DOI: https://doi.org/10.1038/s41598-026-45557-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41942600
تاريخ النشر: 2026-04-06
المؤلف: Junjie Ning وآخرون
الموضوع الرئيسي: دراسات الزلازل والتكتونيات
نظرة عامة
تقدم هذه الدراسة إطارًا متكاملًا لتقييم البيئات المعرضة لمخاطر الزلازل في المناطق التكتونية المعقدة، باستخدام ميانمار كدراسة حالة. تتناول الدراسة التحديات في تمييز المحركات الفيزيائية عن المؤشرات البيئية وتخفيف الإفراط في التكيف المكاني. من خلال دمج بيانات جغرافية متعددة المصادر مع التعلم الجماعي القابل للتفسير، يعيد المؤلفون تفسير متغيرات مثل الارتفاع والانحدار كعلامات فينوتيبية جيومورفية ترتبط بالنشاط الزلزالي. تم استخدام نهج صارم للتقييم المتقاطع المكاني (SBCV) لتجنب تسرب البيانات من التلقائية المكانية، مما أدى إلى تقييم أداء أكثر تحفظًا (AUC=0.890) مقارنةً بالتقسيم العشوائي التقليدي (AUC=0.948). تفوق نموذج شجرة القرار المعزز بالتدرج (GBDT) على الآخرين، حيث تعلم بفعالية قواعد مكانية قابلة للتعميم بدلاً من مجرد حفظ البيانات المحلية.
تكشف النتائج أن المناطق ذات القابلية العالية مرتبطة بشكل أساسي بالتضاريس ذات الارتفاع العالي على طول ممر صدع ساجاينغ وحواف هضبة شان، بينما توجد المناطق ذات القابلية المنخفضة في سهول دلتا أياياروادي. تحدد الدراسة الارتفاع والانحدار والمسافة إلى الصدوع النشطة كمتنبئين رئيسيين، مما يساهم بأكثر من 60% في أداء النموذج. يتم تفسير هذه العوامل كمؤشرات جيومورفية لتشوه القشرة الأرضية بدلاً من كونها محفزات مباشرة للنشاط الزلزالي. بالإضافة إلى ذلك، يبرز دمج نموذج القابلية مع بيانات الضوء الليلي (NTL) تداخلًا كبيرًا في المخاطر في ممر مانداي-ساجاينغ الذي يتUrbanizing بسرعة، مما يبرز الحاجة إلى تحديث البنية التحتية وتنظيم المناطق بشكل أمثل لتخفيف مخاطر الكوارث. توفر هذه الدراسة إطارًا علميًا صارمًا للتعرف على أنماط البيئة الزلزالية في المناطق التي تفتقر إلى البيانات، مما يقدم رؤى قيمة لحوكمة مخاطر الكوارث الإقليمية.
مقدمة
تناقش مقدمة الورقة زلزالًا كبيرًا حدث في 28 مارس 2025، في وسط ميانمار، مسجلاً مقدار لحظة قدره $M_w 7.7$. أدى هذا الحدث، الذي كان عمقه البؤري حوالي 10 كم، إلى وقوع إصابات خطيرة وأضرار واسعة في البنية التحتية. يبرز المؤلفون الطبيعة المدمرة للزلازل، التي تحتل باستمرار مرتبة عالية بين الأسباب الرئيسية للخسائر الاقتصادية الناتجة عن الكوارث الطبيعية على مستوى العالم. تجعل الإعداد التكتوني الفريد لميانمار، الواقع عند تقاطع الصفائح الهندية والأوراسية، منها جزءًا حيويًا من حزام الزلازل الألبيني-الهيمالايا، الذي يتميز بهياكل جيولوجية معقدة وأنظمة صدع نشطة، بما في ذلك صدع ساجاينغ.
تشير الورقة إلى السياق التاريخي للنشاط الزلزالي في ميانمار، مشيرة إلى الزلازل المدمرة السابقة والمخاطر الثانوية المرتبطة بها، مثل الانهيارات الأرضية وهبوط الأرض. تزيد التضاريس المتنوعة والكثافة السكانية من ضعف المنطقة أمام هذه المخاطر الطبيعية. يؤكد المؤلفون على أهمية التقييمات المنهجية لقابلية الزلازل، حيث أن طرق تقييم المخاطر التقليدية – مثل التقييمات التجريبية، وعملية التحليل الهرمي (AHP)، والانحدار اللوجستي، والتحليلات الجيواستاتيكية – لها قيود عند معالجة تعقيدات المخاطر الزلزالية في هذه المنطقة. تمهد المقدمة الطريق للحاجة إلى تحسين المنهجيات لتقييم وتخفيف مخاطر الزلازل بشكل فعال في ميانمار.
