DOI: https://doi.org/10.3389/frai.2025.1690476
PMID: https://pubmed.ncbi.nlm.nih.gov/41409740
تاريخ النشر: 2025-12-02
المؤلف: A. Anny Leema وآخرون
الموضوع الرئيسي: كشف الزلازل وتحليلها
نظرة عامة
تقدم ورقة البحث SeismoQuakeGNN، وهو إطار هجين مبتكر يجمع بين الشبكات العصبية البيانية (GNNs) والمحولات لتعزيز توقعات الزلازل من خلال التقاط العلاقات الزمانية والمكانية المعقدة في البيانات الزلزالية بشكل فعال. تكافح نماذج التعلم الآلي التقليدية، مثل الغابة العشوائية، والانحدار باستخدام آلات الدعم (SVR)، وXGBoost، مع هذه التعقيدات، خاصة في تعلم الاعتماديات الزلزالية والارتباطات الزمنية بعيدة المدى. يتناول SeismoQuakeGNN هذه التحديات من خلال آلية ترميز مكاني محسّنة ووحدة انتباه قائمة على المحولات، مما يظهر قدرات معالجة بيانات متفوقة وقابلية للتكيف عبر مناطق زلزالية مختلفة.
تسلط الدراسة الضوء على فعالية SeismoQuakeGNN، حيث تحقق درجة R² تبلغ 88.00%، ومتوسط خطأ تربيعي (MSE) قدره 0.07، ودقة تبلغ 98.00% على المستوى الإقليمي، متجاوزة النماذج التقليدية وغيرها من الأساليب العميقة مثل LSTM وXGBoost. بينما تظهر هذه النماذج دقة جديرة بالثناء، فإن قيودها في التعامل مع الاعتماديات المكانية تعيق أدائها التنبؤي. بالمقابل، يمثل التكامل القوي لـ SeismoQuakeGNN بين التعلم المكاني والزمني تقدماً كبيراً في توقع الزلازل. يقترح المؤلفون أن البحث المستقبلي يمكن أن يعزز القدرات التنبؤية من خلال دمج بيانات متعددة الأنماط، مثل إشارات الموجات وسجلات نصية، خاصة للأحداث الزلزالية ذات الحجم الكبير.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي الحاسم في توقع الزلازل، التي تعد من أكثر الكوارث الطبيعية تدميراً، مما يتسبب في فقدان كبير في الأرواح، وتلف البنية التحتية، واضطراب اقتصادي. إن التنبؤ الفعال بالزلازل أمر ضروري لتقليل هذه الآثار السلبية، ومع ذلك فإن العلاقات المعقدة وغير الخطية بين المعلمات الجيولوجية والزلازل تعقد هذه المهمة. تؤكد الدراسة على أهمية مواد الردم الأرضي وسلوكها الحراري حول الكابلات المدفونة، مما يستلزم تطوير نماذج تنبؤية قابلة للتكيف تأخذ في الاعتبار التغيرات الزمنية والظروف البيئية المتنوعة النموذجية للمناطق الزلزالية.
لتحسين توقعات حجم الزلازل، تناقش الورقة تطبيق تقنيات حسابية حديثة، خاصة خوارزميات التعلم الآلي (ML) والتعلم العميق (DL). تُلاحظ هذه الأساليب، بما في ذلك الغابة العشوائية، والانحدار باستخدام آلات الدعم (SVR)، وXGBoost، لنجاحها في تحليل كل من الارتباطات الخطية وغير الخطية ضمن مجموعات البيانات المنظمة. بالإضافة إلى ذلك، يتم استخدام الشبكات العصبية الراجعة (FNNs) وخوارزميات المحولات لالتقاط الأنماط المكانية والزمنية المعقدة في البيانات الزلزالية، مما يحسن دقة التنبؤ. تشمل الأبحاث أيضًا معالجة البيانات الزلزالية لضمان التوافق مع الخوارزميات، بهدف تحسين القدرات التنبؤية لأطر توقع الزلازل.
الطرق
في قسم الطرق، تناقش الورقة التعقيدات والتحديات المرتبطة بتقنيات توقع الزلازل الحالية. تسلط الضوء على أن النماذج الحالية تكافح لتمثيل العمليات الديناميكية والمترابطة التي تحدث تحت قشرة الأرض بشكل فعال بسبب الاعتماديات الزمانية والمكانية عالية الأبعاد، ونقص البيانات، ومصادر البيانات المتنوعة. غالبًا ما تعتمد طرق التنبؤ التقليدية على افتراضات غير موثوقة، مثل تجاهل التسلسل الزمني للأحداث الزلزالية والعلاقات المكانية بين خطوط الفوالق، مما يحد من فعاليتها. بالإضافة إلى ذلك، تفشل العديد من النماذج في التقاط الاعتماديات طويلة المدى ولا تنجح في دمج الديناميات الزمنية مع البيانات المكانية.
