تشخیص آنومالی های حرارتی قبل از وقوع زلزله با تلفیق الگوریتم های شبکة عصبی مصنوعی و بهینه سازی کلونی مورچه

ازآنجا که تشخیص آنومالی های لرزه ای به دلیل ساختار پیچیدة زمین و عدم شناخت کامل سازوکار وقوع زلزله، دشوار است، دسترسی به داده های حرارتی متنوع به دست آمده از روش های سنجش از دوری سبب شده تا امکان بررسی آنومالی حرارتی قبل از وقوع زلزله های بزرگ فراهم شود. آنومالی های حاصل از پیش نشانگرهای حرارتی، از اصلی ترین منابع پیش بینی زلزله اند. در این مطالعه با استفاده از پیش نشانگرهای 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 زلزله های 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 بهینه سازی کلونی مورچه این سری های زمانی پیش بینی 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 نشان دهندة 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 پیش نشانگرهای حرارتی مورد مطالعه ۵ تا ۸ روز پیش از وقوع زلزلة سراوان است.