למידת מכונה להערכת עוצמת רעידות אדמה בצורה מהירה ממדידות סיסמומטריות באיטליה

מדוע הערכות מהירות של רעידות חשובות

כשהקרקע מתחילה לרעוד, לצוותי החירום יש רק דקות להחליט לאן לשלוח מצילים ומשאבים. עם זאת, הדרך המסורתית לתאר עד כמה רעידת אדמה מורגשת בפני השטח — עוצמה מקרוסיסמית, כגון סקאלת מרקלי המשמשת באיטליה — מגיעה לעיתים שעות, ימים או אפילו חודשים לאחר האירוע, אחרי שאנשים ממלאים שאלונים ומומחים מסקרים את הנזקים. מאמר זה בוחן כיצד למידת מכונה מודרנית יכולה להפוך את הקריאות הראשוניות מהסיסמומטרים למפות מהירות ומדיוק סביר של עוצמת ההרגשה, ובכך לסייע לרשויות להגיב במהירות ובביטחון רב יותר.

מדווחים של תחושת הרעידה אל הערכות מהירות

הערכות עוצמה מסורתיות באיטליה נשענות על שני זרמי נתונים עיקריים. האחד מורכב מסקרי שטח מומחים המתועדים בבסיס נתונים רשמי, המתמקדים במקומות שניזוקו אך לוקחים זמן לארגון. השני מגיע ממערכת מקוונת «Hai Sentito Il Terremoto», שבה אזרחים מדווחים מה הרגישו וראו, ומספקת תצפיות רבות בעוצמה נמוכה ובינונית. שתי המקורות מודדות עוצמה בסקאלת מרקלי-קנקני-סיברג, המדרגת רעידות מהחלשות עד להרס על בסיס תגובות אנושיות ובנייניות. כדי לקשור את המדידות האנושיות לאלה המתקבלות מכלים, החוקרים מיזגו את שני קבוצות הנתונים סביב כל תחנת סיסמיות, ממוצעים את כל הדיווחים שנמצאים בתוך רדיוס של 5 ק"מ כדי לקבל ערך מייצג יחיד לאזור, ועיגלו אותו למחלקה שלמה מ‑1 עד 8.

לימוד יער מודלים לקרוא את הרעידה

החוקרים ניסחו את הערכת העוצמה כבעיית סיווג: בהתבסס על מדידות מוקדמות, לחזות איזו מתוך שמונה מחלקות עוצמה תחול בסביבת כל תחנה. הם השתמשו ביער אקראי, צבר של רבות עצים החלטה שכל אחד מהם מבצע סדרת פיצולים פשוטים של "אם–אז" על הנתונים, כגון שילובים של מגדל, עומק, מרחק מהמקור ומדידות תנועה ישירה של הקרקע כמו תאוצה שיא, מהירות וסטייה. מאומן על 5,466 תצפיות מ‑523 רעידות אדמה ברחבי איטליה (2008–2020), המודל למד קשרים מורכבים ולא-ליניאריים בין מה שהסיסמומטרים רושמים לבין מה שאנשים מדווחים. כדי להתמודד עם העובדה שרעידות חזקות נדירות בנתונים, הכו את האימון כך שכל רמות העוצמה ישקלו את אותה מידה, ומנעו מהמודל להתרכז רק באירועים השכיחים והחלשים יותר.

בדיקה מול כללים מבוססים

כדי לבדוק האם הגישה של למידת מכונה מוסיפה ערך ממשי, הצוות השווה את תחזיותיו עם שתי משפחות של יחסים אמפיריים הנמצאות בשימוש נרחב. הראשונה, שנקראת משוואות חיזוי עוצמה (Intensity Prediction Equations), מעריכה עוצמה בעיקר מתוך מגניטודה, עומק ומרחק, בהנחה שהרעידות נחלשות בצורה חלקה עם המרחק. השנייה, משוואות המרה מתנועה קרקעית לעוצמה (Ground Motion to Intensity Conversion Equations), ממירות קריאות מכשיר של תנועה שיא לעוצמות צפויות. נוסחאות אלו קומפקטיות וקלה ליישום, אך אינן יכולות ללכוד במלואן כיצד גאולוגיה מקומית, מבנה בנייני או כיוון הגלים משפיעים על מה שאנשים חווים. בניגוד לכך, היער האקראי משלב באופן טבעי גם פרמטרי מקור וגם מדדי תנועה קרקעית, ויכול להתאים לתבניות עדינות במערך הנתונים האיטלקי ללא הצורך בהגדרה מוקדמת של צורה מתמטית נוקשה.

