شهدت عمليات تحليل البيانات المرئية، خاصة تلك المتعلقة بالزلازل، تطورًا كبيرًا مع ظهور نماذج أساسية مدربة مسبقًا، مثل نموذج Segment Anything (SAM). يُعتبر هذا النموذج أداة قوية بسبب قدرته على إجراء تقسيمات دقيقة بلا الحاجة إلى تعديل مسبق مخصص (zero-shot segmentation) من خلال التفاعل مع البيانات. لكن، على الرغم من قوته، يعتمد معظم الاستخدامات الحالية لـ SAM على التعديل الدقيق لأهداف جغرافية محددة، مما يتطلب بيانات موسومة كبيرة وتكاليف حسابية مرتفعة.

في هذه الدراسة، تم تقديم إطار عمل مبدع لتكييف نموذج SAM مع بيانات الزلازل بشكل ضمني. يتكون هذا الإطار من مكونين رئيسيين: الأول هو ملاءمة خصائص الزلازل وطرق التصوير (مثل خريطة الألوان) مع الهدف الجيولوجي المعني، والثاني هو استخدام استراتيجية استجابة هجينة تجمع بين نقاط محددة من قبل المستخدم وقناع كثيف مستمد من تفعيلات النموذج الداخلية.

تم تقييم هذا الإطار بشكل منهجي عبر أهداف جغرافية متعددة ومجموعات بيانات مختلفة، مما أظهر تعزيزًا في قدرة الفصل بين الميزات الجيولوجية وزيادة دقة تحديد الحدود وتقسيمها بالمقارنة مع الاستجابة النقاطية فقط. وأظهرت النتائج أن تطبيق هذه المكونات بشكل متزامن يمكن SAM من تحقيق أداء تنافسي في بيئة كاملة دون الحاجة إلى إعادة تدريب النموذج لكل خاصية جيولوجية.

هذا البحث يفتح آفاقاً جديدة للاستفادة من نماذج الأساس في تفسيرات الزلازل، مما يقلل الاعتماد على البيانات الموسومة مع الحفاظ على عمومية النموذج.