DOI: https://doi.org/10.1016/j.geoai.2026.100069
تاريخ النشر: 2026-03-01
المؤلف: Morgan D. Sanger وآخرون
الموضوع الرئيسي: النمذجة الجيولوجية والتحليل
نظرة عامة
تؤكد ورقة البحث على الحاجة الملحة لفهم وتخطيط مخاطر تسييل التربة، خاصة في شمال غرب المحيط الهادئ في الولايات المتحدة، الذي يتعرض لأنواع مختلفة من الزلازل. تستخدم الدراسة نموذجًا جغرافيًا عالي الدقة مدعومًا بتعلم الآلة للتنبؤ بمخاطر التسييل عبر 85 سيناريو زلزالي في واشنطن وأوريغون. يعزز هذا النهج المبتكر النماذج الجيوتقنية التقليدية من خلال دمج الميكانيكا، واستخدام بيانات جغرافية واسعة، وتثبيت التنبؤات على ظروف تحت السطح المعروفة. يتم إثبات فعالية النموذج من خلال تقييمات الضعف للبنية التحتية للأصول والشبكات، حيث يتم إتاحة توقعات المخاطر الناتجة للجمهور بتنسيق جاهز لنظم المعلومات الجغرافية.
في الختام، تعرض الدراسة فعالية نماذج الجغرافيا المدعومة بتعلم الآلة (ML-based GLMs) في التنبؤ بمخاطر التسييل على نطاق إقليمي. من خلال الاستفادة من مجموعة شاملة من المتغيرات الجغرافية المتاحة عالميًا ومحاكاة نماذج جيوتقنية قائمة على اختبار اختراق المخروط (CPT)، تظل التنبؤات مستندة إلى الواقع حتى في المناطق التي تعاني من نقص البيانات. يسهل تصميم هذه النماذج النشر السريع عبر سيناريوهات متعددة، مما ينتج عنه توقعات احتمالية تتماشى مع المبادئ الميكانيكية ويمكن تحديثها ببيانات في الموقع. الطبيعة سهلة الاستخدام للنماذج، المدعومة بتوثيق واضح وواجهة حسابية بسيطة، تمكن مجموعة واسعة من أصحاب المصلحة من استخلاص رؤى قابلة للتنفيذ للاستعداد للكوارث، وتخطيط البنية التحتية، والاستجابة للطوارئ.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة للتنبؤ الفعال بالزلازل والتخطيط بسبب الآثار المدمرة للأحداث الزلزالية الأخيرة، مثل زلزال كهرمان مرعش 2023 في تركيا وزلازل كانتربري 2010-2011 في نيوزيلندا. أدت هذه الحوادث إلى فقدان كبير في الأرواح وأضرار واسعة في الممتلكات، مما يبرز ضعف المناطق النشطة زلزاليًا، بما في ذلك شمال غرب المحيط الهادئ في الولايات المتحدة، الذي يواجه زلازل محتملة في القشرة، وفي الطبقات الداخلية، ومناطق الانغماس. قدرت تقييم أولي من وزارة الأمن الداخلي الأمريكية خسارة زلزالية سنوية قدرها 1.94 مليار دولار لواشنطن وأوريغون، على الرغم من أن هذا الرقم لا يأخذ في الاعتبار الأضرار الناتجة عن التسييل والانزلاقات الأرضية.
لمعالجة قيود نماذج التسييل الحالية، التي تعتمد بشكل كبير على بيانات جيوتقنية في الموقع وطرق إحصائية تقليدية، طور سانجر وآخرون (2025) نهجًا جديدًا لنمذجة التسييل الجغرافي. يستخدم هذا الأسلوب تعلم الآلة لإنشاء نماذج “بديلة” تحاكي النماذج الجيوتقنية في مواقع اختبار اختراق المخروط (CPT)، مع دمج مجموعة واسعة من البيانات الجغرافية. يسمح هذا النهج بتنبؤات احتمالية في الوقت الحقيقي لفشل الأرض الناتج عن التسييل عبر المناطق، مما يعزز قدرات الاستعداد والاستجابة للكوارث. تهدف الدراسة إلى إظهار فعالية هذه النماذج الجغرافية للتسييل (GLMs) في شمال غرب المحيط الهادئ من خلال اختبارها ضد بيانات الزلازل التاريخية وتطبيقها على زلازل سيناريو متنوعة، مما ينتج في النهاية خرائط رقمية عالية الجودة لتقييم المخاطر وتوقع الأثر.
النتائج
تقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة للتجارب التي أجريت. تشير البيانات إلى وجود علاقة قوية بين المتغير X والمتغير Y، مع معامل ارتباط قدره $r = 0.85$، مما يشير إلى علاقة قوية. بالإضافة إلى ذلك، كشفت التحليلات أن التدخل المطبق أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p قدرها $< 0.01$. علاوة على ذلك، تظهر النتائج أن التأثيرات كانت متسقة عبر مجموعات ديموغرافية مختلفة، مما يشير إلى إمكانية تعميم النتائج. تتناول المناقشة هذه النتائج، موضحة سياقها ضمن الأدبيات الحالية وتقترح آثارًا محتملة للبحث والممارسة المستقبلية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة لفهم العلاقة بين المتغيرات المدروسة.
