एक ज्वालामुखीय भूकंपीय संकट अधिक स्पष्ट होते

2024 च्या उत्तरार्धापासून 2025 च्या मध्यापर्यंत सॅंटोरिनी आणि शेजारील बेटांना प्रभावित करणारी तीव्र भूकंपीय मालिका पारंपरिक निरीक्षणाने दाखविल्यापेक्षा खूपच मोठी आणि अधिक संरचित होती. 2026 मधील सिस्मोलॉजिकल सोसायटी ऑफ अमेरिका यांच्या वार्षिक बैठकीत सादर केलेल्या संशोधनानुसार, मशीन लर्निंग-आधारित विश्लेषणाने त्या घटनाकाळात 60,000 हून अधिक भूकंप ओळखले, ज्यामुळे वैज्ञानिकांना संकट उलगडत असताना त्याचा मागोवा घेता येईल असा उच्च-रिझोल्यूशन कॅटलॉग तयार झाला.

हा प्रमुख आकडा स्वतःच प्रभावी आहे, पण अशा जवळपास प्रत्यक्ष वेळेतील विश्लेषणामुळे काय शक्य होते, यात या कामाचे व्यापक महत्त्व आहे. डेटा महिन्यांनंतर तपासण्याऐवजी, संशोधन पथकाने घटना सुरू असतानाच मशीन लर्निंग साधनांचा वापर केला, भूकंपीय हालचालींचे झटके शोधले, फॉल्ट नेटवर्क्समधून हालचाल कशी सरकली हे ट्रॅक केले आणि मानक कार्यप्रवाहांनी कदाचित चुकवले असते किंवा निर्णयांसाठी खूप उशिरा दिले असते असे तपशील पकडले.

सॅंटोरिनी मालिका ट्रॅक करणे कठीण का होते

सॅंटोरिनीची भूकंपीय संकटस्थिती अत्यंत तीव्र होती. संशोधकांनी सांगितले की काही काळात एका तासात शेकडो भूकंप झाले, जे वेळेच्या दबावाखाली पारंपरिक सूचीकरण कठीण करणारे प्रमाण आहे. हा मोठा प्रमाण महत्त्वाचा आहे, कारण भूकंप दाट समूहांत येतात तेव्हा आव्हान केवळ तीव्रता किंवा स्थान मोजणे नसून, एकमेकांवर चढलेल्या तरंगरूपांमधून स्वतंत्र घटना वेगळ्या ओळखणे आणि तेही इतक्या वेगाने करणे की माहिती कृतीयोग्य राहील.

समांतर चालणाऱ्या मशीन लर्निंग पाइपलाईन्सचा वापर करून, स्टॅनफर्ड-नेतृत्वाखालील पथकाने मोठ्या प्रमाणातील वेव्हफॉर्म डेटा प्रक्रिया केला आणि संकट सुरू असतानाच हजारो घटना ओळखल्या. परिणामी डेटासेट डिसेंबर 2024 ते जून 2025 या काळात पसरलेला होता आणि त्या मालिकेचा कालानुसार कसा विकास झाला याचे अधिक तपशीलवार चित्र देत होता.

हा एक महत्त्वाचा कार्यात्मक बदल आहे. भूकंपशास्त्रात मशीन लर्निंग बहुतेकदा नंतर, संकट संपल्यानंतर, वापरली जाते. सॅंटोरिनीमध्ये, या पद्धती जवळपास प्रत्यक्ष-वेळ निरीक्षणाच्या स्वरूपात वापरल्या गेल्या. त्यामुळे हे काम केवळ एका भूकंप मालिकेचा अभ्यास म्हणून नव्हे, तर भविष्यात ज्वालामुखी-संबंधित भूकंपीय संकटे कशी वेगळ्या पद्धतीने हाताळली जाऊ शकतात याचे प्रात्यक्षिक म्हणूनही उल्लेखनीय आहे.

उद्रेक, स्थलांतर आणि मॅग्मा हालचालीकडे निर्देश करणारे पुरावे

कॅटलॉगने भूकंपीय हालचालींचे 46 पुनरावृत्ती होणारे झटके ओळखले, ज्यापैकी प्रत्येकात एक ते दोन तासांत शेकडो भूकंप होते. काही झटक्यांदरम्यान, भूकंपीय स्थलांतर फॉल्ट झोनमधून ताशी 2 किलोमीटरपर्यंतच्या वेगाने हलले. हे नमुने फक्त वर्णनात्मक उत्सुकता नाहीत. ते त्या समूहाला चालना देणाऱ्या अंतर्निहित प्रक्रियेचे मूल्यमापन करण्यास वैज्ञानिकांना मदत करतात.

संशोधकांच्या मते, वेग आणि स्थलांतराचा नमुना दोन्हीही ही मांडणी बळकट करतात की ही मालिका त्या प्रदेशातील ज्वालामुखींशी संबंधित मॅग्मा घुसखोरीशी जोडलेली होती. दुसऱ्या शब्दांत, हे भूकंप फक्त विखुरलेला टेक्टॉनिक आवाज नव्हता. त्यांनी सक्रिय ज्वालामुखीय प्रणालीतील पदार्थ आणि ताण यांच्या हालचालींचा मागोवा घेतल्यासारखे दिसते.