تشير الورقة إلى أنه بينما تمتلك مناطق مثل اليابان وكاليفورنيا بيانات تاريخية لإبلاغ تحليل أنماط الزلازل، فإن مناطق أخرى معرضة للزلازل تفتقر إلى بيانات مصنفة كافية لتدريب نماذج التعلم الآلي. تعيق هذه الندرة في البيانات كل من الأساليب التقليدية والعميقة في تعميم النتائج عبر مناطق مختلفة. علاوة على ذلك، تم تصميم العديد من النماذج الحالية للتعامل فقط مع أنواع معينة من البيانات، مما يقيد قدرتها على معالجة المدخلات متعددة الأنماط واستنتاج الارتباطات ذات المعنى. ومع ذلك، أظهرت التقدمات في التعلم العميق والتعلم الآلي وعدًا، حيث أظهرت الدراسات التطبيق الناجح للشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة قصيرة وطويلة الأمد (LSTM) في توقع الأحداث الزلزالية. على سبيل المثال، تم استخدام CNNs للتنبؤ بتسارعات الطيف لحركات الأرض الناتجة عن الهزات الارتدادية، بينما تفوقت شبكات LSTM على النماذج التقليدية في توقع أحجام الزلازل بناءً على بيانات السلاسل الزمنية الزلزالية. تلخص الجدول 1 في الورقة التحديات التي تواجهها طرق توقع الزلازل التقليدية والمعتمدة على التعلم الآلي والتعلم العميق.
النتائج
في هذا القسم، يتم تقييم فعالية نموذج SeismoQuakeGNN الهجين مقابل عدة نماذج متقدمة من التعلم الآلي والتعلم العميق، بما في ذلك الغابة العشوائية، وآلات الدعم، وXGBoost، والشبكات العصبية الأمامية (FNN)، وشبكات الذاكرة قصيرة وطويلة الأمد (LSTM)، والشبكات العصبية البيانية (GNN). يتم تقديم نتائج هذه التجارب المقارنة، مع تسليط الضوء على مقاييس الأداء ونتائج التحقق من صحة نموذج SeismoQuakeGNN بالنسبة للنماذج الأخرى المختبرة.
تشير النتائج إلى أن نموذج SeismoQuakeGNN يظهر أداءً متفوقًا، مما يقترح إمكانيته كأداة أكثر فعالية لتحليل البيانات الزلزالية مقارنة بالنماذج التقليدية المستخدمة في الدراسة. يتم تقديم مزيد من التفاصيل حول إعداد التجربة ومقاييس الأداء المحددة في الأقسام التالية.
المناقشة
تسلط المناقشة الضوء على التقدمات الكبيرة في الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في توقع الزلازل، مع التأكيد على تحسين الدقة والكفاءة. تم استخدام منهجيات متنوعة، بما في ذلك آلات الدعم (SVM)، والشبكات العصبية التلافيفية (CNN)، وشبكات الذاكرة قصيرة وطويلة الأمد (LSTM)، لتعزيز القدرات التنبؤية. على سبيل المثال، حقق إطار عمل AI في الوقت الحقيقي يدمج أجهزة IoT دقة تزيد عن 90% في تقدير شدة الزلازل (Bhatia et al., 2023). بالإضافة إلى ذلك، أظهرت النماذج الهجينة التي تجمع بين تقنيات ML المختلفة وعدًا في توقع الأحداث الزلزالية، حيث حققت الشبكات القائمة على الانتباه Bi-LSTM والأساليب التجميعية دقة ملحوظة (Banna et al., 2021; Mallouhy et al., 2019).
لقد حسنت دمج مصادر البيانات المتنوعة، مثل البيانات الزلزالية من الطائرات بدون طيار والأقمار الصناعية، نماذج التنبؤ، مما يسمح بتوقع أفضل لمراحل الزلازل وأحجامها (جامعة بوي ستيت، 2024). لا تزال التحديات قائمة، خاصة في تحقيق تحذيرات ذات عدم يقين منخفض، ولكن تم التحقق من إمكانيات أساليب التعلم العميق، بما في ذلك استخدام المحولات والتقنيات التلقائية، عبر دراسات مختلفة (Laurentia et al., 2022; Kubo H. et al., 2024). بشكل عام، تؤكد الأبحاث على التأثير التحويلي للذكاء الاصطناعي والتعلم الآلي في علم الزلازل، مما يمهد الطريق لتحسين توقعات المخاطر وأنظمة التحذير المبكر.