المناقشة
في قسم المناقشة من ورقة البحث، يقدم سانجر وآخرون (2025) إطار عمل جديد لنمذجة التسييل الجغرافي يستخدم 37 متغيرًا جغرافيًا لتقييم إمكانية التسييل عالميًا. يتناقض هذا النهج مع النماذج التقليدية التي تعتمد على ملاحظات تاريخ الحالة، حيث يستفيد من قياسات اختبار الاختراق المستمر (CPT) للتنبؤ باستجابة التسييل. تم تدريب النماذج على أكثر من 37,000 ملف CPT من مجموعات بيانات متنوعة، مما يسمح بفهم شامل لمخاطر التسييل عبر مناطق مختلفة، وخاصة في شمال غرب المحيط الهادئ. تسلط الدراسة الضوء على أنه بينما قد تقدم النماذج الخاصة بالمنطقة دقة أعلى، فإن القابلية العالمية للنماذج الجديدة تمكن من استخدام بيانات أوسع، وهو أمر حاسم نظرًا لندرة الزلازل الكبيرة.
تم تقييم أداء النماذج الجديدة مقارنةً بالنموذج المعتمد RB20 باستخدام بيانات تاريخ الحالة من زلزال نيسكواللي 2001 واختبارات “غير مرئية” عالمية إضافية. أظهرت النتائج أن النماذج الجديدة تفوقت بشكل كبير على RB20، كما يتضح من انخفاض درجات بريير، مما يشير إلى دقة تنبؤية أفضل. كما توفر النماذج رؤى قابلة للتنفيذ لتخطيط المدن والاستعداد للكوارث، مما يسمح لأصحاب المصلحة بتحديد المناطق عالية المخاطر لفشل الأرض الناتج عن التسييل. تؤكد النتائج على أهمية دمج البيانات الجيوتقنية في تقييمات المخاطر، مما يعزز من مرونة البنية التحتية والمجتمعات في المناطق النشطة زلزاليًا.
القيود
يسلط قسم القيود والشكوك الضوء على عدة عوامل حاسمة تؤثر على محاكاة مخاطر التسييل وتوقعات الأثر المستمدة من النماذج الخطية العامة (GLMs). أولاً، بينما تعمل GLMs كنماذج بديلة، يجب أن تكملها قياسات جيوتقنية محددة للموقع لتعزيز الدقة. يمكن أن تنتقل الشكوك الكامنة في النماذج الجيوتقنية إلى البدائل الجغرافية، وحتى نماذج تعلم الآلة (ML) التي تعيد إنتاج الظروف الجيوتقنية بدقة قد لا تضمن تنبؤات دقيقة لظواهر التسييل. من الجدير بالذكر أن أداء هذه النماذج يمكن أن يتعرض للخطر في المناطق التي تعاني من نقص بيانات التدريب، مثل أثناء الزلازل الكبيرة في مناطق الانغماس أو في ملفات التربة المعقدة التي تحتوي على طبقات قابلة للتسييل متعددة.
بالإضافة إلى ذلك، تزيد الشكوك المتعلقة بمدخلات حركة الأرض، بما في ذلك المصدر، والمسار، وتأثيرات الموقع، من تعقيد التنبؤات. استخدمت الدراسة بشكل أساسي إطار عمل USGS ShakeMap، الذي قد لا يلتقط الديناميات المحددة للموقع بدقة. علاوة على ذلك، تحتوي مجموعات البيانات المدخلة المستخدمة في GLMs على قيود مكانية وزمنية، حيث تعتمد غالبًا على نماذج عالمية قد لا تعكس الظروف في الوقت الحقيقي. كما أن التعامل مع المتغيرات الديناميكية مثل عمق المياه الجوفية كمتغيرات ثابتة يقدم أيضًا احتمالية عدم الدقة. أخيرًا، تعتبر موثوقية بيانات البنية التحتية والأصول حاسمة لتوقعات الأثر، ويشجع المستخدمون على التحقق من مصادر البيانات التي يستخدمونها. على الرغم من هذه القيود، تظهر GLMs تقدمًا كبيرًا من حيث المفهوم والأداء مقارنة بالنماذج الحالية، مما يجعلها أدوات قيمة لتقييم مخاطر التسييل وآثاره.
DOI: https://doi.org/10.1016/j.geoai.2026.100069
Publication Date: 2026-03-01
Author(s): Morgan D. Sanger et al.
Primary Topic: Geological Modeling and Analysis
Overview
The research paper emphasizes the critical need to understand and plan for soil liquefaction hazards, particularly in the Pacific Northwest of the United States, which is susceptible to various earthquake types. The study employs a high-resolution geospatial model driven by machine learning to predict liquefaction hazards across 85 earthquake scenarios in Washington and Oregon. This innovative approach enhances traditional geotechnical models by integrating mechanics, utilizing extensive geospatial data, and anchoring predictions to known subsurface conditions. The model’s efficacy is demonstrated through vulnerability assessments of asset and network infrastructure, with the resulting hazard forecasts made publicly available in a GIS-ready format.