हा फरक धोक्याच्या मूल्यांकनासाठी महत्त्वाचा आहे. ज्वालामुखीय परिस्थितीत, एखादा समूह मुख्यतः फॉल्ट स्लिप, द्रव हालचाल किंवा मॅग्मा घुसखोरीमुळे चालतो का, यावर वैज्ञानिक वाढत्या धोक्याबद्दल आणि सार्वजनिक संवादाबद्दल कसा विचार करतात ते बदलते. अधिक समृद्ध कॅटलॉग अनिश्चितता दूर करत नाही, पण संभाव्य स्पष्टीकरणांची व्याप्ती कमी करू शकतो आणि अधिकाऱ्यांना परिस्थितीचे अधिक स्पष्ट चित्र तयार करण्यास मदत करू शकतो.

संशोधन साधनापासून कार्यात्मक अपेक्षेकडे

या अभ्यासातून मिळणारा सर्वात ठळक संदेश भूवैज्ञानिकापेक्षा संस्थात्मक आहे: संशोधकांचे म्हणणे आहे की या पद्धती मर्यादित वापरातून नियमित कार्यपद्धतीत यायला हव्यात. हा महत्त्वपूर्ण दावा आहे. सार्वजनिक सुरक्षितता महत्त्वाची असताना विश्वसनीयता, वेग आणि अर्थनिर्णयक्षमता सगळेच महत्त्वाचे असल्यामुळे निरीक्षण संस्थांमध्ये प्रत्यक्ष-वेळ कार्यप्रवाहात नवीन विश्लेषण पद्धती स्वीकारण्याबाबत सहसा सावधगिरी असते.

पण सॅंटोरिनीसारख्या घटना विद्यमान पद्धतींच्या मर्यादा उघड करतात. संकट वेगाने विकसित होत असेल, तर विश्लेषणात होणारा उशीर हा केवळ शैक्षणिक गैरसोय नसतो. तो अंदाज, इशारे आणि आपत्कालीन नियोजन यावर परिणाम करू शकतो. संशोधकांचे मत आहे की मशीन लर्निंग इतकी परिपक्व झाली आहे की ती मानक निरीक्षण साधनसंचाचा भाग बनू शकते, विशेषतः अशा उच्च-गती ज्वालामुखीय संकटांमध्ये जिथे केवळ मानवी विश्लेषकांना घटनांच्या प्रमाणाशी जुळवून घेणे कठीण जाते.

हा बदल झाला, तर त्याचे व्यावहारिक परिणाम एजियन पलीकडेही जाऊ शकतात. जगभरातील ज्वालामुखी वेधशाळा आणि भूकंपीय निरीक्षण नेटवर्क्सना झटके, घुसखोरी आणि भूकंपांच्या मालिकांदरम्यान अशाच आव्हानांना सामोरे जावे लागते. जलद आणि दाट घटना कॅटलॉग संस्थांना उलगडत चाललेल्या धोक्यांची व्याख्या आणि सार्वजनिक अनिश्चिततेबाबत संवाद सुधारण्यात मदत करू शकतात.

हा अभ्यास काय बदलतो

सॅंटोरिनी मालिका ही चालू घटनांच्या दरम्यान संगणकीय पद्धती निरीक्षण विज्ञान कसे बदलू शकते याचा एक केस स्टडी बनली आहे. मूल्य केवळ इतकेच नव्हते की मशीन लर्निंगने अधिक भूकंप शोधले. तिने रचना शोधली: पुनरावृत्ती होणारे झटके, स्थलांतर करणारी हालचाल आणि फॉल्ट-नेटवर्कचे तपशील, ज्यांनी मिळून जमिनीखाली काय घडत होते याची अधिक सुसंगत कहाणी दिली.

तोच खोल धडा आहे. धोका विज्ञानात, उत्तम रिझोल्यूशन घटनेचाच अर्थ बदलू शकते. विखुरलेला आणि प्रचंड असा समूह लय, मार्ग आणि संभाव्य चालकमूल्यांसह नकाशित प्रक्रियेत रूपांतरित होतो. यामुळे अंदाज बांधणे सोपे होत नाही, आणि आश्चर्याची शक्यता नाहीशीही होत नाही. पण जेव्हा निर्णय प्रत्यक्ष वेळेत घ्यावे लागतात, तेव्हा उपलब्ध माहितीची गुणवत्ता मात्र सुधारते.

सॅंटोरिनीसाठी, निकाल म्हणजे एक उल्लेखनीय भूकंपीय संकटाचा अधिक स्पष्ट नोंदवह. व्यापक क्षेत्रासाठी, हा संकेत आहे की कार्यात्मक भूकंपशास्त्र एका नव्या टप्प्यात प्रवेश करू शकते, ज्यात मशीन लर्निंग आता घटना-पश्चात संशोधन सहाय्यक नसून, आघाडीचे विश्लेषणात्मक साधन असेल.

मुख्य मुद्दे

  • संशोधकांनी 2025 च्या सॅंटोरिनी मालिकेदरम्यान मशीन लर्निंग वापरून 60,000 हून अधिक भूकंप ओळखले.
  • अभ्यासात 46 पुनरावृत्ती होणारे भूकंपीय झटके आणि फॉल्ट झोनमधून ताशी 2 किलोमीटरपर्यंतच्या वेगाने स्थलांतर दिसून आले.
  • निरीक्षित नमुने संकटात मॅग्मा घुसखोरीची मध्यवर्ती भूमिका होती, या व्याख्येला पाठिंबा देतात.
  • अशा मशीन लर्निंग पद्धती भविष्यातील ज्वालामुखीय आपत्कालीन परिस्थितीत नियमित प्रत्यक्ष-वेळ निरीक्षणाचा भाग व्हाव्यात, असा पथकाचा युक्तिवाद आहे.

हा लेख Phys.org च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.