دانشمندان یک مدل جدید و دقیق‌تر برای پیش‌بینی زمین‌لرزه‌ها با تقلید از انتشار انرژی زمین‌لرزه‌های گذشته طراحی کرده اند.
جی پلاس؛ یادآوری زمین لرزه‌های گذشته پیش بینی زلزله‌های آینده را بهبود می‌بخشد.
پیش‌بینی زمان و مکان زلزله قبل از وقوع، آماده‌سازی نهایی برای کاهش خطر خواهد بود. پیش‌بینی زمین‌لرزه هنوز عملی نشده 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 می‌سازد که با ارائه 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، گفت: در پیش‌بینی آب‌وهوا، داده‌های زیادی وارد مدل‌های پیش‌بینی آب و هوا می‌شوند و استفاده از مدل‌های آماری قابل قبول است. با این حال، زلزله شناسان تنها مقدار کمی از داده‌های زمین لرزه‌های گذشته را برای پیش بینی زلزله در اختیار دارند که چالش‌های موجود در مدل‌های آماری پیش بینی زمین لرزه را توضیح می‌دهد.
در حال حاضر، در مدل‌های پیش‌بینی زلزله فرض بر این است که زلزله تمام انرژی ذخیره شده را آزاد می‌کند و هر بار که زلزله‌ای اتفاق می‌افتد، گسل‌ها به شرایط قبل باز می 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 گسل‌ها رخ می‌دهد.
محققان بیان کردند که از آن جا که این مدل رفتار‌های واقعی‌تر گسل را در نظر می‌گیرد، روش آن‌ها ممکن است پیش‌بینی واقعی‌تر زلزله را ایجاد کند.
رفتار گسل‌ها مانند باتری‌های قابل شارژ است
کریس گلدفینگر، زمین شناس دانشگاه ایالتی اورگان که در این مطالعه مشارکت نداشته است، گفت: گسل‌ها مانند باتری‌ها هستند. یک گسل می‌تواند تمام انرژی خود را در جریان یک گسیختگی تخلیه کند یا بخشی از کرنش را از طریق دسته‌ی از زلزله‌های متعدد و کوچکتر آزاد کند.
یکی از نمونه‌های گسل با آزادسازی جزیی کرنش، گسل سن آندریاس است. مطالعات دیرینه لرزه‌ای نشان داده اند سوابق تاریخی زمین لرزه در گسل سن آندریاس پیچیده است. دوره‌های زمانی طولانی بدون زلزله سپری شده است که با دسته‌های زمین لرزه‌ها مشخص شده اند. بر اساس تحقیقات جدید، این رویداد‌ها پراکنده هستند و نشان می‌دهد زلزله‌ها همیشه در فاصله‌های 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 لرزه‌های 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 زلزله‌ای به همان بزرگی، ۴۵ سال بعد در سال ۱۸۵۷ رخ داد. نیلی و همکارانش با استفاده از مدل‌های 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 مدل‌ها بود که احتمال وقوع زلزله را بین یک تا ۲۷ درصد پیش بینی می‌کردند.
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 مدل‌های 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 این که زلزله هنوز اتفاق نیفتاده، متفاوت است. به عبارت دیگر، هر چه زمان بیشتر می‌گذرد، احتمال افزایش می‌یابد. 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 گفت: ما نمی‌دانیم چرا گسل‌ها دارای خوشه‌های لرزه‌ای هستند و به تازگی تاریخچه طولانی از علمکرد گسل‌ها به دست 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 گفت: این مدل گامی منظم در مسیر درست برای پیش بینی زلزله است.
نیلی گفت: مدل LTFM می‌تواند برای شرایط دیگری مانند Cascadia Subduction Zone نیز به کار گرفته شود؛ وی عنوان کرد که آن‌ها قصد دارند در آینده مدل خود را با زلزله‌هایی با بزرگی متفاوت آزمایش کنند.
