یکی از مراحل مهم و بنیادی در مطالعات زلزله شناسی، پردازش داده های فراهم شده توسط شبکه های لرزه نگاری است. پردازش اولیه ی این داده ها شامل تشخیص و استخراج سیگنال زلزله، تعیین زمان رسید فازهای اصلی، تعیین بزرگا و پارامترهای کانونی رویداد زلزله و در صورت نیاز اطلاع رسانی است. با توجه به گسترش شبکه های لرزه نگاری در جهان و همچنین کشورمان و افزایش روزافزون حجم داده های ثبت شده، استفاده از روش های خودکار در پردازش داده ها از اهمیت بالایی برخوردار است. از این رو در این رساله روش های رایج در زمینه ی پردازش خودکار داده های لرزه ای مورد مطالعه قرار گرفته اند و روش های جدیدی در زمینه ی تشخیص سیگنال زلزله بر داده های پیوسته و تعیین زمان رسید فازهای p و s به صورت خودکار ارائه شده است. در روش های جدید ارائه شده برای تشخیص رویداد و فاز p از تبدیلات زمان- فرکانس همچون تبدیل فوریه ی پنجره ای و تبدیلات موجک به صورت گسسته و پیوسته استفاده شده است. تبدیلات زمان – فرکانس امکان مطالعه ی تغییرات محتوای فرکانسی سیگنال را با زمان فراهم می سازند. با استفاده از آنالیز موجک ویژگی های سیگنال در هر مقیاس با موجکی که از نظر گسترش زمانی و باند فرکانسی متناسب با آن است، مورد بررسی قرار می گیرد. برای تشخیص فاز s از بزرگ ترین مقدار ویژه ی ماتریس کوواریانس در حوزه ی زمان استفاده شده است. در این رساله چند روش مهم در تشخیص رویداد زلزله و انتخاب خودکار فاز p بررسی شد. با استفاده از ویژگی های تبدیلات زمان-فرکانس از جمله تبدیل موجک در دو شکل گسسته و پیوسته، بررسی های زیادی برای ارائه ی الگوریتم هایی که در آنها از تبدیل موجک برای تشخیص رویداد زلزله و انتخاب خودکار فاز p استفاده شده باشد، به عمل آمد. در این راستا نخست الگوریتم هایی که در این زمینه وجود داشتند، به دقت مورد مطالعه و بررسی قرار گرفتند. بر مبنای این بررسی ها دریافتیم که در الگوریتم های پیشین هدف اولیه ارائه ی تابع مشخصه ای بوده است که ویژگی های بارز لرزه نگاشت را در هنگام رسید فاز های لرزه ای حفظ و یا برجسته کند. به گونه ای که تفکیک سیگنال زلزله از نوفه زمینه و تشخیص فاز بر روی این تابع مشخصه ساده تر و موثرتر از لرزه نگاشت اصلی باشد. توابع مشخصه ی ارائه شده در بسیاری از مطالعات به نوعی پوش لرزه نگاشت را تشکیل می دادند. از پوش ضرایب موجک به عنوان تابع مشخصه استفاده شد. در امر تشخیص رویداد زلزله بر داده های پیوسته پیشنهاد شد از تبدیلات زمان-فرکانس همچون تبدیل فوریه ی پنجره ای و تبدیل موجک استفاده شود. در رویکرد ارائه شده با استفاده از تبدیل فوریه ی پنجره ای،det-sf، تغییرات انرژی طیفی محلی در گستره ای از فرکانس ها که منطبق بر محتوای فرکانسی رویدادهای مورد انتظار هستند، بررسی می شود. مشاهده ی این تغییرات در اکثر زیرباندهای فرکانسی نشانه ی وقوع رویداد زلزله تلقی می شود. تکنیک به کار رفته برای تشخیص تغییرات انرژی طیفی در عین سادگی بسیار کارآمد است و نیاز به تعیین پارامترهای زیادی به صورت پیش فرض وجود ندارد. در روش های ارائه شده با استفاده از تبدیل موجک، ضرایب موجک گسسته به دست