طراحی یک مدل جدید برای پیش‌بینی زلزله
پیش‌بینی زمان و مکان زلزله قبل از وقوع، آماده‌سازی نهایی برای کاهش خطر خواهد بود. پیش‌بینی زمین‌لرزه هنوز عملی نشده است و ممکن است هرگز عملی نشود، اما در یک مطالعه جدید، دانشمندان مدل‌های پیش‌بینی خود را با بررسی نحوه رفتار گسیختگی گسل در زلزله‌های قبلی بهبود بخشیدند.
مدل‌های پیش‌بینی زلزله این امکان را فراهم می سازد که با ارایه احتمالات زلزله – مانند مدل‌های پیش‌بینی آب و هوا، برای زلزله آمادگی بهتری پیدا کنیم. جیمز نیلی، زلزله شناس دانشگاه شیکاگو و نویسنده اصلی این مطالعه، می‌گوید: در پیش‌بینی آب‌وهوا، داده های زیادی وارد مدل‌های پیش‌بینی آب و هوا می شود و استفاده از مدل‌های آماری قابل قبول است. با این حال، زلزله شناسان تنها مقدار کمی از داده های زمین لرزه های گذشته را برای پیش بینی زلزله در اختیار دارند که چالش های موجود در مدل های آماری پیش بینی زمین لرزه را توضیح می دهد.
در حال حاضر، در مدل‌های پیش‌بینی زلزله فرض براین است که زلزله تمام انرژی ذخیره شده را آزاد می‌کند و هر بار که زلزله ای اتفاق می‌افتد، گسل‌ها به شرایط قبل بازمی گردند. با این حال، این شرایط لزوماً نشان‌دهنده اتفاقی نیست که در یک گسل اتفاق می‌افتد.
محققان یک مدل پیش بینی جدید به نام مدل حافظه گسل بلند مدت (LTFM) طراحی کرده اند که به گفته نیلی، این مدل جدید بیشتر نشان‌دهنده اتفاقاتی است که در گسل ها رخ می دهد.
محققان خاطرنشان می‌کنند که از آنجا که این مدل رفتارهای واقعی‌تر گسل را در نظر می‌گیرد، روش آنها ممکن است پیش‌بینی واقعی‌تر زلزله را ایجاد کند.
رفتار گسل ها مانند باتری های قابل شارژ است
کریس گلدفینگر، زمین شناس دانشگاه ایالتی اورگان که در این مطالعه مشارکت نداشته است، می گوید: گسل ها مانند باتری ها هستند. یک گسل می تواند تمام انرژی خود را در جریان یک گسیختگی تخلیه کند یا بخشی از کرنش را از طریق دسته ی از زلزله های متعدد و کوچکتر آزاد کند.
یکی از نمونه‌های گسل با آزادسازی جزیی کرنش، گسل سن آندریاس است. مطالعات دیرینه لرزه ای نشان داده است سوابق تاریخی زمین لرزه در گسل سن آندریاس پیچیده است. دوره های زمانی طولانی بدون زلزله سپری شده است که با دسته های زمین لرزه ها مشخص شده اند. براساس تحقیقات جدید، این رویدادها پراکنده هستند و نشان می‌دهد زلزله‌ها همیشه در فاصله های زمانی مورد انتظار تکرار نمی‌شوند.
پالت کریک، که در ابتدا در دهه ۱۹۷۰ حفاری شد، یکی از اولین مواردی بود که برای آشکار کردن زمان و بزرگی زمین لرزه های تاریخی در امتداد گسل سن آندریاس مورد مطالعه قرار گرفت.
نیلی می‌گوید اگرچه مدل‌های کنونی پیش‌بینی زلزله در ایجاد یک مدل ساده احتمال زلزله کارآمد هستند، اما این احتمالات همیشه با سوابق زمین‌شناسی زلزله‌های گذشته مطابقت ندارند.
برای مثال، بخش موهاوی گسل سن آندریاس قبل از سال ۱۸۱۲ به مدت ۳۰۰ سال، شاهد هیچ زلزله بزرگی نبوده است، اما زلزله ای به همان بزرگی، ۴۵ سال بعد در سال ۱۸۵۷ رخ داد. نیلی و همکارانش با استفاده از مدل های فعلی، احتمال وقوع زمین لرزه سال ۱۸۵۷ را بسیار پایین برآورد کردند.
نیلی وهمکارانش با استفاده از LTFM، همان بخش گسل بررسی کردند. آنها احتمال وقوع زلزله ۱۸۵۷ را ۴۱ درصد برآورد کردند. این رقم بسیار بیشتر از پیش بینی سایر مدل ها بود که احتمال وقوع زلزله را بین یک تا ۲۷ درصد پیش بینی می کردند.
این محققان همچنین احتمال زمین لرزه در دوره ۳۰ ساله را برای زلزله بزرگ بعدی در بخش جنوبی گسل سن آندریاس محاسبه کردند. آنها احتمال بسیار مشابهی را بین مدل های فعلی و LTFM پیدا کردند که حدود ۳۵ درصد است.
یک تفاوت مهم بین مدل این محققان و مدل‌های پیش‌بینی کنونی این است که احتمال زلزله در قرن‌های آینده در گسل سن آندریاس به‌طور قابل‌توجهی با فرض اینکه زلزله هنوز اتفاق نیفتاده است، متفاوت است. به عبارت دیگر، هر چه زمان بیشتر می گذرد، احتمال افزایش می یابد. مدل‌های فعلی احتمال وقوع زلزله در ۲۰۰ سال آینده را کمی کاهش داده اند، در حالی که LTFM احتمال وقوع زلزله در قرن‌های آینده را فزاینده برآورد کرده است.
آینده پیش بینی زلزله
گلدفینگر می‌گوید: ما نمی‌دانیم چرا گسل‌ها دارای خوشه‌های لرزه ای هستند و به تازگی تاریخچه طولانی از علمکرد گسل ها بدست آورده ایم.
مدل‌های پیش‌بینی زلزله را می‌توان با مستندسازی بیشتر داده‌های تاریخی و بلندمدت زلزله بهبود بخشید تا مدل‌ها واقعی‌تر شوند.
اگرچه LTFM از مدل پیش‌بینی فعلی پیچیده‌تر است، اما قوی‌تر است و مبنای بهتری برای مدل‌های پیش‌بینی زلزله دارد. گلدفینگر می گوید: این مدل گامی منظم در مسیر درست برای پیش بینی زلزله است.
نیلی می‌گوید مدل LTFM می‌تواند برای شرایط دیگری مانند Cascadia Subduction Zone نیز به کار گرفته شود. وی خاطرنشان کرد که آنها قصد دارند در آینده مدل خود را با زلزله هایی با بزرگی متفاوت آزمایش کنند.
۵۸۵۸