نقاش
في هذا القسم، يناقش المؤلفون قيود طرق تقييم قابلية الزلازل التقليدية ويبرزون مزايا دمج تقنيات التعلم الآلي مع أدوات الإحصاء المكاني. غالبًا ما تكافح الأساليب التقليدية لالتقاط العلاقات غير الخطية والتباين المكاني، مما يؤدي إلى تصنيفات قابيلة غير متسقة. يؤكد المؤلفون على إمكانيات خوارزميات التعلم الآلي، مثل الغابة العشوائية وXGBoost، للتعامل بفعالية مع التفاعلات المعقدة بين عوامل جغرافية متعددة وتحسين دقة التنبؤ. ومع ذلك، يشيرون أيضًا إلى عنق زجاجة منهجي حرج يتعلق بالتحقق، وخاصة خطر تسرب البيانات المكانية عند استخدام استراتيجيات التحقق القياسية.
لمعالجة هذه التحديات، تقترح الدراسة إطارًا متكاملًا يجمع بين التعلم الجماعي، وقابلية التفسير المعتمدة على SHAP، وطريقة GeoDetector. يهدف هذا الإطار إلى تعزيز شفافية النموذج وقابليته للتفسير مع تخفيف صارم لتسرب البيانات المكانية من خلال التقييم المتقاطع المكاني (SBCV). من خلال استخدام استراتيجية تفسير ذات منظور مزدوج، يستخدم المؤلفون SHAP لتحديد مساهمات العوامل الفردية وGeoDetector لتقييم التباين المكاني وتأثيرات التفاعل. توفر خريطة القابلية عالية الدقة والتحقق القوي أساسًا علميًا لتقليل مخاطر الكوارث والتخطيط المكاني في ميانمار، وهي منطقة تتميز بظروف تكتونية وجيومورفية معقدة.
القيود
تسلط قيود هذه الدراسة الضوء على عدة قيود حاسمة تتعلق بأساليب البحث المستخدمة. أولاً، يعتمد النموذج على بيانات زلزالية من 1970 إلى 2024، مما يحد من قابليته للتطبيق على التحليل الرجعي بدلاً من التنبؤ بالزلازل المستقبلية. قد يتجاهل هذا النطاق المحدود للملاحظة الصدوع التي ظلت غير نشطة خلال هذه الفترة، مما قد يؤدي إلى تصنيفها بشكل خاطئ كمناطق ذات قابلية منخفضة بسبب غياب علامات العينة الإيجابية. ثانيًا، تستخدم الدراسة مؤشرات سطحية مثل الانحدار، NDVI، وTWI، التي يمكن أن تؤسس فقط علاقات إحصائية مع النشاط التكتوني ولكنها تفشل في التقاط العمليات الفيزيائية الأعمق التي تحرك دورة الزلازل، مثل تراكم إجهاد القشرة الأرضية.
بالإضافة إلى ذلك، قد تؤثر قرار توحيد البيانات إلى دقة 500 متر، على الرغم من كونه ضروريًا لتنسيق مصادر البيانات المتنوعة، على الدقة المطلوبة للتقييمات الأمنية المحلية. توفر هذه الدقة نظرة عامة واسعة عن المخاطر الزلزالية الإقليمية ولكن قد لا تعكس بدقة التغيرات الدقيقة. أخيرًا، على الرغم من استخدام التقييم المتقاطع المكاني لتخفيف الإفراط في التكيف، لا تزال العلاقات المكانية المتبقية في البيانات الجغرافية مصدر قلق. يُشجع البحث المستقبلي على دمج المؤشرات الفيزيائية، مثل معدلات إجهاد GPS الجيوديسي وحقول تشوه InSAR، لتعزيز تحليل القابلية القائم على السجل ومعالجة هذه القيود.
DOI: https://doi.org/10.1038/s41598-026-45557-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41942600
Publication Date: 2026-04-06
Author(s): Junjie Ning et al.
Primary Topic: earthquake and tectonic studies
Overview
This research presents an integrated framework for assessing seismic hazard-prone environments in complex tectonic regions, using Myanmar as a case study. The study addresses challenges in distinguishing physical drivers from environmental proxies and mitigating spatial overfitting. By combining multi-source geospatial data with interpretable ensemble learning, the authors reinterpret variables such as elevation and slope as geomorphic phenotypic signatures that correlate with seismic activity. A rigorous Spatial Block Cross-Validation (SBCV) approach was employed to avoid data leakage from spatial autocorrelation, yielding a more conservative performance assessment (AUC=0.890) compared to traditional random splitting (AUC=0.948). The Gradient Boosting Decision Tree (GBDT) model outperformed others, effectively learning generalizable spatial rules rather than merely memorizing local data.
