پیش بینی زمانی زلزله با استفاده از شبکه عصبی

به دلیل وجود پیچیدگی هایی در پیش بینی زلزله های آینده، الگوریتم های یادگیری ماشینی توسط چندین محقق برای افزایش در دقت پیش بینی مورد استفاده قرار گرفته است. علاوه بر این، متغیرهایی هم با همبستگی کمتر به طور معمول در تحلیل ویژگی حذف شده و وارد مدل نشدند. در کل این مطالعه به معرفی و بررسی اثر پارامترهای فضایی بر عملکرد چهار الگوریتم ML برای پیش بینی بزرگی در زلزله های آینده در ایران به عنوان یکی از کشورهای زلزله خیز جهان می پردازد. ما عملکرد روش های معمول مانند، بردار پشتیبان ماشین (SVM)، درخت تصمیم (DT)و شبکه عصبی کم عمق (SNN)را با روش شبکه عصبی عمیق جدید (DNN)برای پیش بینی بزرگای بزرگ ترین زلزله در هفته آینده مقایسه کردیم. تحلیل اطلاعات، دقت، حساسیت، مقدار اخباری مثبت، مقدار اخباری منفی، و معیارهای ویژگی برای بررسی نتیجه استفاده از یک پارامتر جدید، به نام چگالی خطا، محاسبه شده با استفاده از تخمین چگالی کرنل و واریانس دو متغیره موران I، بر روی عملکرد پیش بینی زلزله، در مقایسه با دیگر پارامترهای معمول مورد استفاده، مورد استفاده قرار گرفتند. ما همچنین رفتار این چهار مدل را در هنگام برخورد با ترکیب های مختلف پارامترها و طبقات مختلف بزرگی زلزله مورد بحث قرار دادیم. نتایج نشان دهنده عملکرد امیدوارکننده پارامتر پیشنهادی برای زلزله های با بزرگی بالا، به خصوص با استفاده از روش های مرسوم بردار پشتیبان ماشین SVM و شبکه عصبی عمیق جدید DNN است.

Keywords:

پیش بینی زلزله , اثر فضایی , شبکه عصبی عمیق , تحلیل به دست آوردن اطلاعات , برآورد تراکم هسته