القيود
تسلط القيود المفروضة على نماذج الإحصاء والتعلم الآلي المختلفة في توقع النشاط الزلزالي الضوء على التحديات. تعتمد النماذج الإحصائية التقليدية، مثل تلك التي اقترحها غوتنبرغ وريختر (1954)، على تقنيات الانحدار البسيطة التي تفشل في أخذ الديناميات الزمانية والمكانية المعقدة للأحداث الزلزالية في الاعتبار، مما يؤدي إلى اعتماديات غير خطية مبسطة. تواجه أساليب التعلم الآلي، بما في ذلك الغابات العشوائية وآلات الدعم، تحديات في التعميم بسبب نقص البيانات المصنفة وتتطلب هندسة ميزات واسعة، خاصة عند التعامل مع مجموعات بيانات متعددة الأنماط.
أظهرت نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية الراجعة (RNNs)، وعدًا في التقاط الميزات المكانية والتعامل مع بيانات السلاسل الزمنية، على التوالي. ومع ذلك، تكافح CNNs مع الاعتماديات الزمنية طويلة المدى، بينما غالبًا ما تتجاهل RNNs التفاعلات المكانية وتظهر قابلية توسيع ضعيفة مع البيانات عالية الأبعاد. تعتبر الشبكات العصبية البيانية، على الرغم من فعاليتها في نمذجة العلاقات المكانية، غير متكاملة مع الجوانب الزمنية، ويمكن أن تفقد أساليب التعلم متعددة الأنماط الاعتماديات المعقدة أثناء دمج البيانات. بالإضافة إلى ذلك، فإن نماذج المحولات، على الرغم من إمكانياتها في التعلم المكاني والزمني، تعاني من تكاليف حسابية عالية وقابلية تطبيق محدودة في السيناريوهات الواقعية. بشكل عام، بينما تظهر الشبكات العصبية والنماذج المختلطة دقة محسنة في التنبؤات الزلزالية مقارنة بالطرق التقليدية، فإن قيودها تتطلب تحسينًا مستمرًا واستكشافًا ضمن هذا المجال.
DOI: https://doi.org/10.3389/frai.2025.1690476
PMID: https://pubmed.ncbi.nlm.nih.gov/41409740
Publication Date: 2025-12-02
Author(s): A. Anny Leema et al.
Primary Topic: Earthquake Detection and Analysis
Overview
The research paper presents SeismoQuakeGNN, an innovative hybrid framework that combines Graph Neural Networks (GNNs) and Transformers to enhance earthquake forecasting by effectively capturing complex spatiotemporal relationships in seismic data. Traditional machine learning models, such as Random Forest, Support Vector Regression (SVR), and XGBoost, struggle with these intricacies, particularly in learning seismic interdependencies and long-range temporal correlations. SeismoQuakeGNN addresses these challenges through an optimized spatial encoding mechanism and a Transformer-based attention module, demonstrating superior data processing capabilities and adaptability across different seismic regions.
The study highlights the effectiveness of SeismoQuakeGNN, achieving an R² score of 88.00%, a mean squared error (MSE) of 0.07, and an accuracy of 98.00% at the regional level, surpassing traditional models and other deep learning approaches like LSTM and XGBoost. While these models exhibit commendable accuracy, their limitations in handling spatial dependencies hinder their predictive performance. In contrast, SeismoQuakeGNN’s robust integration of spatial and temporal learning marks a significant advancement in earthquake prediction. The authors suggest that future research could further enhance predictive capabilities by incorporating multimodal data, such as waveform signals and textual records, particularly for high-magnitude seismic events.
Introduction
The introduction of the research paper highlights the critical challenge of forecasting earthquakes, which are among the most devastating natural disasters, causing significant loss of life, infrastructure damage, and economic disruption. Effective earthquake forecasting is essential for minimizing these adverse impacts, yet the complex, non-linear relationships between geological and seismic parameters complicate this task. The study emphasizes the importance of ground backfill materials and their thermal behavior around buried cables, which necessitates the development of adaptable forecasting models that account for time-dependent changes and varying environmental conditions typical of seismic zones.
To enhance earthquake magnitude predictions, the paper discusses the application of modern computational techniques, particularly machine learning (ML) and deep learning (DL) algorithms. These methods, including Random Forest, Support Vector Regression (SVR), and XGBoost, are noted for their success in analyzing both linear and non-linear correlations within structured datasets. Additionally, Feedback Neural Networks (FNNs) and transformer algorithms are employed to capture complex spatial and temporal patterns in seismic data, thereby improving prediction accuracy. The research also involves preprocessing seismic data to ensure compatibility with the algorithms, ultimately aiming to refine the predictive capabilities of earthquake forecasting frameworks.
