حیوانات یا هوش مصنوعی، کدامیک توان پیشبینی زلزله را دارند؟
تاریخ انتشار: ۸ اردیبهشت ۱۴۰۲ | کد خبر: ۳۷۶۳۰۳۰۸
با وجود پیشرفت های به دست آمده در زمینه فناوری، پیش بینی زمان و مکان وقوع زلزله هنوز امری دشوار است. در حالی که دانشمندان توانسته اند مناطق زلزله خیز را شناسایی کنند، اما زمان دقیق و بزرگی این رویدادها به میزان زیادی غیرقابل پیش بینی باقی مانده است.
نقشهبرداری مناطق لرزهای؛ شناسایی مناطقی که فعالیت لرزهای در آنجا افزایش یافته است
دانش لرزه شناسی ابزار اصلی پیش بینی زلزله است.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
یکی از متداولترین روشهای پیشبینی زلزله، شناسایی مناطقی است که فعالیت لرزهای در آنجا افزایش یافته است که به مناطق زلزله خیز یا کانونهای لرزهای معروف هستند. اینها مناطقی هستند که صفحات تکتونیکی به هم می رسند و به دلیل افزایش فشار و انرژی، مستعد زلزله هستند. برای مثال، حلقه آتش اقیانوس آرام منطقهای در اقیانوس آرام است که بیشتر زلزلهها و فورانهای آتشفشانی جهان در آنجا رخ میدهد.
زلزله شناسان از داده های تاریخی برای شناسایی و نقشه برداری این مناطق لرزه ای و تخمین احتمال وقوع زمین لرزه های آینده بر اساس فعالیت های گذشته استفاده می کنند.
نظارت بر پوسته زمین؛ ردیابی تغییرات در سطح آبهای زیرزمینی و حرکت صفحات تکتونیکی
روش دیگری که در پیش بینی زلزله استفاده می شود، نظارت بر تغییرات پوسته زمین، مانند تغییرات سطح آب های زیرزمینی یا حرکت صفحات تکتونیکی است. برای مثال، تغییرات سطح آب چاهها در نزدیکی خط گسل میتواند نشاندهنده افزایش فشار و تنش باشد که میتواند به وقوع یک زمین لرزه بینجامد. از دادههای GPS (سیستم موقعیت یاب جهانی) میتوان برای نظارت بر حرکت صفحات تکتونیکی استفاده کرد که میتواند اطلاعاتی در مورد قابلیت فعالیتهای لرزهای در آینده ارائه دهد.
سامانههای هشدار اولیه؛ بهرهگیری از فناوری برای تشخیص زلزله و اعلام هشدار
در حالی که این روشها میتوانند اطلاعات ارزشمندی در مورد احتمال وقوع زمینلرزههای آینده ارائه دهند، اما تضمین شده نیستند. همیشه درجاتی از تردید در پیشبینی زلزله وجود دارد و حتی در مناطقی که احتمال فعالیت لرزهای زیاد است، زمینلرزهها همچنان میتوانند بدون هشدار قبلی یا هشدار اندک اتفاق بیفتند.
با این حال، پیشرفتهای بدست آمده در زمینه فناوری و مدلسازی، امکان پیشبینی زلزله و به حداقل رساندن آثار آن را بهبود بخشیده است. به طور مثال، سامانه های هشدار زودهنگام زلزله از دادههای ایستگاههای مانیتورینگ لرزهای برای شناسایی زمینلرزهها استفاده میکنند و قبل از رسیدن امواج لرزهای به ساکنان مناطق در معرض خطر هشدار صادر میدهند. این سامانه ها می توانند زمان ارزشمندی را برای تخلیه ساختمان ها یا سایر اقدامات محافظتی فراهم کنند.
نقش حیوانات در پیشبینی زلزله
برخی شواهد غیررسمی بیانگر آن است که بعضی حیوانات قادر به پیش بینی زلزله هستند. برای مثال، مشاهده شده است که برخی از گونههای حیوانات مانند سگ، گربه و گاو، در ساعات قبل از وقوع زلزله رفتارهای غیرعادی بروز می دهند. این رفتارها می تواند شامل بی قراری، ناآرامی و سروصدا باشد. اینکه چرا برخی از حیوانات می توانند زمین لرزه های قریب الوقوع را احساس کنند، کاملا شناخته نشده است، اما برخی از محققان معتقدند این حیوانات نسبت به تغییرات در میدان های الکترومغناطیسی زمین، فشار جوی یا سایر عوامل محیطی که قبل از فعالیت لرزه ای رخ می دهد، حساس هستند.
با این حال، در حالی که رفتار حیوانات ممکن است ابزار مفیدی برای پیشبینی کوتاهمدت زلزله باشد، اما نمیتواند جایگزین روشهای علمی مورد استفاده توسط زلزلهشناسان و دیگر کارشناسان شود.
هوش مصنوعی و پیشبینی زلزله؛ بررسی قابلیت الگوریتمهای یادگیری ماشین
یکی دیگر از حوزه های تحقیقاتی که قابلیت بهبود پیش بینی زلزله را دارد، یادگیری ماشینی است. محققان در حال بررسی استفاده از الگوریتمهای هوش مصنوعی برای تجزیه و تحلیل مجموعههای بزرگ داده و شناسایی الگوهایی هستند که ممکن است شاخص فعالیت لرزهای باشند. برای مثال، مطالعهای که در سال ۲۰۲۱ در مجله تحقیقات ژئوفیزیک، زمین جامد منتشر شد، نشان میدهد یادگیری ماشینی قادر به پیشبینی زمانبندی و وضعیت تنش برشی زلزلههای آزمایشگاهی با دقت مناسب است.
