DeepStrain कैसे काम करता है?

GFZ पॉट्सडैम की भूभौतिकीविद् ज़हरा ज़ाली द्वारा विकसित DeepStrain एक ऐसा डीप-लर्निंग मॉडल है जिसे विशेष रूप से NSF के 'नेटवर्क ऑफ़ द अमेरिकाज़' (NOTA) के बोरहोल स्ट्रेनमीटर रिकॉर्डिंग पर प्रशिक्षित किया गया है । यह एल्गोरिदम लगातार आने वाले स्ट्रेन डेटा के उच्च-आयामी शोर के बीच से स्लो स्लिप के सूक्ष्म तरंग पैटर्न को पहचानना सीखता है। इसके कोड और प्रीप्रोसेसिंग पाइपलाइन को अगस्त 2025 में सार्वजनिक कर दिया गया, ताकि अन्य शोधकर्ता भी इस विधि का इस्तेमाल दूसरे फॉल्ट ज़ोन पर कर सकें ।

जब इस एल्गोरिदम को पार्कफील्ड क्षेत्र पर लागू किया गया, तो इसने एक उल्लेखनीय परिणाम दिया: इसने पहले से मैन्युअल रूप से सूचीबद्ध 90% SSEs का पता लगाया और, इससे भी महत्वपूर्ण बात, 21 नए SSEs की पहचान की जो मैन्युअल विश्लेषण से छूट गए थे । यह ज्ञात घटनाओं की सूची में लगभग 30% की वृद्धि है, जो सैन एंड्रियास के इस बारीकी से अध्ययन किए गए हिस्से में फॉल्ट व्यवहार की कहीं अधिक संपूर्ण तस्वीर पेश करता है।

लो-फ़्रीक्वेंसी भूकंपों से अस्थायी संबंध

शायद सबसे महत्वपूर्ण खोज तब सामने आई जब टीम ने नए पाए गए SSEs और LFEs के समय का विश्लेषण किया। डेटा से पता चला कि स्लो स्लिप इवेंट्स के बाद अक्सर लो-फ़्रीक्वेंसी भूकंप आते हैं । यह अस्थायी क्रम एक कारणात्मक संबंध की ओर इशारा करता है: भूकंपीय न होने वाली यह धीमी खिसकन (aseismic slow slip) उस भूकंपजन्य क्षेत्र को लोड या ट्रिगर करती है जो बाद में LFE उत्पन्न करता है।

यह परिणाम पिछले शोधों के अनुरूप है, जिसमें दिखाया गया था कि पार्कफील्ड के पास ट्रेमर और LFE गतिविधि का क्षण-अवधि स्केलिंग (moment-duration scaling) SSEs के समान ही होता है, जो यह बताता है कि वे शारीरिक रूप से जुड़े हुए हैं । लो-फ़्रीक्वेंसी भूकंपों को लंबे समय से आसपास के भूकंपीय खिसकन (aseismic slip) के भूकंपीय संकेतक के रूप में व्याख्यायित किया जाता रहा है , लेकिन DeepStrain ने पहली बार सबसे स्पष्ट भूगणितीय सबूत पेश किया है कि व्यक्तिगत धीमी घटनाएं पहले आती हैं और संभवतः उन छोटे भूकंपों को ट्रिगर करती हैं।

फॉल्ट निगरानी और भूभौतिकी में AI के निहितार्थ

विस्तारित पहचान क्षमता

DeepStrain ने प्रदर्शित किया है कि AI उन भूगर्भीय संकेतों को निकाल सकता है जो GPS नेटवर्क और मैन्युअल स्ट्रेनमीटर विश्लेषण दोनों की पहचान सीमा से नीचे होते हैं। SSEs की यह विस्तारित सूची फॉल्ट व्यवहार, पुनरावृत्ति अंतराल, और बड़े भूकंपों की ओर ले जाने वाली स्थितियों के अधिक मजबूत सांख्यिकीय अध्ययनों को सक्षम बनाती है ।

भूकंपीय और अ-भूकंपीय खिसकन के बीच एक कारणात्मक संबंध

यह अवलोकन कि SSEs लगातार LFEs से पहले आते हैं, उन मॉडलों का समर्थन करता है जिनमें धीमी खिसकन पास के फॉल्ट पैच को लोड करती है, संभावित रूप से उन्हें विफलता (failure) के करीब लाती है। इसका सीधा संबंध सैन एंड्रियास फॉल्ट पर भूकंप की उत्पत्ति (nucleation) और पुनरावृत्ति को समझने से है—जो भूकंपीय खतरे के आकलन के लिए एक महत्वपूर्ण क्षेत्र है ।

