرونة: النماذج المدربة على مدد إدخال معينة لا يمكن تطبيقها مباشرة على نوافذ ملاحظة متطورة أو عشوائية دون إعادة تدريب أو استخدام حشوة صفرية (zero-padding)، مما قد يؤدي إلى ظهور آثار اصطناعية.
فقدان المعلومات: يؤدي اختزال الموجات المعقدة إلى عدد قليل من السمات القياسية إلى فقدان معلومات غنية حول السعة، والتردد، والتطور الزمني المحتوى في الإشارة الخام. علاوة على ذلك، غالبًا ما تواجه نماذج التعلم العميق الحالية صعوبة في الحفاظ على أداء ثابت عبر ظروف الموقع المتغيرة (مثل الصخور الصلبة مقابل التربة الناعمة) وفترات الملاحظة المتغيرة باستخدام إطار عمل موحد واحد.
المنهجية يقترح المؤلفون VLPNet، وهو نموذج تعلم عميق موحد مصمم لمعالجة سجلات موجات (P) ذات المدد المتغيرة دون الحاجة إلى نماذج منفصلة لأوقات تحذير مختلفة.
مجموعة البيانات: تستخدم الدراسة 13,245 سجلًا للمحطة والحدث من 1,916 زلزالًا (قدر JMA > 4.0، مسافة مركزية 30–200 كم) تم تسجيلها في 550 محطة من شبكة KiK-net في اليابان. تم تقسيم البيانات زمنيًا إلى مجموعات تدريب (1997–2011)، وتحقق (2011–2015)، واختبار (2015–2019) لمنع تسرب المعلومات.
المدخلات والهدف:
المدخلات: مكون التسارع الرأسي لثقب البئر (UD2) بدءًا من وصول موجة (P) الذي تم تحديده تلقائيًا. مدة الإدخال متغيرة، تتراوح من 0.5 ثانية إلى 6.0 ثوانٍ.
الهدف: بدلاً من التنبؤ بالقدر مباشرة، تتنبأ VLPNet بلوغاريتم ذروة الإزاحة الأفقية للسجل الكامل (log10A). يتم دمج هذه القيمة لاحقًا مع المسافة المركزية باستخدام علاقة قدر JMA تجريبية لتقدير القدر النهائي. يتم اشتقاق الهدف من سجلات التسارع الأفقي السطحي الكاملة (NS1, EW1).
بنية الشبكة:
استخراج السمات: تقوم وحدة شبكة عصبية تلافيفية (CNN) مع كتلتين تلافيفتين أحاديتي الأبعاد باستخراج السمات المحلية من تسلسل التسارع أحادي البعد. لم يتم تطبيق تجميع زمني للحفاظ على الدقة الزمنية.
التعامل مع الأطوال المتغيرة: للتعامل مع الدفعات الصغيرة (mini-batches) ذات الأطوال المختلفة، تستخدم النموذج استراتيجية "التسلسل المعبأ" (pack_padded_sequence). يتم حشو التسلسلات المدخلة بحشوة صفرية إلى طول ثابت (600 عينة) لعملية التلافيف، ولكن يتم الاحتفاظ بالأطوال الصالحة. قبل دخول الطبقة المتكررة، يتم استبعاد الخطوات المحشوة، مما يضمن أن البيانات الصالحة فقط هي التي تؤثر على النمذجة الزمنية.
النمذجة الزمنية: تلتقط شبكة ذاكرة قصيرة المدى طويلة قصيرة المدى (LSTM) بطبقتين مع 64 وحدة مخفية التبعيات الزمنية. تمثل الحالة المخفية النهائية النهاية الفعلية لـ نافذة الملاحظة، وليس الطول المحشو.
الانحدار: تقوم طبقة متصلة بالكامل برسم الخرائط لمخرج LSTM إلى log10A المتوقع.
التدريب: تم تدريب النموذج باستخدام مُحسن Adam لتقليل خطأ متوسط المربع (MSE) بين log10A المتوقع والمستهدف. أثناء التدريب، تم قطع السجلات عشوائيًا لمحاكاة مدد الملاحظة المتغيرة (0.5–6.0 ثانية).
