پیش بینی زلزله با تئوری های یادگیری ماشین

زلزله به یکی از علل اصلی مرگ و میر ناشی از خطرات طبیعی در پنجاه سال گذشته تبدیل شده است. با این حال، پیش بینی زلزله به هیچ وجه بی اهمیت نیست. به پیش بینی های قابل اعتماد با ید شتامل تجزیه و تحلیل و سیگنال هایی باشد که نشان دهنده امدن یک زلزله قابل توجه است. متاسفانه، این سیگنال ها به ندرت قبل از وقوع زلزله مشهود هستند. در میان فن آوری های موجود برای تحقیقات زلزله، سنجش از دور به دلیل ویژگی های منحصر به فرد ان مانند و طیف گسترده ای از تصاویر، معمولا مورد استفاده قرار می گیرد. با این وجود، مطالعات اولیه در مورد ناهنجاری های قبل از زلزله و سنجش از دور، بیشتر به سمت شناسایی ناهنجاری و تجزیه و تحلیل یک پارامتر فیزیکی واحد است. در این مقاله، ما تغییرات فیزیکی و دینامیکی داده های لرزه ای را بررسی می کنیم و به این ترتیب یک روش یادگیری ماشین جدید، یعنی درختان هرس تقویت شده (IBPT) را توسعه می دهیم، برای صدور پیش بینی.

کلیدواژه ها:

زلزله ، یادگیری ماشین ، تحلیل داده های لرزه ای ، درختان هرس تقویت شده ، پیش بینی