یادگیری ماشین به کمک پیش بینی زلزله آمد

چنین هشدارهایی که اکنون در ایالات متحده، ژاپن، ترکیه، ایتالیا و رومانی و سایر کشورها در دسترس است، طرز فکر ما را در مورد خطرات زلزله تغییر داده و دیگر در مقابل این بلای طبیعی کاملا غافلگیر نخواهیم شد.
سیستم‌های هشدار زودهنگام زلزله می‌توانند آلارم‌ها را از طریق تلفن یا سیگنالی با صدای بلند سه تا پنج ثانیه پس از وقوع زلزله مخرب به مناطق آسیب‌دیده ارسال کنند.

ابتدا، لرزه‌سنج‌های نزدیک به گسل، شروع زمین‌لرزه را تشخیص می‌دهند و الگوریتم‌های دقیق برنامه‌ریزی‌شده اندازه احتمالی آن را تعیین می‌کنند.
اگر متوسط یا بزرگ باشد، هشدار حاصل سریع‌تر از خود زلزله حرکت می‌کند و از چند ثانیه تا چند دقیقه هشدار می‌دهد.
این پنجره زمانی بسیار مهم است: در این لحظات کوتاه، مردم می‌توانند خطوط برق و گاز را قطع کنند، ماشین‌های آتش نشانی را به خیابان‌ها منتقل کنند و مکان‌های امنی برای رفتن پیدا کنند.
اما این سیستم‌ها محدودیت‌هایی نیز دارند و فقط به زلزله‌ای واکنش نشان می‌دهند که از قبل شروع شده است.
ما نمی‌توانیم زلزله را همانند آب و هوا پیش‌بینی کنیم و بسیاری از مناطق زلزله‌خیز در حالت تعلیق دائمی قرار دارند. یک پیش‌بینی مناسب می‌تواند به ما اجازه دهد کارهای بیشتری برای مدیریت ریسک انجام دهیم؛ از خاموش کردن شبکه برق گرفته تا تخلیه ساکنان.
زمانی که در سال ۲۰۱۳ تحصیل در مقطع دکترای خود را در زمین لرزه‌شناسی شروع کردم، موضوع پیش بینی زلزله خیلی جدی گرفته نمی‌شد و خارج از قلمرو جریان اصلی تحقیقات قرار داشت.
اما فقط هفت سال بعد، خیلی چیزها تغییر کرده بود. وقتی دومین دوره فوق دکتری خود را در سال ۲۰۲۰ شروع کردم، مشاهده کردم که دانشمندان در این زمینه نسبت به پیش بینی زلزله بسیار پذیراتر هستند.
«تکتونیک» نام پروژه‌ای بود که من بخشی از آن بودم و از یادگیری ماشینی برای پیش بینی زلزله استفاده می‌کرد.
شورای تحقیقات اروپا برای اعطای کمک هزینه چهارساله به مبلغ ۳.۴ میلیون یورو برای حمایت از این پروژه در همان سال متقاعد شده بود.

برخی در حال مطالعه نوع متفاوتی از رفتار حرکت کند در امتداد خطوط گسل هستند که می‌تواند نشانگر مفیدی باشد مبنی بر اینکه نوع ویرانگر زلزله‌ای که همه می‌شناسیم و از آن می‌ترسیم در راه است.

برخی دیگر امیدوارند از داده‌های دیگر چون سیگنال‌هایی در نویز لرزه‌ای، رفتار حیوانات و الکترومغناطیس اطلاعاتی را دریافت کنند تا علم زلزله را به سمت امکان صدور هشدار قبل از شروع لرزش سوق دهند.

فیزیک زلزله می‌تواند مبهم به نظر برسد. ستاره‌شناسان می‌توانند ستارگان را مشاهده کنند و به همین شکل زیست‌شناسان می‌توانند یک حیوان را مشاهده کنند، اما ما که پدیده زمین لرزه‌ها را مطالعه می‌کنیم، نمی‌توانیم درون زمین را حداقل به صورت غیر مستقیم ببینیم.

