كشف الزلازل باستخدام إشارات استقطاب كبل بحري مع التعلم الآلي

الاستماع إلى الهزات عبر كابلات الإنترنت تحت البحر

تحدث معظم زلازل العالم تحت محيطاتنا، بعيدًا عن أجهزة القياس التقليدية القائمة على اليابسة. ومع ذلك، فإن كل قارة تقريبًا مرتبطة بالفعل بشبكات واسعة من كابلات الألياف الضوئية التي تنقل حركة الإنترنت. تطرح هذه الدراسة سؤالًا بسيطًا لكنه قويًا: هل يمكن لتلك الكابلات القائمة أن تعمل أيضًا كآذان عملاقة جاهزة للاستماع إلى زلازل قاع البحر؟

لماذا يمكن لكابل إنترنت أن «يشعر» بحركة الأرض

الضوء الذي يسير داخل كابل الألياف الضوئية يفعل أكثر من مجرد نقل البيانات؛ فخصائصه الداخلية تتغير بدقة عندما يُثنى الكابل أو يُمد أو يُهتز. إحدى هذه الخصائص هي حالة الاستقطاب، وهي مقياس لاتجاه موجات الضوء أثناء انتقالها. عندما يتحرك قاع البحر أثناء زلزال، قد يهتز كابلًا مدفونًا أو مستلقيًا، وبالتالي يدفع استقطاب الضوء بداخله نحو تغيير طفيف. فحص المؤلفون مسار إنترنت رئيسي في البحر الأبيض المتوسط، كبل Med-Nautilus الذي يربط كاتانيا في صقلية بتل أبيب، لمعرفة ما إذا كانت الزلازل الحقيقية تترك بصمة متسقة في إشارات الاستقطاب هذه.

تحويل إشارات الكبل الخام إلى دلائل قابلة للاستخدام

بين منتصف 2022 ونهاية 2024، زودت شركة اتصالات إيطالية الباحثين بسجلات مستمرة لكمليات متعلقة بالاستقطاب من الكابل، إلى جانب معلومات عن كيفية أداء النظام البصري. وضع الباحثون هذه البيانات جنبًا إلى جنب مع فهرس زلازل مستقل يغطي البحر الأبيض المتوسط، مركزين على 60 حدثًا بقوة 5 أو أكبر. قدّروا مسافة كل زلزال من الكبل ومتى يجب أن تصل الموجات الزلزالية الأولية والثانوية باستخدام نماذج أرضية معيارية. ثم نظّفوا وموّحدوا البيانات البصرية، وقَطعوها إلى نوافذ زمنية حول كل حدث وإلى فترات ضابطة دون زلازل كبيرة. هذه التحضيرات الدقيقة مهدت الطريق لاختبار كل من طرق الكشف التقليدية والذكاء الاصطناعي الحديث على نفس مجموعة البيانات بالضبط.

القواعد البسيطة لا تكفي، والآلات المتعلمة تؤدي أداءً أفضل

جرّبت الفريق أولًا أدوات تقليدية على طراز علم الزلازل تبحث عن قفزات مفاجئة في قوة الإشارة أو في الطاقة الطيفية، محكومة بعتبات ثابتة. على بيانات الاستقطاب، أطلقت هذه الأساليب القائمة على القواعد إنذارات كاذبة كثيرة أو فوتت معظم الأحداث الحقيقية، وأحيانًا لم تؤدِ أفضل من التخمين العشوائي. بالمقابل، أدت نماذج التعلم الآلي القادرة على وزن العديد من الميزات الطفيفة في آن واحد أداءً أفضل بشكل ملحوظ. وصلت طريقة تسمى التعزيز الأقصى للتدرج (Extreme Gradient Boosting)، التي تجمع قرارات العديد من أشجار القرار الصغيرة، إلى نحو 60 بالمئة دقة وحساسية ونوعية عند طلب تمييز الأيام المتأثرة بالزلازل عن الأيام الأكثر هدوءًا. أظهر تحليل سلوك النموذج أنه لم يعتمد على ميزة مفردة وحاسمة، بل على مزيج من مقاييس إحصائية التقطت معًا تغيرات صغيرة لكنها ذات مغزى في أنماط الاستقطاب.

ما الذي يمكن أن يسمعه الكابل وما الذي لا يسمعه

ثم فحص المؤلفون أي الزلازل كانت الأكثر احتمالًا لأن يتعرف عليها خوارزم التعلم. ومن المدهش أن عوامل مباشرة مثل المسافة من الكابل، عمق الزلازل أو حتى المقدار لم تظهر اتجاهات بسيطة. فأحيانًا أنتجت زلازل متوسطة القوة تغييرات استقطاب واضحة وقابلة للكشف، بينما تجاهلت الأخرى ذات الخصائص المشابهة إلى حد كبير. نهج تعلم عميق إضافي، تعلّم ما يبدو عليه سلوك الكابل «الطبيعي» ووَضع انحرافات قوية كشلل شذوذ، تفاعل بوضوح فقط مع عدد قليل من أكبر الأحداث. ويشير هذا إلى أن قدرة الكابل على «الاستماع» للزلزال تعتمد على أكثر من الزلزال نفسه؛ فتفاصيل مثل مدى تماس الكابل مع قاع البحر، وعمق دفنه وبنيته، والضجيج البيئي المحيط كلها تلعب أدوارًا مهمة.

الصورة الشاملة لمراقبة المحيطات المستقبلية

رغم معدلات الكشف المتواضعة والعديد من الأحداث الفائتة، تقدم الدراسة دليلًا مهمًا على المفهوم: حتى لو لم يُصمم كابل Med-Nautilus أصلاً كجهاز استشعار، فإنه لا يزال يحمل معلومات قابلة للاستخدام حول الزلازل القوية من خلال استقطاب ضوئه. للعموم، الرسالة الأساسية هي أن بنيتنا التحتية الرقمية الحالية يمكن، من حيث المبدأ، أن تتضاعف لتصبح شبكة واسعة ورخيصة من الأدوات العلمية. إذا تم تحسين طرق مثل هذه ودمجها مع تقنيات استشعار أخرى، قد تساعد أنظمة الكابلات البحرية العالمية في سدّ الثغرات الحالية في رصد الزلازل البحرية، مقدمةً لمجتمعات السواحل تنبيهات ومعلومات أغنى وأبكر عما يحدث تحت الأمواج.

الاستشهاد: Caruso, M., Morelli, M., Monaco, A. et al. Seismic detection using submarine cable polarization signals with machine learning. Commun Earth Environ 7, 421 (2026). https://doi.org/10.1038/s43247-026-03434-x

الكلمات المفتاحية: الكابلات البحرية, كشف الزلازل, استشعار الألياف البصرية, التعلم الآلي, بحر الأبيض المتوسط