แผ่นดินไหว กับ Data Science

แม้ว่านักวิทยาศาสตร์จะไม่สามารถทำนายการเกิดแผ่นดินไหวอย่างน่าเชื่อถือได้โดยการระบุ เวลา สถานที่ และความรุนแรง แต่สามารถประมาณความน่าจะเป็นของการเกิดแผ่นดินไหวในพื้นที่บางแห่งในช่วงระยะเวลาหนึ่งได้

แหล่งข้อมูลอ้างอิง -> https://www.usgs.gov/faqs/can-you-predict-earthquakes

การทำนายเทียบกับการคาดการณ์ล่วงหน้าในการเกิดแผ่นดินไหว ( Prediction vs Forecasting)

• การทำนาย (Prediction): การทำนายแผ่นดินไหวอย่างแม่นยำต้องทราบวันที่ เวลา สถานที่ และขนาดที่แน่นอน ซึ่งปัจจุบันเกินขีดความสามารถทางวิทยาศาสตร์
• การคาดการณ์ล่วงหน้า (Forecasting): นักวิทยาศาสตร์สามารถคาดการณ์ความน่าจะเป็นของการเกิดแผ่นดินไหวในภูมิภาคใดภูมิภาคหนึ่งภายในกรอบเวลาหนึ่ง โดยอ้างอิงจากการเกิดแผ่นดินไหวในอดีต ข้อมูลทางธรณีวิทยา และปัจจัยอื่นๆ

เหตุใดการทำนายจึงทำได้ยาก?

• แผ่นดินไหวเกิดจากกระบวนการทางธรณีวิทยาที่ซับซ้อน ซึ่งบางส่วนนักวิทยาศาสตร์ยังไม่เข้าใจอย่างถ่องแท้
• เปลือกโลกเคลื่อนที่และเปลี่ยนรูปอยู่ตลอดเวลา ทำให้ยากต่อการระบุช่วงเวลาที่แน่ชัดว่าจะเกิดการแตกร้าว

สิ่งที่นักวิทยาศาสตร์ทำ

• การทำแผนที่แผ่นดินไหว (Seismic hazard mapping): นักวิทยาศาสตร์สร้างแผนที่ที่แสดงความน่าจะเป็นของการเกิดแผ่นดินไหวในพื้นที่ต่างๆ ช่วยให้ชุมชนต่างๆ เตรียมพร้อมรับมือกับอันตรายที่อาจเกิดขึ้น (ดูรูปที่ 1)
• การตรวจสอบแผ่นดินไหว (Seismic monitoring): เครือข่ายเครื่องวัดแผ่นดินไหวจะตรวจสอบความน่าจะเป็นในการเกิดแผ่นดินไหวอย่างต่อเนื่อง ทำให้นักวิทยาศาสตร์สามารถติดตามรูปแบบและแนวโน้มได้
• การวิจัยและพัฒนา: นักวิทยาศาสตร์กำลังค้นคว้าวิธีการและเทคโนโลยีใหม่ๆ อย่างต่อเนื่องเพื่อปรับปรุงการพยากรณ์แผ่นดินไหวและอาจจะรวมถึงการคาดการณ์ในอนาคตด้วย

เน้นการบรรเทาผลกระทบ

• แม้ว่าการคาดการณ์แผ่นดินไหวที่แม่นยำยังคงเป็นเรื่องที่ทำได้ยาก แต่สิ่งที่ทำได้คือการพัฒนาการออกแบบอาคารที่ทนทานต่อแผ่นดินไหวและแผนการตอบสนองต่อเหตุฉุกเฉินที่มีประสิทธิภาพ
• ระบบเตือนภัยล่วงหน้าซึ่งสามารถส่งสัญญาณเตือนได้ไม่กี่วินาทีก่อนเกิดแผ่นดินไหวกำลังได้รับการพัฒนาและนำไปใช้งานในบางพื้นที่

☑️ การประยุกต์ใช้

การประเมินความเสียหายและการตอบสนองต่อเหตุการณ์

• Computer Vision รวมไปถึงข้อมูล Lidar วิเคราะห์ภาพถ่ายดาวเทียมและโดรนเพื่อประเมินความเสียหายของอาคารอย่างรวดเร็ว (ดูรูปที่ 2)
• การประมวลผลภาษาธรรมชาติ (Natural Language Processing) จะกรองข้อมูลจาก Social media เพื่อค้นหาผู้ที่ต้องการความช่วยเหลือ
• การวิเคราะห์ Network จะระบุโครงสร้างพื้นฐานที่เสี่ยงภัยและปรับเส้นทางที่สามารถใช้งานได้

ตัวอย่าง การใช้ข้อมูลเพื่อให้ความช่วยเหลือและบรรเทาความเสียหาย เนื่องจาก Aftershock ของการเกิดแผ่นดินไหวรอยเลื่อนสะกาย (Sagaing) เมียนมา ขนาด 7.7 ริกเตอร์ ซึ่งส่งผลกระทบต่อประเทศไทย วันที่ 28 มี.ค. 68

การวางแผนโครงสร้างพื้นฐาน

• แบบจำลองจะทดสอบการออกแบบอาคารกับสถานการณ์แผ่นดินไหวต่างๆ
• อัลกอริทึมในการประเมินความเสี่ยงจะช่วยกำหนดรหัสอาคารตามพื้นที่ต่างๆ
• Digital Twin ช่วยให้ผู้วางแผนมองเห็นจุดอ่อนและวางแผนได้อย่างมีประสิทธิภาพ

การฟื้นฟูหลังแผ่นดินไหว

• การวิเคราะห์เชิงทำนาย (Predictive Analytics) จะคาดการณ์ความต้องการทรัพยากรสำหรับชุมชนที่ได้รับผลกระทบ
• การแสดงผลข้อมูลด้วยภาพ (Data Visualization) จะช่วยประสานงานการดำเนินการฟื้นฟูที่มีความซับซ้อน (ดูรูปที่ 3)
• การวิเคราะห์ความรู้สึก (Sentiment Analysis) จะตรวจสอบความเป็นอยู่ที่ดีของชุมชนระหว่างการฟื้นฟู