آمده در محدوده ای از مقیاس ها که دربرگیرنده ی ویژگی های رویدادهای مورد نظر هستند، در تشخیص رویدادها و تفکیک آنها از نوفه زمینه مورد استفاده قرار می گیرند. به این ترتیب ابتدا با استفاده از تبدیل موجک گسسته، لرزه نگاشت به مقیاس های مختلف مورد تجزیه قرار می گیرد و در هر مقیاس با استفاده از تبدیل هیلبرت پوش ضرایب موجک محاسبه می شوند. برای تشخیص رویداد از دو رویکرد استفاده شد. رویکرد اول که در الگوریتم det-w1 به کار رفته است، بررسی تغییرات تابع پوش ضرایب موجک در مقیاس های مختلف است. در رویکرد دوم، det-w2، نسبت sta/lta روی سیگنال پوش ضرایب موجک محاسبه می شود. در هر مقیاس رویدادهای موجود استخراج شده و در یک لیست ثبت می شوند. لرزه نگاشت ها در مقیاس های مختلف ویژگی های متفاوتی دارند. مثلا در یک یا چند مقیاس نوفه زمینه حضور موثرتری دارد. رویدادهای کوچک تنها در ضرایب موجک مقیاس های پایین دیده می شوند و در مقیاس های بالا محو می شوند. اما رویدادهای بزرگ در گستره ی وسیع تری از مقیاس ها آشکار می شوند. از این رو بعد از تهیه ی فهرست رویدادها در مقیاس های مختلف، در مورد رویدادهای نهایی تصمیم گیری می شود. به این صورت که رویدادهایی که در اغلب مقیاس ها آشکار شده اند به عنوان رویدادهای مطمئن معرفی می شوند. این سه الگوریتم با استفاده از داده های ثبت شده در یک شبکه ی محلی موقت که بعد از زلزله ی زرند برپا شده بود، مورد بررسی قرار گرفت. نتایج به دست آمده با ارزیابی دستی داده ها توسط کارشناس مورد مقایسه قرار گرفت. این مقایسه بر کارایی الگوریتم های خودکار ارائه شده، در استخراج رویدادها از داده های شبکه های محلی دارد. به صورتی که درصد قابل توجهی از رویدادهایی که توسط کارشناس به عنوان رویداد مناسب، استخراج شده بودند، در خروجی الگوریتم ها نیز وجود داشت. الگوریتم های det-sf ، det-w2 و det-w1 به ترتیب 75% ، 35% و64% از این رویدادها را تشخیص داده شده اند. علاوه براین، الگوریتم های خودکار رویدادهای دیگری را استخراج نمودند که در فهرست رویدادهای تعیین شده توسط کارشناس وجود نداشت. مزیت بسیار مهم هر سه الگوریتم، پایین بودن تعداد اعلان های اشتباه است. به ترتیب 14% و 3% رویدادهای تشخیص داده شده توسط الگوریتم های det-sf و det-w1 خطای ناشی از نوفه و یا رویدادهای خردلرز بودند. الگوریتم det-w2 فاقد تشخیص اشتباه بوده است. لازم به ذکر است که در الگوریتم های خودکار، تشخیص رویداد با استفاده از هر سه مولفه ی لرزه نگاشت ها انجام گرفته است. این امر هر چند سبب کاهش اعلان های اشتباه می شود، سبب عدم تشخیص رویدادهایی می شود که از سه مولفه ی لرزه نگاشت مربوط به آنها، حداقل یک مولفه دارای کیفیت مناسبی نیست. الگوریتم دیگری که در این رساله معرفی شد، الگوریتم تشخیص خودکار فاز p برای داده های محلی و منطقه ای است. در این الگوریتم که به اختصار wpp نامیده شده است، از پوش چند مقیاسی ضرایب موجک پیوسته در ارائه ی تابع مشخصه استفاده شد. نتایج به شرحی که در فصل گذشته بحث شد، اشاره به موفقیت این روش در تشخیص فاز p برای رویدادهایی با بزرگاهای مختلف در فواصل