تشخيص آنامولي هاي TEC قبل از وقوع زلزله هاي بزرگ با تلفيق شبكه عصبي مصنوعي و الگوريتم بهينه سازي توده ذرات(PSO)

TEC anomaly detection before strong earthquake, using integration of artificial neural network with particle swarm optimization algorithm (PSO)

بحث پيش بيني زمين لرزه به منظور كاهش تلفات و آسيب هاي آن از اهميت بالايي برخوردار است؛ به ويژه در منطقه لرزه خيزي مانند ايران كه سالانه شاهد وقوع اين پديده طبيعي مي باشد. تشخيص ناهنجاري هاي قبل از زلزله نقش بسزايي در اين امر داراست. تغييرات يونسفري كه با اندازه گيري هاي از راه دور(مانند استفاده از سيستم تعيين موقعيت جهاني) قابل شناسايي هستند به پيش نشانگرهاي يونسفري زلزله معروف مي باشند. در اين مطالعه دو مجموعه داده از محتواي الكترون هاي يونسفر كه حاصل از پردازش داده هاي GPS با نرم افزار Bernese است براي دو مورد مطالعاتي زلزله اهر آذربايجان شرقي (?? مرداد ????) و زلزله كاكي بوشهر (20فروردين1392) مورد استفاده قرار گرفته و نتايج آن با داده هاي ايستگاه جهاني مقايسه گرديده است. از آنجا كه تغييرات TEC رفتاري غيرخطي دارد بدين منظور براي پيشبيني و تشخيص تغييرات آن از تلفيق شبكه عصبي ( با به كارگيري پرسپترون چندلايه ( MLP)) و الگوريتم PSO استفاده گرديده است. الگوريتم PSO با عملكردي مبتني بر جمعيت مي تواند در بهبود وزن برآورد شده توسط شبكه عصبي موثر واقع شود. با تجزيه و تحليل علل ناهنجاري هاي يونسفر از جمله ميدان هاي ژيومغناطيسي و فعاليت هاي خورشيدي و حذف آنها از پردازش هاي مورد نظر، نتايج حاصل نشان مي دهد كه برخي از اين ناهنجاري ها ناشي از وقوع زلزله است و به كارگيري الگوريتم هاي هوشمند توانسته است كارآيي مناسبي در جهت پيش بيني سري هاي زماني غير خطي داشته باشد. خروجي حاصل از تلفيق شبك عصبي و PSO نشان مي دهد كه هر دو ناهنجاري هاي مثبت و منفي رخ مي دهند. ناهنجاري هاي قبل از زلزله غالباً نزديك به كانون زلزله رخ مي دهند و در 3 روز قبل از زلزله اهر آذربايجان شرقي و 2 تا 6 روز قبل از زلزله كاكي بوشهر قابل رويت مي 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.