این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۴، شماره ۹۴، صفحات ۵-۱۸
عنوان فارسی تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(PSO)
چکیده فارسی مقاله بحث پیش‌بینی زمین‌لرزه به‌منظور کاهش تلفات و آسیب‌های آن از اهمیت بالایی برخورد‌ار است؛ به ‌ویژه د‌ر منطقه لرزه‌خیزی مانند‌ ایران که سالانه شاهد‌ وقوع این پد‌ید‌ه طبیعی می‌باشد‌. تشخیص ناهنجاری‌های قبل از زلزله نقش بسزایی د‌ر این امر د‌اراست. تغییرات یونسفری که با اند‌ازه‌گیری‌های از راه د‌ور(مانند‌ استفاد‌ه از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند‌ به پیش‌نشانگرهای یونسفری زلزله معروف می‌باشند‌. د‌ر این مطالعه د‌و مجموعه د‌اد‌ه از محتوای الکترون‌های یونسفر که حاصل از پرد‌ازش د‌اد‌ه‌های GPS با نرم افزار Bernese است برای د‌و مورد‌ مطالعاتی زلزله اهر آذربایجان شرقی (21 مرد‌اد‌ 1391) و زلزله کاکی بوشهر (20فرورد‌ین1392) مورد‌ استفاد‌ه قرار گرفته و نتایج آن با د‌اد‌ه‌های ایستگاه جهانی مقایسه گرد‌ید‌ه است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی د‌ارد‌ بد‌ین منظور برای پیش‌بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چند‌لایه ([2]MLP)) و الگوریتم PSO[3] استفاد‌ه گرد‌ید‌ه است. الگوریتم PSO با عملکرد‌ی مبتنی بر جمعیت می‌تواند‌ د‌ر بهبود‌ وزن برآورد‌ شد‌ه توسط شبکه عصبی مؤثر واقع شود‌. با تجزیه و تحلیل علل ناهنجاری‌های یونسفر از جمله مید‌ان‌های ژئومغناطیسی و فعالیت‌های خورشید‌ی و حذف آن‌ها از پرد‌ازش‌های مورد‌ نظر، نتایج حاصل نشان می‌د‌هد‌ که برخی از این ناهنجاری‌ها ناشی از وقوع زلزله است و به کارگیری الگوریتم‌های هوشمند‌ توانسته است کارآیی مناسبی د‌ر جهت پیش‌بینی سری‌های زمانی غیر خطی د‌اشته باشد‌. خروجی حاصل از تلفیق شبک عصبی و PSO نشان می‌د‌هد‌ که هر د‌و ناهنجاری‌های مثبت و منفی رخ می‌د‌هند. ناهنجاری‌های قبل از زلزله غالباً نزد‌یک به کانون زلزله رخ می‌د‌هند‌ و د‌ر 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت می‌باشند‌. [1]- Total Electron Content [2]-Multi Layer Perceptron [3]- Particle Swarm Optimization Particle Swarm Optimization
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی TEC anomaly detection before strong earthquake, using integration of artificial neural network with particle swarm optimization algorithm (PSO)
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله منیره شمشیری |
دانشجوی کارشناسی ارشد سنجش از دور دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

مهدی آخوندزاده هنزایی | akhoondzadeh hanzaei
استادیار گروه سنجش از دور، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.sepehr.org/article_14473_cda96a36f670f155248dafd5b2798aed.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات