Evaluating data augmentation techniques in the classification of multi-station seismic-volcanic signals

البراكين عمالقة قلقة، وقبل أن تثور، غالبًا ما تهمس. هذه الهمسات هي إشارات زلزالية—اهتزازات خفية تنتقل عبر الأرض وتحمل قصة حركة الصهارة (الماجما)، أو هروب الغازات، أو تصدع الصخور تحت السطح. لعقود من الزمن، اعتمد العلماء على الخبراء البشر للاستماع إلى هذه الهمسات، من خلال فرز تدفقات لا تنتهي من البيانات يدويًا لتحديد ما يحدث في الأعماق. هذه العملية بطيئة، وتتطلب جهدًا بشريًا كبيرًا، وعرضة للخطأ البشري، خاصة عندما تكون الإشارات خافتة أو عندما تكون البيانات هائلة. في السنوات الأخيرة، بدأت الحواسيب تتولى مهمة الاستماع هذه، باستخدام الذكاء الاصطناعي للتعرف على الأنماط في الاهتزازات. ومع ذلك، تواجه هذه العقول الحاسوبية عقبة كبيرة: فهي تحتاج إلى كميات هائلة من الأمثلة لتتعلم، وفي عالم البراكين، غالبًا ما تكون الأحداث النادرة والخطيرة هي الأصعب في العثور عليها بأعداد كبيرة. وعندما تحاول الحواسيب التعلم من مجموعة أمثلة صغيرة وغير متوازنة، فإنها غالبًا ما تصبح منحازة، حيث تفضل الأحداث الشائعة التي تراها باستمرار وتغفل عن الأحداث النادرة والحاسمة التي تشير إلى خطر حقيقي.

وضع فريق من الباحثين من جامعة كاتوليكا ديل نورتي في تشيلي حلًا لهذه المشكلة عبر تعليم الحواسيب كيفية التعلم من أمثلة أقل دون فقدان قدرتها على تمييز الحقيقة. ركزوا على بركان لاسكار في شمال تشيلي، وهو موقع تتم مراقبته بواسطة شبكة من إحدى عشرة محطة زلزالية تسجل هزات الأرض. جمع الفريق قاعدة بيانات تضم أكثر من ستة آلاف حدث زلزالي، قام الخبراء بالفعل بفرزها إلى خمس فئات متميزة: الأحداث طويلة المدى، والأحداث البركانية التكتونية، والأحداث الهجينة، والأحداث التكتونية، والاضطرابات (الترومورز). كان التحدي يكمن في أن هذه الفئات لم تكن ممثلة بالتساوي؛ فبعض أنواع الأحداث كانت شائعة، بينما كانت أنواع أخرى نادرة جدًا لدرجة أن الحاسوب كافح ليتعلم كيف يبدو شكلها. ولإصلاح ذلك، استخدم الباحثون استراتيجية تسمى "تعزيز البيانات" (data augmentation). فبدلاً من انتظار الطبيعة لتوفر المزيد من الأحداث النادرة، استخدموا تقنيات رياضية لإنشاء نسخ اصطناعية جديدة من البيانات الموجودة. لم تكن هذه الأمثلة الجديدة مزيفة بطريقة مضللة؛ بل كانت نسخًا معدلة بعناية من الإشارات الحقيقية، تم تعديلها بما يكفي لتبدو مختلفة مع الحفاظ على هويتها الجوهرية. كان الهدف هو منح الحاسوب مكتبة أغنى وأكثر تنوعًا من الأمثلة ليدرسها، على أمل أن يتعلم القواعد الأساسية للنشاط البركاني بدلاً من مجرد حفظ التفاصيل المحددة.

اختبر الباحثون طرقًا مختلفة لإنشاء هذه الأمثلة الجديدة. أضافت بعض الطرق طبقة من الضجيج الساكن إلى الإشارات، تشبه صوت "هسيس" الراديو بين المحطات، لمعرفة ما إذا كان بإمكان الحاسوب التعرف على النمط. وأضافت طرق أخرى إزاحات طفيفة في الإشارات من حيث الوقت أو التردد، أو دمجت أجزاء من إشارات مختلفة لإنشاء هجين جديد. حتى أنهم استخدموا تقنية مستوحاة من التطور البيولوجي، حيث يختار الحاسوب أفضل الأجزاء من إشارتين ويمزجهما معًا لإنشاء إشارة جديدة. ولقياس مدى فعالية هذه الإشارات الجديدة، لم يكتفِ الفريق بالنظر فيما إذا كان الحاسوب قد حصل على الإجابة الصحيحة فحسب، بل قاسوا أيضًا مدى اختلاف الإشارات الجديدة عن الأصلية. كان عليهم التأكد من أن البيانات الجديدة متنوعة بما يكفي لتعليم الحاسوب شيئًا جديدًا، ولكنها مشابهة بما يكفي للواقع بحيث تنطبق الدروس عند مواجهة بركان حقيقي.

كانت النتائج مذهلة. وجد الباحثون أن النماذج التي تدربت على مجموعات بيانات تحتوي فقط على بيانات معززة غالبًا ما قدمت أداءً فائقًا في التصنيف، حيث حققت تقنيات مثل "الانجراف" (Drifting)، و"SpecAugment"، و"الارتعاش" (Jittering) دقة اختبار بلغت 97.2%، و95.4%، و93.9% على التوالي. ومع ذلك، كشفت الدراسة أيضًا أن النموذج الذي تدرب على مزيج من البيانات الحقيقية والمعززة باستخدام تقنية "الانجراف" حقق أعلى دقة بلغت 98.3% عند اختباره على إشارات من العالم الحقيقي. هذه الأرقام مهمة لأنها تظهر أن الحاسوب تعلم التعرف على الأنماط الكامنة في النشاط البركاني جيدًا لدرجة مكنته من تجاهل الضوضاء والتباينات في العالم الحقيقي. كما كشفت الدراسة أن مجرد إضافة المزيد من البيانات إلى الفئات النادرة لم يكن كافيًا؛ بل إن جودة وتنوع تلك البيانات المضافة كانت هي الأهم. كانت النماذج الأفضل أداءً هي تلك التي رأت تنوعًا واسعًا في أشكال الإشارات وأنسجتها، مما أجبر الحاسوب على تعلم الخصائص الجوهرية لكل نوع من أنواع الأحداث بدلاً من الاعتماد على الاختصارات.

يشير هذا العمل إلى مسار جديد لمراقبة البراكين. فباستخدام تعزيز البيانات، يمكن للعلماء بناء نماذج حاسوبية أكثر قوة وموثوقية، حتى عندما يكون لديهم عدد قليل جدًا من الأمثلة الحقيقية للأحداث الخطيرة للبدء بها. أظهرت الدراسة أنه يمكن تدريب هذه النماذج على بيانات من بركان واحد ومع ذلك يمكنها التعميم بشكل جيد، مما يعني أنه يمكن تطبيقها على براكين أخرى حول العالم. وخلص الباحثون إلى أن مفتاح النجاح لم يكن مجرد امتلاك المزيد من البيانات، بل امتلاك بيانات أذكى—أمثلة متنوعة بما يكفي لتعليم الحاسوب المرونة، ولكنها مشابهة للواقع بما يكفي لتكون مفيدة. في النهاية، لم يتعلم الحاسوب مجرد عد الزلازل؛ بل تعلم كيف يستمع إلى لغة البركان بوضوح قد يجد الخبراء البشريون وحدهم صعوبة في تحقيقه، مما يوفر أداة قوية لفهم التطور الديناميكي والخطير غالبًا للمراكز البركانية.