در عوض، ما از برای درک آنچه در داخل زمین با تکان دادن پوسته آن اتفاق می‌افتد از نشانگرها و نمونه‌ها استفاده می‌کنیم: زلزله‌شناسی، مطالعه امواج صوتی ایجاد شده توسط حرکت در داخل، ژئودزی، استفاده از ابزارهایی مانند GPS برای اندازه‌گیری چگونگی تغییر سطح زمین در طول زمان؛ و دیرینه‌شناسی، مطالعه بقایای زمین لرزه‌های گذشته که پنهان در لایه‌های زمین‌شناسی است.

بدون دانش درست از آنچه در زیر زمین در حال رخ دادن است، درک حس نظم غیرممکن است.
چیزهای زیادی وجود دارد که ما هنوز نمی‌دانیم. چندین دهه پس از پذیرش گسترده تئوری تکتونیک صفحه در دهه ۱۹۶۰، درک ما از پیدایش زلزله فراتر از این ایده نرفته که تنش به آستانه بحرانی می‌رسد و در آن نقطه از طریق زلزله آزاد می‌شود.
عوامل مختلف می‌توانند یک گسل را برای رسیدن به آن نقطه مستعدتر کنند.
به عنوان مثال، وجود سیالات قابل توجه است: تزریق سیال فاضلاب از تولید نفت و گاز باعث افزایش عظیم فعالیت زمین ساختی (تکتونیکی) در سراسر ایالات متحده مرکزی در دهه گذشته شده است. اما وقتی نوبت به آگاهی از آنچه در امتداد یک خط گسل خاص می‌افتد می‌رسد، تا حد زیادی در تاریکی هستیم.
ما می‌توانیم با استفاده از امواج لرزه‌ای و نقشه‌برداری مکان‌های زلزله، یک نقشه تقریبی از یک گسل بسازیم، اما نمی‌توانیم مستقیماً تنش را اندازه‌گیری کنیم و همچنین نمی‌توانیم آستانه‌ای را که زمین فراتر از آن حرکت می‌کند را تعیین کنیم.
برای مدت طولانی، بهترین کاری که می‌توانستیم در مورد پیش‌بینی انجام دهیم این بود که بفهمیم زلزله‌ها در یک منطقه خاص هر چند وقت یکبار اتفاق می‌افتند.

به عنوان مثال، آخرین زمین لرزه‌ای که تمام طول گسل جنوبی سن آندریاس در کالیفرنیا را شکست، در سال ۱۸۵۷ بود.
میانگین دوره زمانی بین زمین لرزه‌های بزرگ حدود ۱۰۰ تا ۱۸۰ سال تخمین زده می‌شود.
اما همانطور که دامنه گسترده نشان می‌دهد، فواصل وقوع می‌تواند بسیار متفاوت باشد و ممکن است گمراه کننده باشد.
حجم نمونه محدود به گستره تاریخ بشر و آنچه ما هنوز می‌توانیم در پرونده زمین‌شناسی مشاهده کنیم، محدود شده است که نشان دهنده بخش کوچکی از زمین لرزه‌هایی است که در طول تاریخ زمین رخ داده است.
در سال ۱۹۸۵، دانشمندان شروع به نصب لرزه‌سنج‌ها و سایر تجهیزات پایش زلزله در امتداد بخش پارکفیلد گسل سن آندریاس، در مرکز کالیفرنیا کردند.
شش زمین لرزه در آن بخش در فواصل منظم غیرعادی در مقایسه با زمین لرزه‌های امتداد گسل‌های دیگر رخ داده است، بنابراین دانشمندان سازمان زمین‌شناسی آمریکا (USGS) با درجه اطمینان بالایی پیش بینی کردند که زلزله بعدی با بزرگی مشابه قبل از سال ۱۹۹۳ رخ خواهد داد که تا حد زیادی یک شکست بود چرا که هیچ زمین لرزه‌ای تا سال ۲۰۰۴ رخ نداد.
مواردی از فواصل منظم بین زمین لرزه‌هایی با بزرگی مشابه در جاهای دیگر، از جمله هاوایی، مشاهده شده است، اما اینها استثنا هستند، نه قاعده.
در اغلب موارد، فواصل وقوع به عنوان میانگین با حاشیه خطای بزرگ ارائه می‌شود. برای مناطق مستعد زلزله‌های بزرگ، این فواصل می‌تواند در مقیاس صدها سال باشد، با این‌عدم قطعیت که صدها سال را نیز در بر می‌گیرد، واضح است که این روش پیش‌بینی با علم دقیق فاصله زیادی دارد.
تام هیتون، ژئوفیزیکدان مؤسسه فناوری کالیفرنیا و دانشمند ارشد سابق در سازمان زمین‌شناسی آمریکا، نسبت به اینکه ما قادر به پیش بینی زمین لرزه‌ها نباشیم، تردید دارد.
او این پیش‌بینی‌ها را تا حد زیادی به عنوان فرآیندهای تصادفی در نظر می‌گیرد، به این معنی که ما می‌توانیم احتمالات را به رویدادها متصل کنیم، اما نمی‌توانیم آن‌ها را با هیچ دقتی پیش بینی کنیم.
هیتون می‌گوید: «از نظر فیزیک، این یک سیستم آشفته است. زیربنای همه اینها شواهد قابل توجهی وجود دارد که رفتار زمین منظم و قطعی است، اما بدون دانش درست از آنچه در زیر زمین اتفاق می‌افتد، درک این نظم غیرممکن است.
او بر این باور است: «گاهی اوقات وقتی کلمه «آشوب» را می‌گویید، مردم فکر می‌کنند منظور شما این است که این یک سیستم تصادفی است. هرج و مرج به این معنی است که آنقدر پیچیده است که نمی‌توان آن را پیش بینی کنید.
اما همانطور که درک دانشمندان از آنچه در داخل پوسته زمین اتفاق می‌افتد تکامل می‌یابد و ابزارهای آن‌ها پیشرفته‌تر می‌شوند، غیرمنطقی نیست که انتظار داشته باشیم توانایی آن‌ها برای پیش‌بینی نیز بهبود یابد.