مطالعه دیگری که در سال ۲۰۲۰ در مجله Nature Communications منتشر شد، از یادگیری ماشینی برای شناسایی الگوهایی در داده های لرزه ای استفاده کرد که با افزایش تنش در پوسته زمین قبل از زلزله مرتبط بود.
5858
کد خبر 1759695منبع: خبرآنلاین
کلیدواژه: زلزله هوش مصنوعی زمین بلای طبیعی صفحات تکتونیکی فعالیت لرزه ای پیش بینی زلزله برای شناسایی زمین لرزه ها لرزه ای برای مثال داده ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.khabaronline.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «خبرآنلاین» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۷۶۳۰۳۰۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
هوش مصنوعی قادر است بیماریهای نادر را سالها زودتر شناسایی کند
ایتنا - مطالعه جدیدی نشان میدهد که هوش مصنوعی ممکن است بتواند بیمارانی را که سالها زودتر از زمان تشخیص معمول به بیماریهای نادر مبتلا هستند، شناسایی کند. محققان در Science Translational Medicine گزارش دادند که یک برنامه جدید هوش مصنوعی توانست افراد در معرض خطر ابتلا به یک اختلال ایمنی نادر را شناسایی کند. محققان دریافتند از یک گروه 100 نفری که بر اساس برنامه هوش مصنوعی در معرض بالاترین خطر قرار دارند، 74 نفر به احتمال زیاد به این اختلال مبتلا هستند.
به گفته آنها، این تحقیق نشان میدهد که هوش مصنوعی میتواند به طور بالقوه به روند بهبود این بیماران کمک کند.
دکتر مانیش بوت، محقق ارشد، در بیانیهای گفت: «افرادی که بیماریهای نادر دارند ممکن است با تاخیرهای طولانی در تشخیص و درمان مواجه شوند که منجر به آزمایشهای غیرضروری، بیماری پیشرونده، استرسهای روانی و بار مالی میشود. با استفاده از ابزارهای هوش مصنوعی رویکردی را برای سرعت بخشیدن به تشخیص بیماران تشخیص داده نشده با شناسایی الگوهایی در پرونده الکترونیکی سلامت آنها ایجاد کردیم که شبیه الگوهای بیمارانی است که به این اختلالات معروف هستند.»
محققان بر مجموعه ای از اختلالات به نام نقص ایمنی متغیر رایج یا CVID تمرکز کردند. این اختلالات اغلب برای سالها یا دههها از تشخیص دور میمانند. اختلالات CVID حدود 1 نفر از هر 25000 نفر را تحت تاثیر قرار میدهد و به طور معمول باعث کمبود آنتیبادی و اختلال در پاسخهای ایمنی در بدن میشود. به گفته محققان، نه تنها اختلالات CVID نادر است، بلکه علائم میتواند بین بیماران بسیار متفاوت باشد و اغلب با بیماریهای شایعتر همپوشانی دارند.
بوت گفت:« علائم بالینی فنوتیپهای ایمنی نادر مانند CVID با بسیاری از تخصصهای پزشکی تلاقی میکند.» بیماران ممکن است برای عفونتهای سینوسی در کلینیکهای گوش، حلق و بینی مراجعه کنند یا در کلینیکهای ریه برای پنومونی درمان شوند. این تقسیم مراقبت در میان متخصصان متعدد منجر به تاخیرهای طولانی در تشخیص و درمان میشود.»
علاوه بر این، اختلالات CVID اغلب توسط تغییرات تنها در یک ژن از بیش از 60 ژن مرتبط با آنها ایجاد میشود. به گفته محققان، این موضوع امکان انجام آزمایش ژنتیکی برای تشخیص قطعی را رد میکند.
برای این مطالعه، محققان یک هوش مصنوعی به نام PheNet (فنت) توسعه دادند. این نام به کلمه "فنوتیپ" اشاره دارد که اصطلاح پزشکی برای ویژگیهای یک بیماری است که در مبتلایان دیده میشود. فنت الگوهای فنوتیپ را از موارد تأیید شده CVID میآموزد و سپس از این برای رتبهبندی خطر ابتلا به این اختلال استفاده میکند. فنت میلیونها پرونده الکترونیکی را بررسی کرد و همه بیماران را از نظر خطر ابتلا به CVID بر اساس آنچه آموخته بود رتبهبندی کرد.
نتایج نشان میدهد حدود 74 درصد از بیماران که PheNet بهعنوان بالاترین خطر ابتلا به CVID رتبهبندی کردهاند، بر اساس بررسیهای بعدی پزشکان، احتمال ابتلا به یکی از این اختلالات را دارند.
بر اساس این نتایج، تیم تحقیقاتی 4 میلیون دلار بودجه از مؤسسه ملی بهداشت برای مطالعه بیشتر برنامه هوش مصنوعی در محیطهای واقعی دریافت کرده است.
Bogdan Pasaniuc، محقق ارشد و استاد پزشکی محاسباتی، ژنتیک و آسیب شناسی، گفت: «ما نشان دادیم که الگوریتمهای هوش مصنوعی مانند PheNet میتوانند با تسریع در تشخیص CVID مزایای بالینی ارائه دهند و انتظار داریم این امر در مورد سایر بیماریهای نادر نیز اعمال شود. ما اکنون در حال بهبود دقت رویکرد خود برای شناسایی بهتر CVID و در عین حال گسترش به سایر بیماریها هستیم. ما همچنین برنامهریزی خواهیم کرد تا به سیستم یاد دهیم که یادداشتهای پزشکی را بخواند تا اطلاعات بیشتری در مورد بیماران و بیماریهای آنها به دست آورد.»