वास्तविक समय में संचालन की क्षमता

चूंकि DeepStrain को लगातार आने वाले बोरहोल स्ट्रेनमीटर डेटा पर तैनात किया जा सकता है, यह उस क्षणिक विकृति (transient deformation) का लगभग वास्तविक समय में पता लगाने का एक उपकरण प्रदान करता है जो बड़े भूकंपों से पहले हो सकती है। NOTA नेटवर्क के पास पहले से ही आवश्यक स्ट्रेनमीटर बुनियादी ढांचा है, और यह अनुसंधान समुदाय को डेटा और प्रसंस्करण उपकरण दोनों उपलब्ध कराता है । यह बदल सकता है कि कैसे 'अर्थक्वेक अर्ली वार्निंग सिस्टम' भूगर्भीय डेटा को शामिल करते हैं।

भूभौतिकी में AI का व्यापक उदाहरण

यह कार्य इस बढ़ते सबूतों में शामिल हो गया है कि डीप लर्निंग पारंपरिक तरीकों से अदृश्य रहने वाले भूभौतिकीय संकेतों को व्यवस्थित रूप से निकाल सकता है। इसी तरह के दृष्टिकोण—जैसे कैस्केडिया में ट्रेमर डिटेक्शन के लिए CNN और सैन एंड्रियास पर LFE पहचान के लिए डीप लर्निंग —ने दिखाया है कि AI मौजूदा निगरानी नेटवर्क के लिए एक 'बल गुणक' (force multiplier) के रूप में काम कर सकता है। DeepStrain ने साबित कर दिया है कि यही सिद्धांत बोरहोल स्ट्रेनमीटर डेटा पर भी लागू होता है, जो फॉल्ट की गहरी जड़ों में क्षणिक खिसकन का पता लगाने के लिए एक प्रमुख सेंसर प्रकार है।

सावधानियां और खुले प्रश्न

DeepStrain की सटीक आर्किटेक्चर (यह कन्वोल्यूशनल, रिकरंट या ट्रांसफॉर्मर-आधारित डिज़ाइन का उपयोग करता है या नहीं) सार्वजनिक रूप से उपलब्ध सारांशों में विस्तृत नहीं है। पूरी विधि संबंधी जानकारी Nature Communications पेपर (doi: 10.1038/s41467-026-74095-9) में है । इसके अतिरिक्त, अब तक एल्गोरिदम को केवल पार्कफील्ड खंड पर मान्य किया गया है; अन्य फॉल्ट ज़ोन पर अलग-अलग स्ट्रेनमीटर कॉन्फ़िगरेशन और शोर विशेषताओं के साथ इसका प्रदर्शन अभी परीक्षण किया जाना बाकी है।

DeepStrain कैसे काम करता है?

GFZ पॉट्सडैम की भूभौतिकीविद् ज़हरा ज़ाली द्वारा विकसित DeepStrain एक ऐसा डीप-लर्निंग मॉडल है जिसे विशेष रूप से NSF के 'नेटवर्क ऑफ़ द अमेरिकाज़' (NOTA) के बोरहोल स्ट्रेनमीटर रिकॉर्डिंग पर प्रशिक्षित किया गया है । यह एल्गोरिदम लगातार आने वाले स्ट्रेन डेटा के उच्च-आयामी शोर के बीच से स्लो स्लिप के सूक्ष्म तरंग पैटर्न को पहचानना सीखता है। इसके कोड और प्रीप्रोसेसिंग पाइपलाइन को अगस्त 2025 में सार्वजनिक कर दिया गया, ताकि अन्य शोधकर्ता भी इस विधि का इस्तेमाल दूसरे फॉल्ट ज़ोन पर कर सकें ।

जब इस एल्गोरिदम को पार्कफील्ड क्षेत्र पर लागू किया गया, तो इसने एक उल्लेखनीय परिणाम दिया: इसने पहले से मैन्युअल रूप से सूचीबद्ध 90% SSEs का पता लगाया और, इससे भी महत्वपूर्ण बात, 21 नए SSEs की पहचान की जो मैन्युअल विश्लेषण से छूट गए थे । यह ज्ञात घटनाओं की सूची में लगभग 30% की वृद्धि है, जो सैन एंड्रियास के इस बारीकी से अध्ययन किए गए हिस्से में फॉल्ट व्यवहार की कहीं अधिक संपूर्ण तस्वीर पेश करता है।

लो-फ़्रीक्वेंसी भूकंपों से अस्थायी संबंध

शायद सबसे महत्वपूर्ण खोज तब सामने आई जब टीम ने नए पाए गए SSEs और LFEs के समय का विश्लेषण किया। डेटा से पता चला कि स्लो स्लिप इवेंट्स के बाद अक्सर लो-फ़्रीक्वेंसी भूकंप आते हैं । यह अस्थायी क्रम एक कारणात्मक संबंध की ओर इशारा करता है: भूकंपीय न होने वाली यह धीमी खिसकन (aseismic slow slip) उस भूकंपजन्य क्षेत्र को लोड या ट्रिगर करती है जो बाद में LFE उत्पन्न करता है।

