فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: یکی از مخرب‌ترین مخاطرات محیطی، زلزله است. از اینرو پیش بینی و پیش‌یابی این مخاطره برای کاهش پیامدهای آن و بهبود امر مدیریت بحران در زمرۀ مهمترین اهداف پژوهشگران محسوب می‌شود.  با استفاده از شاخص‌های لرزه‌خیزی و بکارگیری تکنیک‌های یادگیری ماشینی، الگوهای رفتار لرزه‌خیزی در یک منطقه لرزه‌زا آشکار می‌شود. این روش‌ها توانمندی ویژه‌ای در مدل‌سازی رفتارهای غیرخطی داده‌های لرزه‌ای نشان داده‌اند. از اینرو امروزه به ابزاری برای درک پدیده‌های طبیعی تبدیل شده‌اند.مواد و روش‌ها: در مطالعۀ حاضر کاتالوگ زلزله‌های استان زمین‌ساختی البرز-آذربایجان در بازۀ زمانی اول ژانویه 1995 تا 23 ژانویه 2024 تدوین شده است. تبدیلات بزرگای زلزله‌ها به بزرگای گشتاوری به منظور همگن نمودن کاتالوگ انجام شده است. سپس براساس تغییرات زمانی مقدار بزرگای کامل بودن، آستانۀ بزرگای مطالعه در استان زمین‌ساختی البرز-آذربایجان تعیین شده است تا در ادامه دقت لازم برای تجزیه و تحلیل‎ها فراهم گردد. سه روش یادگیری ماشینی شامل شبکه عصبی مصنوعی (Artificial Neural Network) ، جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (Support Vector Machine) برای پیش بینی زمان و بزرگای زلزله‌ها انتخاب شدند، نه شاخص معرف رفتار لرزه‌خیزی برای کاتالوگ زلزله‌های البرز- آذربایجان برآورد شد تا پس از اجرای تکنیک‌های مذکور میزان خطای برآوردها در قالب چهار نوع برآورد خطا  (F1 Score, Recall, Precision, Accuracy)محاسبه و گزارش گردد. نتایج و بحث: یادگیری ماشینی در این مطالعه با استفاده از 245 بردار در قالب 9 شاخص انجام شده است. برچسب "1" نشان دهنده وقوع حداقل یک زمین لرزه با بزرگی برابر یا بالاتر از آستانۀ بزرگای گشتاوری5.5 است، در حالی که برچسب "0" نشان دهنده عدم وجود فعالیت لرزه‌ای زمین لرزه‌هایی با بزرگای کمتر از 5.5 است. در این پژوهش 80 درصد از بردارهای داده برای آموزش مدل بکارگرفته می‌شود و20 % از بردارهای داده به عنوان آزمون استفاده می‌شود. یافته‌ها از مقادیر حاصل از خطای هشدارهای درست و غلط تخمین زده شده برای هریک از تکنیک‌های یادگیری ماشینی برای داده‌های لرزه‌ای البرز -آذربایجان، حاکی از موفقیت هر سه تکنیک یادگیری ماشینی در پیش بینی رویداد‌های کاتالوگ لرزه‌ای البرز- آذربایجان است. بطورکلی، دقت بالای 95% برای هر سه تکنیک حاصل شده است.نتیجه‌گیری: یافته‌ها معرف موفقیت این تکنیک‌ها در تخمین چرخۀ انباشت تنش و رهاسازی مرتبط با فعالیت لرزه‌ای در استان زمینساختی البرز- آذربایجان است.. با اختلاف اندک برای داده‌های لرزه‌ای البرز- آذربایجان، دقت روش جنگل تصادفی(Random Forest)  ، بالاتر حاصل شده است. مقادیر دقت حاصل از بکارگیری روش‌های منتخب در این پژوهش حاکی از آن است روش بهینه در تکنیک یادگیری ماشینی به تنوع داده‌ها و تعداد آنها بستگی دارد. در مورد داده‌های مخاطرات طبیعی، به ویژه مخاطرات ژئوفیزیکی، تفاوت در سطح موفقیت روش‌های یادگیری ماشینی تابعی از ویژگی‌های تکتونیکی و زمین‌شناسی محیط است. بکارگیری تکنیک‌های یادگیری ماشینی در جهت آمادگی و کاهش پیامدهای محیطی و مدیریت بحران زلزله نوید بخش است.