تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(PSO)
نویسندگان
1 استادیار گروه سنجش از دور، دانشگاه تهران
2 دانشجوی کارشناسی ارشد سنجش از دور دانشگاه تهران
doi
10.22131/sepehr.2015.14473چکیده
بحث پیشبینی زمینلرزه بهمنظور کاهش تلفات و آسیبهای آن از اهمیت بالایی برخوردار است؛ به ویژه در منطقه لرزهخیزی مانند ایران که سالانه شاهد وقوع این پدیده طبیعی میباشد. تشخیص ناهنجاریهای قبل از زلزله نقش بسزایی در این امر داراست. تغییرات یونسفری که با اندازهگیریهای از راه دور(مانند استفاده از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیشنشانگرهای یونسفری زلزله معروف میباشند. در این مطالعه دو مجموعه داده از محتوای الکترونهای یونسفر که حاصل از پردازش دادههای GPS با نرم افزار Bernese است برای دو مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرداد ۱۳۹۱) و زلزله کاکی بوشهر (20فروردین1392) مورد استفاده قرار گرفته و نتایج آن با دادههای ایستگاه جهانی مقایسه گردیده است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی دارد بدین منظور برای پیشبینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چندلایه ([2]MLP)) و الگوریتم PSO[3] استفاده گردیده است. الگوریتم PSO با عملکردی مبتنی بر جمعیت میتواند در بهبود وزن برآورد شده توسط شبکه عصبی مؤثر واقع شود. با تجزیه و تحلیل علل ناهنجاریهای یونسفر از جمله میدانهای ژئومغناطیسی و فعالیتهای خورشیدی و حذف آنها از پردازشهای مورد نظر، نتایج حاصل نشان میدهد که برخی از این ناهنجاریها ناشی از وقوع زلزله است و به کارگیری الگوریتمهای هوشمند توانسته است کارآیی مناسبی در جهت پیشبینی سریهای زمانی غیر خطی داشته باشد. خروجی حاصل از تلفیق شبک عصبی و PSO نشان میدهد که هر دو ناهنجاریهای مثبت و منفی رخ میدهند. ناهنجاریهای قبل از زلزله غالباً نزدیک به کانون زلزله رخ میدهند و در 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت میباشند. [1]- Total Electron Content [2]-Multi Layer Perceptron [3]- Particle Swarm Optimization Particle Swarm Optimization