यह परिणाम पिछले शोधों के अनुरूप है, जिसमें दिखाया गया था कि पार्कफील्ड के पास ट्रेमर और LFE गतिविधि का क्षण-अवधि स्केलिंग (moment-duration scaling) SSEs के समान ही होता है, जो यह बताता है कि वे शारीरिक रूप से जुड़े हुए हैं । लो-फ़्रीक्वेंसी भूकंपों को लंबे समय से आसपास के भूकंपीय खिसकन (aseismic slip) के भूकंपीय संकेतक के रूप में व्याख्यायित किया जाता रहा है , लेकिन DeepStrain ने पहली बार सबसे स्पष्ट भूगणितीय सबूत पेश किया है कि व्यक्तिगत धीमी घटनाएं पहले आती हैं और संभवतः उन छोटे भूकंपों को ट्रिगर करती हैं।

फॉल्ट निगरानी और भूभौतिकी में AI के निहितार्थ

विस्तारित पहचान क्षमता

DeepStrain ने प्रदर्शित किया है कि AI उन भूगर्भीय संकेतों को निकाल सकता है जो GPS नेटवर्क और मैन्युअल स्ट्रेनमीटर विश्लेषण दोनों की पहचान सीमा से नीचे होते हैं। SSEs की यह विस्तारित सूची फॉल्ट व्यवहार, पुनरावृत्ति अंतराल, और बड़े भूकंपों की ओर ले जाने वाली स्थितियों के अधिक मजबूत सांख्यिकीय अध्ययनों को सक्षम बनाती है ।

भूकंपीय और अ-भूकंपीय खिसकन के बीच एक कारणात्मक संबंध

यह अवलोकन कि SSEs लगातार LFEs से पहले आते हैं, उन मॉडलों का समर्थन करता है जिनमें धीमी खिसकन पास के फॉल्ट पैच को लोड करती है, संभावित रूप से उन्हें विफलता (failure) के करीब लाती है। इसका सीधा संबंध सैन एंड्रियास फॉल्ट पर भूकंप की उत्पत्ति (nucleation) और पुनरावृत्ति को समझने से है—जो भूकंपीय खतरे के आकलन के लिए एक महत्वपूर्ण क्षेत्र है ।

वास्तविक समय में संचालन की क्षमता

चूंकि DeepStrain को लगातार आने वाले बोरहोल स्ट्रेनमीटर डेटा पर तैनात किया जा सकता है, यह उस क्षणिक विकृति (transient deformation) का लगभग वास्तविक समय में पता लगाने का एक उपकरण प्रदान करता है जो बड़े भूकंपों से पहले हो सकती है। NOTA नेटवर्क के पास पहले से ही आवश्यक स्ट्रेनमीटर बुनियादी ढांचा है, और यह अनुसंधान समुदाय को डेटा और प्रसंस्करण उपकरण दोनों उपलब्ध कराता है । यह बदल सकता है कि कैसे 'अर्थक्वेक अर्ली वार्निंग सिस्टम' भूगर्भीय डेटा को शामिल करते हैं।

भूभौतिकी में AI का व्यापक उदाहरण

यह कार्य इस बढ़ते सबूतों में शामिल हो गया है कि डीप लर्निंग पारंपरिक तरीकों से अदृश्य रहने वाले भूभौतिकीय संकेतों को व्यवस्थित रूप से निकाल सकता है। इसी तरह के दृष्टिकोण—जैसे कैस्केडिया में ट्रेमर डिटेक्शन के लिए CNN और सैन एंड्रियास पर LFE पहचान के लिए डीप लर्निंग —ने दिखाया है कि AI मौजूदा निगरानी नेटवर्क के लिए एक 'बल गुणक' (force multiplier) के रूप में काम कर सकता है। DeepStrain ने साबित कर दिया है कि यही सिद्धांत बोरहोल स्ट्रेनमीटर डेटा पर भी लागू होता है, जो फॉल्ट की गहरी जड़ों में क्षणिक खिसकन का पता लगाने के लिए एक प्रमुख सेंसर प्रकार है।

सावधानियां और खुले प्रश्न

DeepStrain की सटीक आर्किटेक्चर (यह कन्वोल्यूशनल, रिकरंट या ट्रांसफॉर्मर-आधारित डिज़ाइन का उपयोग करता है या नहीं) सार्वजनिक रूप से उपलब्ध सारांशों में विस्तृत नहीं है। पूरी विधि संबंधी जानकारी Nature Communications पेपर (doi: 10.1038/s41467-026-74095-9) में है । इसके अतिरिक्त, अब तक एल्गोरिदम को केवल पार्कफील्ड खंड पर मान्य किया गया है; अन्य फॉल्ट ज़ोन पर अलग-अलग स्ट्रेनमीटर कॉन्फ़िगरेशन और शोर विशेषताओं के साथ इसका प्रदर्शन अभी परीक्षण किया जाना बाकी है।