تکان‌های کند

با توجه به اینکه چقدر می‌توانیم در مورد کمیت آنچه در درون سیاره می‌گذرد صحبت کنیم، منطقی است که پیش بینی زلزله مدت‌ها دور از ذهن به نظر می‌رسید. اما در اوایل دهه ۲۰۰۰ میلادی، دو اکتشاف گشایش‌هایی را در این باره ایجاد کردند.
ابتدا، زلزله‌شناسان یک سیگنال لرزه‌ای عجیب و کم دامنه را در منطقه تکتونیکی جنوب غربی ژاپن کشف کردند که از ساعت‌ها تا چند هفته طول می‌کشد و در فواصل زمانی منظمی رخ می‌دهد و مانند چیزی که قبلا دیده بودند نبود. آن‌ها آن را لرزش زمین ساختی نامیدند.
در همین حال، زمین‌شناسان که منطقه فرورانش کاسکادانیا را مطالعه می‌کردند که یک امتداد عظیم در سواحل شمال غربی اقیانوس آرام ایالات متحده که در آن یک صفحه در زیر صفحه دیگر قرار دارد، شواهدی از زمان‌هایی پیدا کردند که بخشی از پوسته به آرامی در خلاف جهت معمول خود حرکت می‌کرد.
این پدیده که رویداد لغزش کند نامیده می‌شود، در بخش نازکی از پوسته زمین واقع در زیر ناحیه‌ای رخ داد که زمین‌لرزه‌های منظمی را ایجاد می‌کند، جایی که دما و فشار بالاتر تأثیر بیشتری بر رفتار سنگ‌ها و نحوه تعامل آن‌ها دارد.
دانشمندانی که منطقه کاسکادانیا را مورد مطالعه قرار می‌دهند، همان سیگنالی را که در ژاپن پیدا شده بود، مشاهده کردند و مشخص کردند که در همان زمان و در همان مکان این رویدادهای لغزش کند رخ می‌دهد.
نوع جدیدی از زلزله کشف شد. همانند زمین لرزه‌های معمولی، این رویدادهای گذرا – زلزله‌های کند – تنش را در پوسته توزیع می‌کنند، اما می‌توانند در انواع مقیاس‌های زمانی، از ثانیه تا سال، رخ دهند.
در برخی موارد، مانند کاسکادانیا، به طور منظم رخ می‌دهند، اما در مناطق دیگر آن‌ها حوادثی منحصر و خارج از الگو هستند.
متعاقباً دانشمندان دریافتند که در طول یک زلزله کند، خطر زمین لرزه‌های منظم می‌تواند به ویژه در مناطق فرورانش افزایش یابد.
بخش محبوس گسل که زمین لرزه ایجاد می‌کند اساساً هم توسط حرکت منظم صفحه و هم با حرکت دوره‌ای نامنظم عقبگرد که توسط زمین لرزه‌های کند ایجاد می‌شود تحت فشار قرار می‌گیرد.
این اتفاق‌های کند و گریزان موضوع تحقیقات دکترای من شد، اما مطمئناً مشکل را حل نکردم. تا به امروز، مشخص نیست که دقیقاً چه مکانیسم‌هایی این نوع فعالیت را هدایت می‌کنند.
