الكشف عن الزلازل عبر النظام الشمسي

تواجه بعثات علم الزلازل الكوكبية صعوبة في تلبية متطلبات الطاقة اللازمة لإرسال بيانات زلزالية مستمرة إلى الأرض. ولكن جزءًا ضئيلًا فقط من هذه البيانات مفيد علميًا! فبدلاً من إرسال جميع البيانات المجمعة، ماذا لو تمكنا من برمجة مركبة هبوط لتمييز الإشارات عن الضوضاء، وإرسال البيانات التي نهتم بها فقط؟ يتمثل التحدي الذي تواجهه في كتابة برنامج كمبيوتر لتحليل البيانات الحقيقية من بعثات أبولو ومركبة الهبوط على المريخ إنسايت لتحديد الزلازل الزلزالية داخل الضوضاء!

الخلفية

إن البحث في علم الزلازل الكوكبي مقيد بشكل أساسي بسبب نقص البيانات بسبب صعوبة نقل الإشارات الزلزالية عالية الدقة إلى الأرض. إن كمية الطاقة المطلوبة لنقل البيانات تتناسب مع المسافة، لذا فكلما كان الجسم المستهدف بعيدًا عن الأرض، كلما كانت هناك حاجة إلى طاقة أكبر لنقل نفس الكمية من البيانات. الزلازل أحداث نادرة عادةً، وهذا يعني أنه على الرغم من تسجيل كميات كبيرة من البيانات المستمرة وإرسالها إلى الأرض، فإن جزءًا صغيرًا فقط من هذه البيانات يحتوي على إشارات مفيدة. هذا القيد مهم بشكل خاص لأن علماء الزلازل من المرجح أن يتقاسموا المركبة مع فرق علمية من تخصصات أخرى لديها أهداف وأدوات مختلفة، وقد تنقل بعضها كميات أكبر من البيانات إلى الأرض. وبالتالي، يتم تسجيل البيانات بدقة أقل أو باستخدام عدد أقل من الأدوات مما قد يكون مثاليًا لتحقيق العلم المطلوب.

الحل المحتمل لهذه المشكلة هو تشغيل خوارزميات على المركبة للتمييز بين البيانات الزلزالية والضوضاء، بحيث يمكن استخراج الإشارات المفيدة فقط وإرسالها إلى الأرض. من الصعب القيام بذلك عمليًا، حيث تميل الإشارات الزلزالية على الكواكب الأخرى إلى الظهور بشكل مختلف عن تلك الموجودة على الأرض، وقد لا تكون الإشارة ملحوظة إلا بشكل خافت في الضوضاء.

الأهداف

يتمثل التحدي الخاص بك في كتابة برنامج كمبيوتر لتحليل البيانات الحقيقية من بعثات أبولو واستكشاف باطن المريخ باستخدام مركبة الهبوط الخاصة بالتحقيقات الزلزالية والجيوديسيا ونقل الحرارة (InSight) لتحديد الأحداث الزلزالية! يوفر قسم موارد الأمثلة حزمة بيانات تحتوي على سجلات زلزالية مستمرة من هذه البعثات مرتبة في مجموعات فرعية للتدريب والاختبار، وكتالوجات توضح متى تحدث السجلات الزلزالية المعروفة في بيانات التدريب، ودفتر ملاحظات Python Jupyter يحتوي على أكواد مفيدة لمساعدتك في البدء. يمكن لفريقك إلقاء نظرة على هذه السجلات لفهم خصائص بيانات الزلازل الكوكبية، ثم محاولة العثور على جميع الأحداث الزلزالية في مجموعة بيانات الاختبار. ربما تجد بعض الأحداث الإضافية غير الموجودة في الكتالوجات الحالية!

كيف يمكنك التعامل مع هذا التحدي؟ هل ستقوم ببناء خوارزمية لتقييم البيانات المعروفة في كتالوج ثم تطبيق الخوارزمية على البيانات غير المدرجة في الكتالوج؟ تقيس خوارزميات متوسط ​​المدى القصير ومتوسط ​​المدى الطويل (STA/LTA) الاختلافات في الطاقة عبر أجزاء قصيرة وطويلة من البيانات. مع بعض التعديلات، يمكنك تطبيق خوارزميات تقليدية مثل STA/LTA على البيانات. لا تنس أن تنتبه للبيانات المفقودة والأخطاء، وكلاهما شائع في بيانات الكواكب! في الآونة الأخيرة، حققت تقنيات التعلم الآلي نجاحًا في استخراج الإشارات الزلزالية من بيانات الكواكب. لتسهيل هذه الأنواع من طرق التعلم الآلي، والتي تتطلب عادةً الكثير من بيانات التدريب، يحتوي Python Jupyter Notebook على مثال يوضح كيفية تنزيل مجموعات بيانات إضافية للنشاط الزلزالي للأرض. ولا تنس استخدام كود مفتوح المصدر لمشروعك، حتى نتمكن من معرفة كيفية تعاملك مع التحدي.

لست قويًا في تطوير الخوارزميات؟ لا مشكلة! لا تتردد في مراجعة البيانات واختيار أوقات الأحداث الزلزالية يدويًا. حاول أن ترى مدى دقة تحديد بداية كل موجة زلزالية.

اعتبارات محتملة

يمكنك (ولكن ليس مطلوبًا منك) أن تفكر فيما يلي:

دقة طريقتك مهمة وكذلك الإبداع، لذا فكر خارج الصندوق!
بيانات الزلازل الكوكبية فوضوية، مع نسبة إشارة إلى ضوضاء منخفضة. قد تضطر إلى القيام ببعض معالجة الإشارات مثل تشغيل مرشحات التردد العالي لتسهيل حياتك قليلاً!

إذا كان فريقك يتبنى نهج تطوير الخوارزمية، فناقش ما إذا كان يجب تصميم خوارزميات مختلفة لكل مجموعة بيانات أو خوارزمية واحدة قابلة للتكيف لجميع البيانات.

إذا كان فريقك يتبنى النهج اليدوي، ففكر في كيفية عرض الموجات الزلزالية بطرق مختلفة. كن مبدعًا!

قد تكون هذه الاهتزازات الزلزالية غير منضبطة، مع الكثير من الأخطاء. إذا كان فريقك يواجه صعوبة، فحاول تغيير تمثيل البيانات.

للحصول على البيانات والموارد المتعلقة بهذا التحدي، راجع علامة التبويب الموارد في أعلى الصفحة. من الممكن إضافة المزيد من الموارد قبل بدء الهاكاثون.