تیمی متشکل از ژئوفیزیکدانان آمریکایی به رهبری یک دانشمند ایرانی موفق شد زمین‌لرزه را به صورت ماهواره‌ای پیش‌بینی کند. اعضای این گروه زیرنظر پروفسور منوچهر شیرزایی، استاد دانشگاه آریزونا فعالیت می‌کنند و به شیوه‌ای برای پیش‌بینی زمین‌لرزه دست یافتند.

به گفته این محققان رادارهای مداری قادرند تغییر شکل زمین بر اثر ورود فاضلاب را پیگیری کنند. این مسئله یکی از عوامل زمین‌لرزه است. ژئوفیزیکدانان آمریکایی به رهبری پروفسور شیرزایی داده‌های آماری ماهواره ژاپنی رصدگر پیشرفته زمین (ALOS) را از ماه می ۲۰۰۷ تا نوامبر ۲۰۱۰ بررسی کرده و متوجه تغییر شکل رو به بالای زمین در اطراف چاه‌های دفع فاضلاب شدند. این چاه‌های فاضلاب در ایالت تگزاس قرار داشت و دو سال بعد یعنی در سال ۲۰۱۲ زمین‌لرزه ۴٫۸ ریشتری در این منطقه اتفاق افتاده بود. به عبارت دیگر ورود فاضلاب در دو چاه در تگزاس موجب بالا آمدن زمین بین دو چاه به میزان سه میلی‌متر شده و این اتفاق یکی از عوامل وقوع زلزله در این ایالت بود.

این برای اولین بار است که به این صورت مطالعه‌ای در زمینه بالا آمدن زمین انجام می‌گیرد. در این پژوهش‌ها دانشمندان اطلاعات به دست آمده را در مدل فشار منفذی قرار داده و میزان نفوذ آب در شکاف زیر سنگ‌ها را می‌سنجند. طبیعتاً هرچه مقدار آب بیشتری به زیر سطح سنگ‌ها نفوذ کرده باشد فشار بیشتری به گسل‌های زیرزمینی وارد شده و باعث لغزندگی و وقوع زمین‌لرزه می‌شود.

در این تحقیقات اکتشافات جالبی نیز صورت گرفت. این پژوهش نشان داد که فعالیت زمین‌لرزه پس از کاهش میزان ورود فاضلاب به چاه‌ها نیز ادامه یافت. پروفسور شیرزایی در این مورد اظهار داشت که حتی اگر همین امروز ورود فاضلاب‌ها به چاه‌های زیرزمینی متوقف شود ممکن است فعالیت زمین‌لرزه تا ده سال آینده ادامه پیدا کند.

البته در انجام این پژوهش‌ها پرسش‌هایی هم پیش آمد؛ به‌عنوان مثال در نزدیکی چاه‌های دیگر که میزان بالا آمدن زمین کمتر بود، زمین‌لرزه‌هایی رخ داده که عمق و شدت بیشتری هم داشتند. با این حال این تحقیقات اطلاعات جدید و مفیدی را در جهت ساخت یک مدل پیش‌بینی زمین‌لرزه ارائه داده است و دانشمندان امیدوارند که با تحقیقات بیشتر و تحلیل داده‌ها بتوانند پاسخی برای سؤال‌های پیش‌آمده پیدا کنند.

پروفسور منوچهر شیرزایی استاد دانشگاه آریزونا آمریکا و یکی از نخبگان نقشه‌برداری است. وی در دانشگاه امیرکبیر تهران در رشته مهندسی عمران- نقشه‌برداری لیسانس گرفت و مدرک کارشناسی ارشد نقشه‌برداری را نیز از دانشگاه تهران دریافت کرد. پروفسور شیرزایی برای ادامه تحصیل از ایران مهاجرت کرد و مدرک دکترای خود را از دانشگاه پوتسدام آلمان گرفت و پس از آن به آمریکا رفت و مطالعات خود را پشت سر گذاشت.

فقر جوامع، یکی از بزرگ‌ترین معضلات دنیای امروزی است. فقر نشانه‌های بسیاری دارد اما شاید برایتان جالب باشد که بدانید یکی از روش‌های جدید برای شناخت مناطق محروم، بررسی چهره این مناطق از فضا است. چیزی که به خوبی در تصاویر ماهواره‌ای پدیدار است.

همه می‌دانند که هر چه مناطق بیشتری در شب از نور برخوردار باشند، توسعه‌یافته‌تر و غنی‌تر هستند. محققان از این شیوه برای تخمین فقر در مناطقی استفاده کردند که داده‌های دقیقی از آن‌ها در دست نیست. البته برآوردها براساس نور شب بیشتر بر پایه حدس هستند و اطلاعات زیادی در مورد تفاوت ثروت در میان اقشار بسیار فقیر ارائه نمی‌کنند. این تکنیک تصویربرداری می‌تواند کار سازمان‌های امدادرسانی را برای شناسایی مناطق نیازمند کمک تسهیل کرده و حتی به دولت‌ها برای توسعه سیاست‌های بهتر کمک کند.

دانشمندان دانشگاه استنفورد به یک رایانه، سه منبع داده شامل تصاویر نور شب، تصاویر روز و اطلاعات پیمایشی واقعی را ارائه کردند تا الگوریتمی را برای پیش‌بینی میزان غنی یا فقیر بودن مناطق ایجاد کنند. این روش که در مجله ساینس منتشر شده، توانسته فقر را به جزئیات بیشتری نسبت به روش‌های پیشین برآورد کند.

ساخت این الگوریتم شامل یک فرآیند دومرحله‌ای موسوم به “یادگیری انتقال” بود. در مرحله اول، دانشمندان تصاویر روز و شب پنج کشور آفریقایی اوگاندا، تانزانیا، نیجریه، مالاوی و رواندا را به یک شبکه عصبی رایانه‌ای نشان دادند. آن‌ها با استفاده از تکنیک‌های یادگیری عمیق، به رایانه آموزش دادند تا محل نورهای شبانه را با نگاه کردن به تصاویر روز و جستجو برای ارتباط آنها پیش‌بینی کنند.

این مدل برای مثال یاد گرفت که اگر تعداد خانه بیشتری در یک منطقه باشد، احتمالا نور بیشتری در شب تولید می‌کند. محققان با آموزش دادن به رایانه‌ها در مورد این‌که کدام ویژگی‌های روز با نور شبانه مرتبط است، می‌توانند پیش‌بینی بهتری در مورد مناطق فقیر داشته باشند.

آن‌ها در مرحله دوم از یک مدل متفاوت موسوم به مدل رگرسیون خط‌الراس استفاده کردند. این مدل از قبل ارتباط بین ویژگی‌های منطقه و نور را می‌داند. دانشمندان سپس اطلاعات بیشتری به آن ارائه کردند که شامل داده‌های پیمایشی واقعی از خدمات بهداشت جمعیتی و مطالعه ارزیابی استانداردهای زندگی بانک جهانی بودند. البته این مدل به تنهایی برای سنجش فقر در یک شهر سودمند نبود.

گام بعدی محققان، آموزش این الگوریتم برای بررسی کشورهای دیگر به منظور نقشه‌برداری بهتر از فقر جوامع در سراسر جهان است.