Methods
In the section on methods, the paper discusses the complexities and challenges associated with current earthquake forecasting techniques. It highlights that existing models struggle to effectively represent the dynamic and interconnected processes occurring beneath the Earth’s crust due to high-dimensional spatio-temporal dependencies, insufficient data, and varied data sources. Traditional forecasting methods often rely on unverified assumptions, such as disregarding the temporal sequence of seismic events and the spatial relationships between fault lines, which limits their effectiveness. Additionally, many models fail to capture long-term dependencies and do not successfully integrate temporal dynamics with spatial data.
The paper notes that while regions like Japan and California have historical data to inform earthquake pattern analysis, other earthquake-prone areas lack sufficient labeled data for training machine learning models. This scarcity of data hampers both traditional and deep learning approaches in generalizing across different regions. Furthermore, many existing models are designed to handle only specific types of data, which restricts their ability to process multi-modal inputs and derive meaningful correlations. However, advancements in deep learning and machine learning have shown promise, with studies demonstrating the successful application of Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks in predicting seismic events. For instance, CNNs have been utilized to forecast spectral accelerations of aftershock ground motions, while LSTM networks have outperformed conventional models in predicting earthquake magnitudes based on seismic time series data. Table 1 in the paper summarizes the challenges faced by traditional, machine learning, and deep learning-based earthquake prediction methods.
Results
In this section, the efficacy of the SeismoQuakeGNN hybridized model is evaluated against several state-of-the-art machine learning and deep learning models, including Random Forest, Support Vector Machines, XGBoost, Feedforward Neural Networks (FNN), Long Short-Term Memory networks (LSTM), and Graph Neural Networks (GNN). The results of these comparative experiments are presented, highlighting the performance metrics and validation outcomes of the SeismoQuakeGNN model in relation to the other models tested.
The findings indicate that the SeismoQuakeGNN model demonstrates superior performance, suggesting its potential as a more effective tool for seismic data analysis compared to the traditional models employed in the study. Further details on the experimental setup and specific performance metrics are provided in subsequent sections.
Discussion
The discussion highlights significant advancements in artificial intelligence (AI) and machine learning (ML) for earthquake prediction, emphasizing improved accuracy and efficiency. Various methodologies, including Support Vector Machines (SVM), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM) networks, have been employed to enhance predictive capabilities. For instance, a real-time AI framework integrating IoT devices achieved over 90% accuracy in earthquake intensity estimation (Bhatia et al., 2023). Additionally, hybrid models combining different ML techniques have shown promise in predicting seismic events, with attention-based Bi-LSTM networks and ensemble methods yielding remarkable precision (Banna et al., 2021; Mallouhy et al., 2019).
The integration of diverse data sources, such as seismic data from drones and satellites, has further refined prediction models, allowing for better forecasting of seismic phases and magnitudes (Bowie State University, 2024). Challenges remain, particularly in achieving low-uncertainty warnings, but the potential of deep learning approaches, including the use of transformers and auto-regressive techniques, has been validated across various studies (Laurentia et al., 2022; Kubo H. et al., 2024). Overall, the research underscores the transformative impact of AI and ML in earthquake seismology, paving the way for enhanced hazard prediction and early warning systems.
Limitations
The limitations of various statistical and machine learning models in seismic activity prediction are highlighted in the research. Traditional statistical models, such as those proposed by Gutenberg and Richter (1954), rely on simple regression techniques that fail to account for the complex spatio-temporal dynamics of seismic events, leading to oversimplified non-linear dependencies. Machine learning approaches, including Random Forests and Support Vector Machines, face challenges in generalization due to limited labeled data and require extensive feature engineering, particularly when dealing with multi-modal datasets.
Deep learning models, such as Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), have shown promise in capturing spatial features and handling time series data, respectively. However, CNNs struggle with long-term temporal dependencies, while RNNs often overlook spatial interactions and exhibit poor scalability with high-dimensional data. Graph Neural Networks, while effective in modeling spatial relationships, do not integrate temporal aspects, and multi-modal learning approaches can lose intricate interdependencies during data fusion. Additionally, Transformer models, despite their potential for spatial and temporal learning, are hindered by high computational costs and limited applicability in real-world scenarios. Overall, while neural networks and mixed models demonstrate improved accuracy in seismic predictions compared to conventional methods, their limitations necessitate ongoing optimization and exploration within the field.