Abstract:
ازآنجا که تشخیص آنومالیهای لرزهای بهدلیل ساختار پیچیدة زمین و عدم شناخت کامل سازوکار وقوع زلزله، دشوار است، دسترسی به دادههای حرارتی متنوع بهدستآمده از روشهای سنجش از دوری سبب شده تا امکان بررسی آنومالی حرارتی قبل از وقوع زلزلههای بزرگ فراهم شود. آنومالیهای حاصل از پیشنشانگرهای حرارتی، از اصلیترین منابع پیشبینی زلزلهاند. در این مطالعه با استفاده از پیشنشانگرهای دمای سطح (Land Surface Temperature)، دمای جو (Atmospheric Temperature)، شار گرمای نهان سطح (Surface Latent Heat Flux) و موج بلند خروجی (Outgoing long-wave radiation) امکان وقوع آنومالی حرارتی قبل از زلزلههای ورزقان (21/05/1391)، بوشهر (20/01/1392) و سراوان (27/01/1392) بررسی شده است. برای تشخیص آنومالی پیش از وقوع زلزله، سری زمانی مربوط به دمای سطح و دمای جو توسط محصولات سنجندۀ MODIS، شار گرمای نهان سطح از کتابخانة GLDAS و موج بلند خروجی از محصولات سنجندة AIRS در دورة زمانی قبل و پس از وقوع زلزله تشکیل شد و با تلفیق شبکۀ عصبی مصنوعی و الگوریتم بهینهسازی کلونی مورچه این سریهای زمانی پیشبینی شده و امکان وقوع آنومالی در آنها بررسی شد. همچنین نتایج حاصل از این روش با نتایج روش شبکۀ عصبی با الگوی آموزش لونبرگ-مارکارد (Levenberg–Marquardt) مقایسه شده است. نتایج این تحقیق نشاندهندة وقوع آنومالی در تغییرات دمای سطح زمین، دمای جو، شار گرمای نهان سطح و موج بلند خروجی ۱۰ تا ۱۳ روز پیش از وقوع زلزلة ورزقان، دمای جو و موج بلند خروجی ۶-۹ روز و شار گرمای نهان سطح ۲ روز پیش از وقوع زلزلة بوشهر و تشخیص آنومالی در تمامی پیشنشانگرهای حرارتی مورد مطالعه ۵ تا ۸ روز پیش از وقوع زلزلة سراوان است.
Machine summary:
در مطالعۀ ديگري در مورد زلزلۀ سراوان ، سريهاي زماني TEC و LST براي ايـن زلزلـه در بـازة زمـاني قبـل و پـس از وقـوع زلزلـه ، توسـط ادغـام روش هـاي PSO (Particle Swarm Intelligence) و شبکۀ عصبي صورت گرفت که در مورد داده هاي TEC ، چهار روز پيش از زلزلۀ آنومالي مشاهده شده است و در مورد LST نيز هشت روز پيش از وقوع زلزله آنومـالي مشـخص شده است .
اين مطالعه بر بررسي سريهاي زماني مربوط بـه پـيش نشـانگرهاي حرارتـي دمـاي سـطح ، دماي جو، شار گرماي نهان سطح و موج بلند خروجـي بـا اسـتفاده از شـبکۀ عصـبي و ترکيـب شبکۀ عصبي مصنوعي و الگوريتم بهينه سازي کلـوني مورچـه تمرکـز دارد.
بـا توجـه بـه نتـايج به دست آمده از ترکيب شبکۀ عصبي و الگوريتم بهينه سازي مورچـه در مطالعـات ديگـر [١١] و همچنين توانايي شبکۀ عصبي در تشخيص آنومالي هاي مربـوط بـه زلزلـه در پـيش نشـانگرهاي حرارتي [٩]، از ترکيب شبکۀ عصبي و الگوريتم بهينه سازي کلوني مورچه براي بررسـي توانـايي هاي اين روش در برابر روش هاي آماري مانند ميانه و شبکۀ عصبي در مورد زلزله هـاي يادشـده استفاده شد.
تئوري در اين مطالعه از چهار پيش نشانگر حرارتي استفاده شده است که عبارت اند از: دماي سطح زمين : اين پارامتر با استفاده از روش هاي روز و شب و Split Window با توان تفکيک مکاني يک کيلـومتر و بـا اسـتفاده از اطلاعـات حاصـل از بانـدهاي ٣١ و ٣٢ سـنجندة MODIS با دقت مناسبي محاسبه مي شود، در طول دو دهۀ گذشته پيشرفت هـاي چشـمگيري در تخمين اين پارامتر صورت گرفته است [١٢].