زلزله کند نوعی رویداد ناپیوسته و مانند زمین‌لرزه است که بر خلاف آزادسازی انرژی در چند ثانیه یا دقیقه در زمین‌لرزه‌های عادی، در بازه زمانی ساعت تا ماه انرژی خود را آزاد می‌کند.
آیا می‌توانیم از زلزله‌های کند برای پیش‌بینی زلزله‌های معمولی استفاده کنیم؟ از زمان کشف آن‌ها، تقریباً هر زمین لرزه بزرگی با چندین مقاله همراه شده است که نشان می‌دهد قبل از آن یک زلزله کند رخ داده است. در زمین لرزه ۹ ریشتری توهوکو-اوکی که در سال ۲۰۱۱ در ژاپن رخ داد، نه یک، بلکه دو زلزله کند قبل از آن رخ داد.
استثنائاتی وجود دارد: به عنوان مثال، علیرغم تلاش برای اثبات خلاف آن، هنوز هیچ مدرکی وجود ندارد که نشان دهد یک زلزله کند قبل از زلزله سال ۲۰۰۴ در سوماترا، اندونزی، که سونامی ویرانگری را ایجاد کرد و بیش از ۲۰۰ هزار نفر را کشت، روی داده است.
ممکن است نوعی فرآیند متمایز در امتداد گسل در ساعات منتهی به یک زلزله بزرگ رخ دهد. تابستان گذشته، یکی از همکاران سابق من، کوئنتین بلتری و همکارش ژان ماتیو نوکت، هر دو در یک آزمایشگاه تحقیقاتی چند رشته‌ای در جنوب فرانسه، نتایج تجزیه و تحلیل داده‌های تغییر شکل پوسته را در ساعات قبل از ۹۰ زلزله بزرگتر منتشر کردند.
آن‌ها دریافتند که در حدود دو ساعت قبل از زلزله، پوسته در امتداد گسل با سرعت بیشتری در جهت گسیختگی زمین لرزه شروع به تغییر شکل می‌کند تا زمانی که زمین لرزه شروع شود. بلتری می‌گوید آنچه این مطالعه به ما می‌گوید این است که یک فرآیند شتاب در طول گسل پیش از حرکت زلزله رخ می‌دهد – چیزی که شبیه یک زلزله کند است.
این امر از این فرض حمایت می‌کند که قبلاً اتفاقی افتاده است. اما به احتمال زیاد، از نظر فیزیکی امکان بازی با موضوع پیش بینی وجود ندارد.
به عبارت دیگر، پیش‌سازها ممکن است وجود داشته باشند، اما ما در حال حاضر نمی‌توانیم حضور آن‌ها را به‌خوبی اندازه‌گیری کنیم تا قبل از وقوع زلزله، آن‌ها را مشخص کنیم.
بلتری و نوکت مطالعه خود را با استفاده از تجزیه و تحلیل آماری سنتی داده‌های GPS انجام دادند. چنین داده‌هایی ممکن است حاوی اطلاعاتی باشد که فراتر از دسترس مدل‌ها و چارچوب‌های مرجع سنتی ما باشد.
زلزله‌شناسان اکنون از یادگیری ماشینی به روشی استفاده می‌کنند که قبلاً چنین نبوده است. اگرچه هنوز روزهای اولیه است اما رویکرد یادگیری ماشینی می‌تواند ساختارهای پنهان و پیوندهای علمی را در چیزی که در غیر این صورت شبیه به مجموعه داده‌ها به نظر می‌رسد، آشکار کند.