להביט לתוך הקופסה השחורה ולזהות מגבלות

מכיוון שמנהלי חירום צריכים להבין את הבסיס להחלטות מאוטומטות, המחברים בנו עצי החלטה "תחליפיים" פשוטים המתיימרים לחקות את התנהגות היער האקראי. עצים קטנים אלה ניתנים להמחשה כתרשימים, המראים אילו ספי תנועה קרקעית מפרידים בין עוצמה נמוכה לגבוהה והיכן משתנים כמו תאוצה ומהירות שורצים. ניתוח זה הראה שמדדי תנועה ישירים, ובמיוחד תאוצת שיא ומהירות, נושאים במשקל רב יותר מאשר המגניטודה או העומק לבדם. המחברים גם הציגו דרך פשוטה לסמן עד כמה כל תחזית של עץ תחליפי אינה בטוחה, באמצעות מדדים של עד כמה דוגמאות האימון מעורבות בכל ענף סופי. יחד עם זאת, הם מצאו שעוצמות מאוד חזקות נותרות קשות לחיזוי, בחלקן כי הן נדירות באופן טבעי ברשומות ההיסטוריות, מה שמוביל לעתים להערכה נמוכה מדי של רמות הרעידה הגבוהות ביותר.

מבחן בשדה בזמן רעידת אדמה איטלקית אחרונה

הצוות העריך את המסגרתו על אירוע בולט במציאות: רעידת אדמה בעוצמה 5.5 מחוץ לחוף האדריאטי סמוך לפסארו‑אורבינו ב‑2022. בתוך כ‑15 דקות היו לסייסמולוגים המידע הדרוש על המקור ותנועת הקרקע, אך רק כ‑90 דיווחי עוצמה ציבוריים הוגשו, מה שיצר תמונה מפוזרת מאוד. בשימוש בנתונים מכלים בלבד, היער האקראי ועץ התחליף שלו ייצרו הערכות עוצמה מפורטות סביב מאות תחנות בפחות משתי שניות על מחשב סטנדרטי. בהשוואה מאוחרת יותר למפת צפיפות שנבנתה ממעל ל‑12,000 דיווחי אזרחים שנאספו במשך ימים, מפות למידת המכונה צלחו לתפוס הן את שטח ההרגשה הכולל והן את התפשטות הרעידות המתווכות באופן מרשים, והתאימו או עלו על ביצועי המשוואות הקלאסיות.

מה משמעות הדבר לאנשים החיים בסמוך לרעידות

בסך הכל, המחקר מראה שמערכת למידת מכונה מאומנת בקפידה יכולה לקחת את הדקות הראשונות של נתוני סיסמומטר ולייעד מפות מהירות ובעלות שקיפות סבירה של השפעת רעידת אדמה. מפות אלה אינן מחליפות סקרים מפורטים או דיווחים המוניים, אך הן יכולות לגשר על הפער המסוכן המוקדם בו הרשויות צריכות להחליט לאן לשלוח אמבולנסים, כבאים ומבקרי מבנים עם מידע מוגבל מאוד. על‑ידי שילוב אלגוריתמים מתקדמים עם מודלים מפושטיים ניתנים לפרשנות ודגלוני אי‑וודאות בסיסיים, המסגרת מציעה צעד מעשי לקראת תגובה מהירה ומודעת יותר לרעידות אדמה באיטליה וניתנת להתאמה לאזורים אחרים המתמודדים עם סיכונים סיסמיים דומים.

ציטוט: Patelli, L., Cameletti, M., De Rubeis, V. et al. Machine learning for prompt estimation of macroseismic intensity from seismometric data in Italy. Sci Rep 16, 7265 (2026). https://doi.org/10.1038/s41598-026-35740-x

מילות מפתח: עוצמת רעידת אדמה, למידת מכונה, יער אקראי, סיכון סיסמי, איטליה