المساهمات الرئيسية
إطار عمل موحد: تطوير نموذج واحد قادر على معالجة سجلات موجات (P) بأي مدة تتراوح بين 0.5 و6.0 ثوانٍ، مما يسمح بتحديثات القدر المستمرة مع وصول بيانات جديدة دون الحاجة لإعادة التدريب.
معالجة الأطوال المتغيرة: تنفيذ استراتيجية التسلسل المعبأ التي تسمح لطبقات LSTM بمعالجة تسلسلات ذات أطوال فعالة متفاوتة ضمن دفعة واحدة، مما يتجنب فقدان المعلومات المرتبط بالحشوة الصفرية القياسية في الشبكات المتكررة.
تقييم منهجي: مقارنة شاملة مع الطرق التقليدية (Pd، τpmax، ومزيجهما) وتقييم صارم لمتانة النموذج عبر ثلاث فئات متميزة من المواقع (صخور صلبة، متوسطة، تربة ناعمة).
النتائج
الدقة التصاعدية: مع زيادة مدة الملاحظة من 0.5 ثانية إلى 6.0 ثوانٍ، انخفض متوسط الخطأ المطلق (MAE) لتقدير القدر من 0.461±0.002 إلى 0.317±0.010. كما ارتفعت نسبة التقديرات ضمن نطاق ±1 وحدة قدر من 89.2% إلى 96.5%.
كسب الأداء: عند نافذة ملاحظة مدتها 3.0 ثوانٍ، قللت VLPNet من خطأ متوسط المربع (MAE) بنسبة تتراوح بين 28.0% و50.9% مقارنة بالطرق التقليدية (Pd، τpmax، و Pd+τpmax). وتحديدًا، حققت VLPNet خطأ MAE قدره 0.345، مقارنة بـ 0.479 لأفضل مجموعة تقليدية أداءً.
متانة الموقع: حافظ النموذج على أداء مستقر عبر المواقع ذات الصخور الصلبة، والمتوسطة، والتربة الناعمة. عند 3.0 ثوانٍ، كانت أكثر من 93% من التقديرات لجميع فئات المواقع الثلاث ضمن نطاق ±1 وحدة قدر. وبينما أظهرت المواقع ذات الصخور الصلبة خطأ MAE أعلى قليلاً وميلًا نحو التقليل من القدر، إلا أن تشتت الأخطاء الإجمالي ظل ثابتًا عبر أنواع المواقع.
توزيع الخطأ: أظهر النموذج تقليلًا منهجيًا في القدر للأحداث ذات القدر الكبير، خاصة عند مدد الملاحظة القصيرة (0.5 ثانية)، وهو ما تحسن مع توفر المزيد من بيانات الموجات.
الأهمية والادعاءات يزعم البحث أن VLPNet تعالج بنجاح المقايضة بين سرعة التحذير ودقة القدر من خلال استخدام بنية تعلم عميق موحدة. ومن خلال التعلم مباشرة من الموجات الخام ذات الأطوال المتغيرة بدلاً من الاعتماد على سمات قياسية محددة مسبقًا، يستطيع النموذج التقاط معلومات أكثر ثراءً حول السعة والتطور الزمني. وتوضح الدراسة أن نموذجًا واحدًا يمكنه فعليًا تحديد تقديرات القدر بشكل تصاعدي مع تراكم معلومات موجة (P)، مما يوفر بديلًا أكثر مرونة ودقة للطرق التجريبية التقليدية للإنذار المبكر من الزلازل لمحطة واحدة. ويشير المؤلفون إلى أنه بينما النتائج واعدة على مجموعة بيانات KiK-net، إلا أن هناك حاجة لمزيد من التقييم فيما يتعلق بقابلية النقل إلى مناطق زلزالية أخرى والمتانة تجاه عدم اليقين في الوقت الفعلي في تحديد وصول موجة (P) والمسافة.