یافتن سیگنال در نویز

محققان زلزله از یادگیری ماشینی به روش‌های مختلفی استفاده کرده اند. برخی مانند مصطفی موسوی و گریگوری بروزا از دانشگاه استنفورد، نحوه استفاده از آن را بر روی داده‌های لرزه‌ای یک ایستگاه لرزه‌ای برای پیش بینی بزرگی یک زلزله مطالعه کرده اند، که می‌تواند برای سیستم‌های هشدار اولیه بسیار مفید باشد و همچنین ممکن است به روشن شدن عوامل تعیین کننده بزرگی زلزله کمک کند.
برندن مید، استاد علوم زمین و سیاره‌شناسی در هاروارد، می‌تواند مکان‌های پس لرزه‌ها را با استفاده از شبکه‌های عصبی پیش‌بینی کند.
زاخاری راس در موسسه فناوری کالیفرنیا و دیگر دانشمندان از یادگیری عمیق برای انتخاب امواج لرزه‌ای از داده‌ها حتی با سطوح بالای نویز پس زمینه استفاده می‌کنند که می‌تواند منجر به شناسایی زمین لرزه‌های بیشتری شود.
پل جانسون از آزمایشگاه ملی لوس آلاموس در نیومکزیکو نیز از یادگیری ماشینی برای کمک به درک داده‌های زمین لرزه‌های تولید شده در آزمایشگاه استفاده می‌کند.
راه‌های مختلفی برای ایجاد زلزله آزمایشگاهی وجود دارد.
یکی از روش‌های نسبتاً رایج شامل قرار دادن یک نمونه سنگ، بریدن مرکز برای شبیه‌سازی یک گسل، در داخل یک چارچوب فلزی است که آن را تحت فشار محدود قرار می‌دهد.
حسگرهای موضعی با تغییر شکل نمونه، آنچه روی می‌دهد را اندازه گیری می‌کند.
در سال ۲۰۱۷، مطالعه‌ای در آزمایشگاه جانسون نشان داد که یادگیری ماشینی می‌تواند به پیش‌بینی با دقت قابل‌توجهی کمک کند که چقدر طول می‌کشد تا گسلی که محققان ایجاد کرده‌اند شروع به لرزش کند.
برخلاف بسیاری از روش‌هایی که انسان‌ها برای پیش‌بینی زمین‌لرزه از آن استفاده می‌کنند، این روش از داده‌های تاریخی استفاده نمی‌کند و تنها به ارتعاشات ناشی از گسل متکی است.
مهمتر از همه، آنچه که محققان انسانی به عنوان نویز با دامنه کم رد کرده بودند، همان سیگنالی است که به یادگیری ماشین اجازه می‌دهد تا پیش بینی‌های خود را انجام دهد.
تیم جانسون این یافته‌ها را روی داده‌های لرزه‌ای از کاسکادیا به کار برد، جایی که آن‌ها یک سیگنال صوتی پیوسته از ناحیه فرورانش را شناسایی کردند که مطابق با سرعت حرکت آن گسل در چرخه زمین لرزه کند است.
یادگیری ماشینی به شما این امکان را می‌دهد که این همبستگی‌ها را که نمی‌دانستید وجود دارند، ایجاد کنید. جانسون می‌گوید و در واقع، برخی از آن‌ها به طرز قابل ملاحظه‌ای شگفت‌انگیز هستند.
یادگیری ماشینی همچنین می‌تواند به ما در ایجاد داده‌های بیشتری برای مطالعه کمک کند. بروزا، موسوی و مارگاریتا سگو، محقق مرکز زمین‌شناسی بریتانیا، با شناسایی شاید ۱۰ برابر بیشتر زمین لرزه‌ها در داده‌های لرزه‌ای که ما از آن آگاه هستیم، به این نتیجه رسیدند که یادگیری ماشینی برای ایجاد پایگاه‌های اطلاعاتی قوی‌تر از زلزله‌هایی که رخ داده مفید است؛ آن‌ها یافته‌های خود را در مقاله‌ای در سال ۲۰۲۱ در مجله «Nature Communications» منتشر کردند.
این مجموعه داده‌های بهبود یافته می‌تواند به ما و ماشین‌ها کمک کند تا زلزله‌ها را بهتر درک کنیم.
جانسون می‌گوید: «می‌دانید، با دلیل موجه، شک و تردیدهای زیادی در جامعه ما وجود دارد. اما من فکر می‌کنم این به ما امکان می‌دهد داده‌ها را ببینیم و تجزیه و تحلیل کنیم و بفهمیم که این داده‌ها به روش‌هایی که هرگز تصورش را هم نمی‌کردیم، حاوی چه چیزی هستند».

