تشخیص آنومالی‌‌های حرارتی قبل از وقوع زلزله با تلفیق الگوریتم‌های شبکة عصبی مصنوعی و بهینه‌سازی کلونی مورچه

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 کارشناس ارشد، مهندسی سنجش از دور، گروه مهندسی نقشه‌برداری پردیس دانشکده‌های فنی، دانشگاه تهران، ایران

2 استادیار، گرایش سنجش از دور گروه مهندسی نقشه برداری پردیس دانشکده‌های فنی، دانشگاه تهران، ایران

3 دانشیار، گرایش سنجش از دور گروه مهندسی نقشه برداری پردیس دانشکده‌های فنی، دانشگاه تهران، ایران

چکیده

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.

کلیدواژه‌ها


 
[1].  Asteriadis, G. and E. Livieratos (1988). Pre-seismic responses of underground water level and temperature concerning a 4.8 magnitude earthquake in Greece on October 20, 1988. Tectonophysics, 170(1), p. 165-169.
[2].  Zu-ji, Q., X. Xiu-Deng, and D. Chang-Gong (1991). Thermal infrared anomaly precursor of impending earthquakes. Chinese Science Bulletin, 36(4), p. 319-323.
[3].  Freund, F. (2009). Stress-activated positive hole charge carriers in rocks and the generation of pre-earthquake signals. Electromagnetic Phenomena Associated with Earthquakes, Transworld Research Network, Trivandrum, p. 41-96.
[4].  Ouzounov, D., et al. (2006). Satellite thermal IR phenomena associated with some of the major earthquakes in 1999–2003. Physics and Chemistry of the Earth, Parts A/B/C,31(4) , p. 154-163.
[5].  Ouzounov, D. and F. Freund (2004). Mid-infrared emission prior to strong earthquakes analyzed by remote sensing data. Advances in Space Research, 33(3), p. 268-273.
[6].  Tronin, A., et al. (2004). Temperature variations related to earthquakes from simultaneous observation at the ground stations and by satellites in Kamchatka area. Physics and Chemistry of the Earth, Parts A/B/C, 29(4), p. 501-506.
[7].  Tronin, A.A., M. Hayakawa, and O.A. Molchanov (2002). Thermal IR satellite data application for earthquake research in Japan and China. Journal of Geodynamics, 33(4), p. 519-534.
[8].  Saradjian, M. and M. Akhoondzadeh (2011). Thermal anomalies detection before strong earthquakes (M> 6.0) using interquartile, wavelet and Kalman filter methods. Natural Hazards and Earth System Science, 11(4), p. 1099-1108.
[9].  Akhoondzadeh, M. (2013). A comparison of classical and intelligent methods to detect potential thermal anomalies before the 11 August 2012 Varzeghan, Iran, earthquake (M w= 6.4). Natural Hazards and Earth System Science, 13(4), p. 1077-1083.
[10].  Akhoondzadeh, M. (2013). Thermal and TEC anomalies detection using an intelligent hybrid system around the time of the Saravan, Iran,(Mw= 7.7) earthquake of 16 April 2013. Advances in Space Research, 2014. 53(4), p. 647-655.
[11].  Blum, C. and K. Socha (2005). Training feed-forward neural networks with ant colony optimization: An application to pattern classification. in Hybrid Intelligent Systems, 2005. HIS'05. Fifth International Conference on, IEEE.
[12].  Wan, Z. and Z.-L. Li (1997). A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data. Geoscience and Remote Sensing, IEEE Transactions on, 35(4), p. 980-996.
[13].  Panda, S., et al. (2007). MODIS land surface temperature data detects thermal anomaly preceding 8 October 2005 Kashmir earthquake. International Journal of Remote Sensing, 28(20), p. 4587-4596.
[14].  Ouzounov, D., et al. (2011). Atmospheric signals associated with major earthquakes. A multi-sensor approach.
[15].  Dey, S. and R. Singh (1999). Surface latent heat flux as an earthquake precursor. Natural Hazards and Earth System Science, 3(6), p. 749-755.
[16].  Chen, M., et al. (2006). Surface latent heat flux anomalies prior to the Indonesia Mw9. 0 earthquake of 2004. Chinese Science Bulletin, 51(8), p. 1010-1013.
[17].  Ouzounov, D., et al. (2007). Outgoing long wave radiation variability from IR satellite data prior to major earthquakes. Tectonophysics, 431(1), p. 211-220.
[18].  Pulinets, S., et al. (2006). Thermal, atmospheric and ionospheric anomalies around the time of the Colima M7. 8 earthquake of 21 January 2003. in Annales Geophysicae.
[19].  Xiong, P., Y. Bi, and X. Shen (2009). A Wavelet-Based Method for Detecting Seismic Anomalies in Remote Sensing Satellite Data, in Machine Learning and Data Mining in Pattern Recognition, Springer, p. 569-581.
[20].  Akhoondzadeh, M. (2013).  A MLP neural network as an investigator of TEC time series to detect seismo-ionospheric anomalies, Advances in Space Research, 51(11), p. 2048-2057.
[21]. Akhoondzadeh, M. and M. Saradjian (2011). TEC variations analysis concerning Haiti (January 12, 2010) and Samoa (September 29, 2009) earthquakes, Advances in Space Research, 47(1), p. 94-104.
[22].  Zhang, G.P. (2001). An investigation of neural networks for linear time-series forecasting. Computers & Operations Research, 28(12), p. 1183-1202.
[23].  Dorigo, M. and L.M. Gambardella (1997). Ant colony system: a cooperative learning approach to the traveling salesman problem, Evolutionary Computation, IEEE Transactions on, 1(1), p. 53-66.
[24].  Pao, H.-T. (2007). Forecasting electricity market pricing using artificial neural networks. Energy Conversion and Management, 48(3), p. 907-912.