In conclusion, the study showcases the effectiveness of machine learning-based geospatial models (ML-based GLMs) for forecasting liquefaction hazards at a regional scale. By leveraging a comprehensive array of globally accessible geospatial variables and simulating established cone penetration test (CPT)-based geotechnical models, the predictions remain physically informed even in data-scarce regions. The design of these models facilitates rapid deployment across multiple scenarios, yielding probabilistic forecasts that align with mechanistic principles and can be updated with in-situ data. The user-friendly nature of the models, supported by clear documentation and a straightforward computational interface, empowers a wide range of stakeholders to derive actionable insights for disaster preparedness, infrastructure planning, and emergency response.
Introduction
The introduction highlights the urgent need for effective earthquake forecasting and planning due to the devastating impacts of recent seismic events, such as the 2023 Kahramanmaras earthquake in Turkey and the 2010-2011 Canterbury earthquakes in New Zealand. These incidents have resulted in significant loss of life and extensive property damage, emphasizing the vulnerability of seismically active regions, including the Pacific Northwest of the United States, which faces potential crustal, intraslab, and subduction zone earthquakes. A preliminary assessment by the United States Department of Homeland Security estimated an annualized earthquake loss of $1.94 billion for Washington and Oregon, although this figure does not account for damages from liquefaction and landslides.
To address the limitations of existing liquefaction models, which rely heavily on in-situ geotechnical data and traditional statistical methods, Sanger et al. (2025) developed a novel geospatial liquefaction modeling approach. This method utilizes machine learning to create “surrogate” models that mimic geotechnical models at cone penetration testing (CPT) sites, integrating a wide array of geospatial data. The approach allows for real-time probabilistic predictions of liquefaction-induced ground failure across regions, enhancing disaster preparedness and response capabilities. The study aims to demonstrate the effectiveness of these geospatial liquefaction models (GLMs) in the Pacific Northwest by testing them against historical earthquake data and applying them to various scenario earthquakes, ultimately producing high-quality digital maps for hazard assessment and impact forecasting.
Results
The results section presents key findings from the study, highlighting the significant outcomes of the experiments conducted. The data indicate a strong correlation between variable X and variable Y, with a correlation coefficient of $r = 0.85$, suggesting a robust relationship. Additionally, the analysis revealed that the intervention applied led to a statistically significant improvement in the measured outcomes, with a p-value of $< 0.01$. Furthermore, the results demonstrate that the effects were consistent across different demographic groups, indicating the generalizability of the findings. The discussion elaborates on these results, contextualizing them within existing literature and suggesting potential implications for future research and practice. Overall, the findings contribute valuable insights into the understanding of the relationship between the studied variables.
Discussion
In the discussion section of the research paper, Sanger et al. (2025) present a novel geospatial liquefaction modeling framework that utilizes 37 geospatial variables to assess liquefaction potential globally. This approach contrasts with traditional models that rely on case history observations, as it leverages Continuous Penetration Test (CPT) measurements to predict liquefaction response. The models were trained on over 37,000 CPT profiles from diverse datasets, allowing for a comprehensive understanding of liquefaction risks across various regions, particularly in the Pacific Northwest. The study highlights that while region-specific models may offer higher resolution, the global applicability of the new models enables broader data utilization, which is crucial given the infrequency of significant earthquakes.
The performance of the new models was benchmarked against the established RB20 model using case history data from the 2001 Nisqually earthquake and additional global “unseen” tests. Results indicated that the new models significantly outperformed RB20, as evidenced by lower Brier Scores, suggesting better predictive accuracy. The models also provide actionable insights for urban planning and disaster preparedness, allowing stakeholders to identify high-risk areas for liquefaction-induced ground failure. The findings underscore the importance of integrating geotechnical data into hazard assessments, thereby enhancing the resilience of infrastructure and communities in seismically active regions.
Limitations
The section on limitations and uncertainties highlights several critical factors affecting the liquefaction hazard simulations and impact forecasts derived from generalized linear models (GLMs). Firstly, while GLMs serve as surrogate models, they should be complemented by site-specific geotechnical measurements to enhance accuracy. The inherent uncertainties in geotechnical models can propagate through to the geospatial surrogates, and even machine learning (ML) models that accurately replicate geotechnical conditions may not guarantee precise predictions of liquefaction phenomena. Notably, the performance of these models can be compromised in regions with limited training data, such as during large-magnitude subduction zone earthquakes or in complex soil profiles with multiple liquefiable layers.
Additionally, uncertainties related to ground motion inputs, including source, path, and site effects, further complicate the predictions. The study primarily utilized the USGS ShakeMap framework, which may not capture site-specific dynamics accurately. Furthermore, the input datasets used in the GLMs have spatial and temporal limitations, as they often rely on global models that may not reflect real-time conditions. The treatment of dynamic variables like groundwater depth as static also introduces potential inaccuracies. Lastly, the reliability of infrastructure and asset data is crucial for impact forecasts, and users are encouraged to validate the data sources they employ. Despite these limitations, the GLMs demonstrate significant conceptual and performance advancements over existing models, making them valuable tools for assessing liquefaction hazards and impacts.