حواس حیوانی

در حالی که برخی از محققان بر روی جدیدترین فناوری تمرکز می‌کنند، برخی دیگر به تاریخ نگاه می‌کنند تا برخی مطالعات رادیکال را بر اساس حیوانات تدوین کنند.
یکی از مواردی که در طی ۱۰ سال شرکت در کنفرانس‌های ژئوفیزیک مشاهده کردم، نمازو، یک گربه‌ماهی اسطوره‌ای غول‌پیکر است که در ژاپن تصور می‌شد با شنا کردن در زیر پوسته زمین، زلزله ایجاد می‌کند.
این موجود طلسم غیررسمی زلزله‌شناسی است. قبل از زلزله سال ۱۸۵۵ ادو در ژاپن، یک ماهیگیر فعالیت‌های غیر معمول گربه ماهی را در یک رودخانه ثبت کرد.
در مقاله‌ای در سال ۱۹۳۳ که در نیچر منتشر شد، دو زلزله‌شناس ژاپنی گزارش کردند که گربه‌ماهی در محفظه‌های شیشه‌ای محصور قبل از زلزله با افزایش تحریک رفتار می‌کند – پدیده‌ای که گفته می‌شود آن‌ها را با دقت ۸۰ درصد پیش‌بینی می‌کند.
هر چه حیوانات به منبع زلزله نزدیک‌تر باشند، هشدارهای اولیه بیشتری برای رفتار به ظاهر وحشت‌زده آن‌ها ارائه می‌شود.
این مورد تنها محدود به گربه ماهی نمی‌شود. سوابق مربوط به سال ۳۷۳ قبل از میلاد نشان می‌دهد که بسیاری از گونه ها، از جمله موش‌ها و مارها، چند روز قبل از اینکه شهر یونانی در اثر زلزله ویران شود، شهر یونانی را ترک کردند.
گزارش‌ها حاکی از آن است قبل از زلزله ۱۹۰۶ اسب‌ها شیهه کشیدند و برخی در ساعات اولیه صبح از سانفرانسیسکو گریختند.
مارتین ویکلسکی، مدیر تحقیقاتی در موسسه رفتار حیوانات ماکس پلانک، و همکارانش امکان استفاده از رفتار حیوانات اهلی را برای کمک به پیش‌بینی زمین‌لرزه بررسی کرده‌اند. در سال‌های ۲۰۱۶ و ۲۰۱۷ در مرکز ایتالیا، این تیم سنسورهای حرکتی را به سگ‌ها، گاوها و گوسفندها متصل کردند.
آن‌ها سطح پایه حرکت را تعیین کردند و آستانه‌ای را برای آنچه که رفتار آشفته را نشان می‌داد تعیین کردند: افزایش ۱۴۰ درصدی حرکت نسبت به خط پایه برای دوره‌های طولانی‌تر از ۴۵ دقیقه.
آن‌ها دریافتند که حیوانات قبل از هشت زلزله از ۹ زلزله بزرگتر از ۴ ریشتر، از جمله زلزله مرگبار ۶.۶ ریشتری نورچیا در سال ۲۰۱۶، آشفته شدند.
آن‌ها همچنین دریافتند که هرچه حیوانات به منبع زمین لرزه نزدیک‌تر باشند، هشدارهای اولیه بیشتری برای رفتار به ظاهر وحشت زده آن‌ها ارائه می‌شود.
ویکلسکی در مورد این پدیده فرضیه‌ای دارد: «تصور من از کل موضوع این است که می‌تواند چیزی در هوا باشد، و تنها چیزی که می‌توانم به آن فکر کنم ذرات یونیزه شده [با بار الکتریکی] در هوا است».
الکترومغناطیس یک نظریه عجیب و غریب نیست. نورهای زلزله – تشعشعات درخشان از یک گسل شبیه به شفق قطبی – در طول یا قبل از زمین لرزه‌های متعدد، از جمله زمین لرزه سیچوان در سال ۲۰۰۸ در چین، زلزله ۲۰۰۹ لاکویلا در ایتالیا، زلزله ۲۰۱۷ مکزیکوسیتی و حتی زلزله ۲۰۲۳ در مراکش مشاهده شده است.
فریدمن فروند، دانشمند مرکز تحقیقات ایمز ناسا، دهه‌هاست که این نورها را مطالعه کرده و آن‌ها را به بارهای الکتریکی نسبت می‌دهد که با حرکت در طول گسل در انواع خاصی از سنگ‌ها، مانند گابروها و بازالت‌ها، فعال می‌شوند. شبیه مالیدن جوراب روی فرش و آزاد کردن الکترون‌هایی است که به شما اجازه می‌دهد به کسی شوک وارد کنید.
برخی از محققان مکانیسم‌های مختلفی را پیشنهاد کرده‌اند، در حالی که برخی دیگر این ایده را که نورهای زلزله به هر نحوی با زلزله مرتبط هستند، رد می‌کنند.
متأسفانه، اندازه‌گیری میدان‌های الکترومغناطیسی در پوسته یا سطح زمین کار ساده‌ای نیست.
ما ابزاری نداریم که بتواند مناطق وسیعی از یک میدان الکترومغناطیسی را نمونه برداری کند.
بدون اینکه از قبل بدانیم یک زلزله کجا خواهد بود، اگر نگوییم غیرممکن است، دانستن مکان نصب ابزار برای اندازه گیری چالش برانگیز است.
در حال حاضر، مؤثرترین راه برای اندازه‌گیری چنین میدان‌هایی در زمین، راه‌اندازی کاوشگرها در مکان‌هایی ست که در آن جریان آب زیرزمینی ثابت وجود دارد.
برخی کارها برای جستجوی اختلالات الکترومغناطیسی و یونوسفر ناشی از فعالیت لرزه‌ای و پیش لرزه‌ای در داده‌های ماهواره‌ای انجام شده است، اگرچه این تحقیق هنوز در مراحل اولیه است.

