Abstract:
بحث پیش بینی زمین لرزه به منظور کاهش تلفات و آسیب های آن از اهمیت بالایی برخورد ار است؛ به ویژه د ر منطقه لرزه خیزی مانند ایران که سالانه شاهد وقوع این پد ید ه طبیعی می باشد . تشخیص ناهنجاری های قبل از زلزله نقش بسزایی د ر این امر د اراست. تغییرات یونسفری که با اند ازه گیری های از راه د ور(مانند استفاد ه از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیش نشانگرهای یونسفری زلزله معروف می باشند . د ر این مطالعه د و مجموعه د اد ه از محتوای الکترون های یونسفر که حاصل از پرد ازش د اد ه های GPS با نرم افزار Bernese است برای د و مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرد اد ۱۳۹۱) و زلزله کاکی بوشهر (20فرورد ین1392) مورد استفاد ه قرار گرفته و نتایج آن با د اد ه های ایستگاه جهانی مقایسه گرد ید ه است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی د ارد بد ین منظور برای پیش بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چند لایه ([2]MLP)) و الگوریتم PSO[3] استفاد ه گرد ید ه است. الگوریتم PSO با عملکرد ی مبتنی بر جمعیت می تواند د ر بهبود وزن برآورد شد ه توسط شبکه عصبی موثر واقع شود . با تجزیه و تحلیل علل ناهنجاری های یونسفر از جمله مید ان های ژئومغناطیسی و فعالیت های خورشید ی و حذف آن ها از پرد ازش های مورد نظر، نتایج حاصل نشان می د هد که برخی از این ناهنجاری ها ناشی از وقوع زلزله است و به کارگیری الگوریتم های هوشمند توانسته است کارآیی مناسبی د ر جهت پیش بینی سری های زمانی غیر خطی د اشته باشد . خروجی حاصل از تلفیق شبک عصبی و PSO نشان می د هد که هر د و ناهنجاری های مثبت و منفی رخ می د هند. ناهنجاری های قبل از زلزله غالبا نزد یک به کانون زلزله رخ می د هند و د ر 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رویت می باشند .
Discussion about earthquake to reduce its casualties and damages is very important، especially in the Seismicity area like Iran that the occurrence of this natural phenomenon is seen annually. Anomalies detection before earthquake is an important role for earthquake prediction. Ionosphere changes that recognition by remote measurements (such as using global positioning system) are known as earthquake ionospheric precursors. In this study two data sets from the ionospheric total electron content (TEC) derived from the GPS data processing by Bernese software used for two studies، Ahar earthquake، East Azerbaijan (2012/08/11) and Kaki earthquake Bushehr (2013/4/9) and the results were compared with data from global stations. Because of the nonlinear behavior TEC changes in order to predict and detect changes of that، integration of neural network (using multilayer Perceptron (MLP)) with particle swarm optimization algorithm (PSO) is used. Particle swarm optimization algorithm performance based on the population and can be effective on improving weight estimated by artificial neural network. By analyzing the causes of ionospheric anomalies such as the geomagnetic field and solar activity and remove them from the process، the results indicate that some of this anomalies caused by the earthquake and using intelligent algorithms could be useful for the prediction of nonlinear time series. The output of the integration of artificial neural network and PSO shows that both positive and negative anomalies occur،the anomalies before earthquakes often occur close to the epicenter and in 3 days before the Ahar earthquake and 2 to 6 days before the Kaki earthquake are visible.