@article { author = {Choubsaz, Sepehr and Akhoondzadeh, Mehdi and Saradjian, Mohammad Reza}, title = {Thermal Anomaly Detection prior to earthquakes with training artificial neural networks with ant colony optimization}, journal = {Environmental Management Hazards}, volume = {2}, number = {2}, pages = {207-224}, year = {2015}, publisher = {}, issn = {2423-415X}, eissn = {2423-4168}, doi = {10.22059/jhsci.2015.55062}, abstract = {Remote sensing techniques made it possible to study thermal anomalies prior to major earthquakes regardless of complications in comprehending earthquake mechanisms. Thermal pre-cursors are one the main resources for earthquake prediction. In this article, land surface temperature, atmospheric temperature, surface latent heat flux and outgoing long-wave radiation have been studied to detect anomalies prior to Varzaghan (August 11, 2012), Boushehr (April 9, 2013) and Saravan (April 16, 2013) earthquakes. To detect earthquake related anomalies, time series of each pre-cursor has been produced within the period of earthquake, land surface temperature and atmospheric temperature were acquired from MODIS products, surface latent heat flux from GLDAS library and outgoing long-wave radiation from AIRS products. These time series were predicted by an artificial neural network with ant colony optimization training method. The results of this study were compared with artificial neural network with Levenberg-Marquardt training algorithm. It has been shown that 10 to 13 days before Varzaghan earthquake, anomalies has appeared in all of the mentioned precursors, in case of Boushehr earthquake 6 to 9 days before the event, anomalies appeared in atmospheric temperature and outgoing long-wave radiation and also a strong anomaly appeared in surface latent heat flux 2 days prior to earthquake and in Saravan earthquakes anomalies have been detected 5 to 8 days before the earthquake in all of the studied thermal pre-cursors.}, keywords = {anomaly,earthquake,Artificial Neural Network,Ant colony Optimization,Thermal Pre-cursor}, title_fa = {تشخیص آنومالی‌‌های حرارتی قبل از وقوع زلزله با تلفیق الگوریتم‌های شبکة عصبی مصنوعی و بهینه‌سازی کلونی مورچه}, abstract_fa = {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.}, keywords_fa = {anomaly,earthquake,Artificial Neural Network,Ant colony Optimization,Thermal Pre-cursor}, url = {https://jhsci.ut.ac.ir/article_55062.html}, eprint = {https://jhsci.ut.ac.ir/article_55062_3ea15513e9c99943d50ddb61df23a13c.pdf} }