حرکات کوچک

برخی از بزرگ‌ترین تغییرات پارادایم علم بدون هیچ گونه درک مکانیزمی آغاز شدند. به عنوان مثال، این ایده که قاره‌ها حرکت می‌کنند – پدیده اساسی در قلب تکتونیک صفحه – توسط آلفرد وگنر در سال ۱۹۱۲ ارائه شد.
نظریه او اساساً بر این مشاهدات استوار بود که خطوط ساحلی آفریقا و آمریکای جنوبی مطابقت دارند، به گونه‌ای که گویی مثل قطعات پازل کنار هم آمده اند. اما این نظریه به شدت مورد مناقشه قرار گرفت.
او یک عنصر ضروری را در علم مدرن را در نظر نگرفته بود- چرایی. در دهه ۱۹۶۰ بود که پس از پیدا شدن شواهدی مبنی بر ایجاد و نابودی پوسته زمین، تئوری تکتونیک صفحات زمین رسمیت یافت و سرانجام مکانیک این پدیده درک شد.
از آن زمات تاکنون، تعداد فزاینده‌ای از مردم از زوایای مختلف به این مسئله نگاه کردند. پارادایم در حال تغییر بود. وگنر چرخ‌های تغییر را به حرکت درآورده بود.
شاید همین تغییر در حال حاضر با پیش بینی زلزله اتفاق می‌افتد. شاید ده‌ها سال بگذرد تا بتوانیم با اطمینان خاطر به این دوران در تحقیقات زلزله نگاه کنیم و نقش آن را در پیشرفت این حوزه درک کنیم. اما برخی مانند جانسون امیدوار هستند. او می‌گوید: «من فکر می‌کنم این می‌تواند آغاز چیزی مانند انقلاب تکتونیک صفحه‌ای باشد. «ممکن است چیزی مشابه را ببینیم».