The findings reveal that high-susceptibility zones are primarily associated with high-relief terrain along the Sagaing Fault corridor and the Shan Plateau margins, while low-susceptibility areas are found in the Ayeyarwady Delta plains. The study identifies Elevation, Slope, and Distance to Active Faults as key predictors, contributing over 60% to the model’s performance. These factors are interpreted as geomorphic proxies for crustal deformation rather than direct triggers of seismicity. Additionally, the coupling of the susceptibility model with Nighttime Light (NTL) data highlights a significant risk overlap in the rapidly urbanizing Mandalay-Sagaing corridor, emphasizing the need for infrastructure retrofitting and optimized zoning regulations to mitigate disaster risk. This research provides a scientifically rigorous framework for seismic environmental pattern recognition in data-scarce regions, offering valuable insights for regional disaster risk governance.
Introduction
The introduction of the paper discusses a significant earthquake that occurred on March 28, 2025, in central Myanmar, registering a moment magnitude of $M_w 7.7$. This event, which had a focal depth of approximately 10 km, resulted in severe casualties and extensive infrastructure damage. The authors highlight the destructive nature of earthquakes, which consistently rank among the highest causes of economic loss from natural disasters globally. Myanmar’s unique tectonic setting, situated at the convergence of the Indian and Eurasian Plates, makes it a critical segment of the Alpine-Himalayan seismic belt, characterized by complex geological structures and active fault systems, including the Sagaing Fault.
The paper notes the historical context of seismic activity in Myanmar, citing previous damaging earthquakes and their associated secondary hazards, such as landslides and ground subsidence. The diverse topography and dense population further exacerbate the vulnerability of the region to these natural hazards. The authors emphasize the importance of systematic earthquake susceptibility assessments, as traditional risk assessment methods—such as empirical scoring, the analytic hierarchy process (AHP), logistic regression, and geostatistical analyses—have limitations when addressing the complexities of seismic risks in this region. The introduction sets the stage for the need for improved methodologies to evaluate and mitigate earthquake risks effectively in Myanmar.
Discussion
In this section, the authors discuss the limitations of traditional earthquake susceptibility assessment methods and highlight the advantages of integrating machine learning techniques with spatial statistical tools. Traditional approaches often struggle to capture nonlinear relationships and spatial heterogeneity, leading to inconsistent susceptibility classifications. The authors emphasize the potential of machine learning algorithms, such as Random Forest and XGBoost, to effectively handle complex interactions among multiple geographic factors and improve prediction accuracy. However, they also note a critical methodological bottleneck related to validation, particularly the risk of spatial leakage when standard validation strategies are employed.
To address these challenges, the study proposes an integrated framework that combines ensemble learning, SHAP-based interpretability, and the GeoDetector method. This framework aims to enhance model transparency and interpretability while rigorously mitigating spatial leakage through Spatial Block Cross-Validation (SBCV). By employing a dual-perspective interpretability strategy, the authors utilize SHAP to quantify the contributions of individual factors and GeoDetector to assess spatial heterogeneity and interaction effects. The resulting high-resolution susceptibility map and robust validation provide a scientific basis for disaster risk reduction and spatial planning in Myanmar, a region characterized by complex tectonic and geomorphological conditions.
Limitations
The limitations of this study highlight several critical constraints regarding the research methods employed. Firstly, the model’s reliance on seismic data from 1970 to 2024 restricts its applicability to retrospective analysis rather than prospective earthquake forecasting. This limited observation window may overlook faults that have remained inactive during this period, potentially misclassifying them as low-susceptibility zones due to the absence of positive sample labels. Secondly, the study utilizes surface proxies such as Slope, NDVI, and TWI, which can only establish statistical correlations with tectonic activity but fail to capture the deeper physical processes driving the earthquake cycle, such as crustal strain accumulation.
Additionally, the decision to standardize data to a 500-meter resolution, while necessary for harmonizing diverse data sources, may compromise the precision required for localized safety assessments. This resolution provides a broad overview of regional seismic risk but may not accurately reflect fine-scale variations. Lastly, despite employing Spatial Block Cross-Validation to mitigate overfitting, residual spatial correlations in geospatial data remain a concern. Future research is encouraged to integrate physical indicators, such as Geodetic GPS strain rates and InSAR deformation fields, to enhance the catalog-based susceptibility analysis and address these limitations.