کانونی محلی و منطقه ای دارد. مقایسه ی نتایج به دست آمده با نتایج بررسی دستی توسط کارشناس بر کارایی روش جدید تاکید دارد. همچنین در این رساله الگوریتمی برای تشخیص خودکار فاز s ارائه شد. در این الگوریتم به جای استفاده از پارامترهای رایج آنالیز قطبش، از تغییرات بزرگترین مقدار ویزه ی ماتریس کوواریانس به عنوان تابع مشخصه ی تشخیص فاز s استفاده شد. نتایج این الگوریتم نشان داد، حداقل در مورد لرزه نگاشت هایی که در آنها نوفه زمینه در هنگام رسید فاز s پایین است، مقدار تابع مشخصه افزایش بارزی را نشان می دهد و زمان رسید فاز s با دقتی قابل مقایسه با دقت کارشناس قابل تشخیص است. لازم به ذکر است خروجی الگوریتم های تشخیص رویداد معمولاً در مرحله ی تشخیص فاز و تعیین مکان مورد استفاده قرار می گیرند. اغلب (در ایران) تشخیص فاز و تعیین مکان به وسیله ی نرم افزار seisan انجام می شود. از این رو شکل موج رویدادهای جدا شده در الگوریتم های معرفی شده به فرمت seisan ذخیره می شوند. همچنین برای هر رویداد به طور خودکار یک فایل ذخیره ی اطلاعات به فرمت s-file ساخته می شود. در صورتی که بخواهیم برای رویدادهای تشخیص داده شده، فازهای لرزه ای p و یا s و سایر اطلاعات همچون طول کدا را نیز به صورت خودکار تعیین کنیم، شکل موج رویداد جدا شده توسط الگوریتم های مربوطه مورد بررسی قرار می گیرد و اطلاعات به دست آمده نیز در s-file ذخیره می شود. به صورتی که بررسی مجدد و مکانیابی به کمک نرم افزار seisan به سادگی میسر باشد.

بمنظور استفاده از روش های هوشمند در مکان یابی، فراهم آوردن بانک داده های آموزشی و آزمایشی و محدود کردن خطای مکان یابی از نکات کلیدی است. بر این اساس، رساله ی حاضر بر سه محورِ مدل سازی، اندازه گیری میدان های الکترومغناطیسی و مکان یابی هوشمند صاعقه، بنا شده است. در این رساله، در محورِ مدل سازی، جهت مدل سازی کانال ضربه برگشت صاعقه ی از نوع ابر به زمین، مدل جدیدی ارائه شده است. در این مدل، کانال صاعقه به صورت یک آنتن مونوپل عمودی با بارگذاری اهمی-سلفی بر روی زمین تلفاتی در نظر گرفته می شود. با حل عددی معادله ی انتگرال میدان الکتریکی در رژیم فرکانسی، توزیع جریان در طول کانال بدست می آید. حل معادله، با استفاده از روش ممان با شرایط مرزی مناسب با مسئله، صورت می گیرد. مدل جدید دو ویژگی مهم را با هم در نظر گرفته که شامل سرعت متغیر انتشار موج جریان در کانال صاعقه و تلفاتی بودن زمین است. این مدل نیازی به استفاده از گذر دهی نسبی محیط اطراف کانال به مقدار بزرگتر از یک را ندارد و امکان تغییر سرعت درطول کانال صاعقه از طریق اعمال بارهای توزیعی سلفی دلخواه را فراهم می کند. این ویژگی به سرعت های متفاوت موج جریان بر روی کانال صاعقه منجر می شود. در مورد ویژگی دوم این نکته قابل توجه است که چون در سایر مدل ها اغلب زمین ایده ال درنظر گرفته می شود، بدیهی است در این حالت، مولّفه افقی میدان الکتریکی وجود ندارد و قابل استخراج نیست در حالی که در مدل جدید با فرض زمین تلفاتی، امکان استخراج همه ی مولّفه های میدان الکتریکی وجود دارد و مقدار آن به علت واقعی تر بودن