سید رضا منصوری

با توجه به پیچیدگی فرایند وقوع زمین­لرزه و عدم وجود الگوهای مشخص، مکان­یابی دقیق آن ها همچنان چالش برانگیز است. با این حال، مطالعات اخیر نشان داده اند که شبکه های عصبی می توانند در تحلیل داده های زمین لرزه و به ویژه در تعیین مکان احتمالی زمین­لرزه، نقش مؤثری ایفا کنند. در این پژوهش، با هدف بهبود دقت مکان یابی زمین­لرزه، مجموعه داده های 4300 رویداد زمین لرزه با بزرگای بالای 2.5 از شبکه لرزه نگاری IRSC که توسط 15 ایستگاه لرزه نگاری در سه مولفه N، Z و E ثبت شده، جمع آوری و شکل موج هر زمین­لرزه به مظوری مکان­یابی زمین­لرزه ­ها به تصویر تبدیل شده است. سپس، این تصاویر شکل موج با اطلاعات مکانی (طول و عرض جغرافیایی و عمق) برچسب گذاری شده و با استفاده از تابع گاوسی، توزیع مکانی زمین­لرزه ها به صورت سه بعدی مدل سازی شده و به عنوان داده ورودی به روش شبکه عصبی کاملاً کانولوشنی (FCN) وارد شده است. با اجرای روش FCN بر روی تصاویر شکل موج زمین­لرزه ها، یک تصویر سه بعدی از مکان زمین لرزه ها را خروجی می­دهند. همچنین، برای ارزیابی و دقت مکان­یابی اطلاعات فازهای P و S این مجموعه داده های زمین لرزه استخراج و با استفاده از روش های خطی hypo71 و غیرخطی NonLinLoc و برای برآورد خطای مکان­یابی این داده ها استفاده شده است. در نهایت، نتایج مکان یابی هر سه روش مذکور hypo71، NonLinLoc و شبکه عصبی FCN برای 400 رویداد زمین لرزه انتخاب شده از مجموعه داده های آموزشی با یکدیگر و کاتالوک اولیه(IRSC) مقایسه شده است. نتایج مقایسه نشان می دهد که روش شبکه عصبی FCN که با استفاده از شکل موج، مکان زمین لرزه ها را مکان­یابی می کند، نسبت به دو روش دیگر hypo71 و NonLinLoc که با استفاده از فازهای P و S مکان زمین لرزه ها را برآورد می کنند، از دقت بالاتری برخوردار است.