آرش کریمی زارچی - دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران
محمدرضا سراجیان - دانشکده مهندسی نقشهبرداری و اطلاعات مکانی، پردیس دانشکدههای فنی، دانشگاه تهران

زلزله یکی از پیش بینی ناپذیرترین و خطرناک ترین پدیده های طبیعی است که هرساله خسارات مالی و جانی فراوانی را باعث می شود. هنگام وقوع زلزله تنش ها و فعالیت های محدوده گسل افزایش می یابد و باعث تغییرات دمایی محسوسی نسبت به دمای نرمال می شود. این تغییرات دمایی خود را به صورت بی هنجاری هایی در مکان یا زمان نشان می دهند. در این تحقیق با استفاده از محصولات حرارتی سنجنده مادیس و شیپ فایل گسل های ایران، هفت زلزله با شدت بیشتر از شش ریشتر، که در ایران رخ داده، بررسی شده است. در این پژوهش با استفاده از تشکیل تصویر زمان- دما- فاصله در گسل مربوط به زلزله به عنوان ورودی دو روش تشخیص بی هنجاری حرارتی روی داده ها بررسی شده است. در نهایت، با استفاده از نتایج حاصل از بهترین روش تشخیص بیهنجاری پارامتر شدت با استفاده از شبکه عصبی مصنوعی برآورد شده است. نتایج الگوریتم های تشخیص ناهنجاری نشان می دهد هرچند هر دو روش تشخیص بی هنجاری حرارتی بی هنجاری حرارتی مربوط به هر زلزله را در روز زلزله در شعاع نزدیک به گسل شناسایی کردهاند روش چارکی (Interquartile) نسبت به روش میانگین- انحراف معیار نتایج مناسب تری را برای ورودی الگوریتم شبکه عصبی فراهم می کند. نتایج در مدل سازی نیز نشان می دهد پارامتر شدت زلزله، که با استفاده از شبکه عصبی مصنوعی بررسی شد، دقت کلی ۷۳/۰ را داشته است. ذکر این نکته لازم است که پیش نشانگر تغییرات دمای سطح و بی هنجاری های حرارتی به تنهایی نمی تواند برای بررسی کامل پارامترهای زلزله کافی و دقت لازم را برای تحلیل زلزله داشته باشد. ولی با توجه به حجم پایین داده های حرارتی و سادگی کار با آنها، توصیه می شود از آنها برای بررسی های ابتدایی و آغازین زمین لرزه استفاده شود و در صورت تایید نسبی آن برای تحلیلهای بیشتر، از روشها و پیش نشانگرهای دیگر، که در آنها اعمال الگوریتم ها و پردازش های سنگین و پیچیده نیاز است، استفاده شود.  

پیش نشانگر زلزله, گسل فعال, مدل سازی شبکه عصبی مصنوعی, ناهنجاری حرارتی