سرعت انتشار موج جریان در کانال به مقدار واقعی نزدیک تر است که منجر به خطای کمتر در شبیه سازی می شود. بمنظور ارزیابی مدل پیشنهادی، توزیع جریان در طول کانال صاعقه و میدان های الکترومغناطیسی ناشی از آن در فواصل مختلف تولید شده و با نتایج بدست آمده با دو مدل مبتنی بر تئوری آنتن مقایسه شده است. مقایسه ی نتایج بدست آمده نشانگر اعتبار مدل پیشنهادی است. ضمناً نشان داده شده است که بر خلاف مدل های موجود، مدل پیشنهادی قادر به پیش بینی "عبور از صفر" میدان های الکترومغناطیسی راه دور است که در اندازه گیری ها نیز دیده می شود. به کمک این بخش بانک داده های آموزشی فراهم می آید. در محورِ اندازه گیری میدان های الکترومغناطیسی، از یک شبکه ی باند باریک مکان یابی صاعقه با استفاده از میدان های تشعشعی از کانال ضربه ی برگشت صاعقه ی ابر به زمین، استفاده شده است این شبکه از سه ایستگاه اندازه گیری تشکیل شده که مکان هر یک، در راس های یک مثلت است که منطقه ی مورد نظر را پوشش می دهد . ایستگاه ها با هم شبکه ای کم هزینه را تشکیل می دهند که در آنها تبادل داده ها با خط تلفن انجام می شود. هر ایستگاه با الگوریتم های فشرده سازی بر اساس تبدیل موجک ضمن حذف نویز، اطلاعات هر ضربه ی صاعقه را ذخیره می کند همچنین زمان ورود، جهت ورود، پلاریته، مقادیر پیک میدان های الکترومغناطیسی و ضربه ی اول یا ضربه ی ثانویه بودنِ ضربه ی برگشت را استخراج می کند.به منظور مکان یابی صاعقه ی ابر به زمین از روش اختلاف زمان ورود استفاده می شود. با استفاده از داده های ذخیره شده در این بخش، زاویه ی ورود و داده های آزمایشی و ارزیابی سیستم مکان یابی فراهم می آید. در محورِ مکان یابی هوشمند صاعقه، جهت تخمین مکان برخورد به دو پارامتر زاویه ی ورود و فاصله از ایستگاه نیاز است. زاویه ی ورود از نسبت مولّفه های افقی میدان مغناطیسی اندازه گیری شده استخراج و تعیین فاصله با استفاده از سیگنال میدان الکتریکی، انجام می شود. در انجام تخمین فاصله از سه روش الگوریتم تکراری، الگوریتم شبکه ی عصبی پرسپترون و الگوریتم شبکه ی ویولت، استفاده شده است. با استفاده از داده های فراهم شده در مدل سازی و سامانه ی اندازه گیری و بکارگیری آنها در آموزش و آزمایش الگوریتم های مورد اشاره، نتایج حاصله نشان می دهد که روش تکراری قادر به تخمین فاصله بوده اما سرعت آن به دلیل حل تکراری کند است. از طرف دیگر در استفاده از شبکه های عصبی، اگرچه از ابتدا زمان قابل توجهی جهت آموزش لازم است، اما پس از آموزش، بدست آوردن جواب سریع است. لذا این روش برای کاربردهای بی وقفه مناسب تر خواهد بود. در نتایج حاصل از شبکه ی ویولت مزیتی نسبت به شبکه ی عصبی پرسپترون مشاهده نشد ضمن این که در شبکه ی ویولت، سرعت همگرایی کندتر از شبکه ی عصبی پرسپترون است. در بکارگیری دو ایستگاه با روش هوشمند، ارتباط خطا با حالت تک ایستگاهی بررسی گردید و مشخص شد که در این ساختار، خطا ی مکان یابی شامل خطای جهت یابی و فاصله یابی است. در 10 نمونه ی آزمایشی خطای دو ایستگاهی و تک ایستگاهی مقایسه گردید و مشخص شد که خطا در حالت دو ایستگاهی، حدود 3% کمتر است.