پیشبینی زلزله های منطقه زاگرس با استفاده از یادگیری عمیق

پیشبینی زلزله بهعنوان یکی از مهمترین چالشهای علوم زمین و مهندسی عمران مطرح است و در دهههای اخیر استفاده از روشهای یادگیری ماشین و بهویژه یادگیری عمیق برای آن گسترش یافته است. در این مطالعه، یک مدل ترکیبی شامل سه بلوک اصلی «شبکه عصبی پیچشی» (CNN)، «حافظه بلندمدت کوتاهمدت (LSTM)» و «ترنسفورمر» برای پیشبینی احتمال وقوع زمینلرزههای مهم (بزرگای ≥۵.۵) در آینده نزدیک در منطقه زاگرس ارائه شده است. دادههای لرزههای منطقه زاگرس شامل مشخصات زمانی و مکانی زلزلهها (سال، ماه، روز، ساعت، دقیقه، ثانیه، عرض و طول جغرافیایی، عمق و بزرگی) به عنوان ورودی استفاده شد. از هر ۱۱۰ رویداد گذشته بهعنوان دنباله ورودی و رخداد حداقل یک زلزله بزرگ در ۱۰ رویداد آینده بهعنوان برچسب طبقه بندی استفاده گردید. مدل پیشنهادی با معماری موازی CNN-LSTM ترکیب شده و از مکانیزم توجه چندسری (Transformer) برای استخراج ویژگیهای بلندبرد استفاده میکند. معیارهای ارزیابی شامل دقت (Accuracy)، یادآوری (Recall)، دقت پیشبینی (Precision) و... به کار رفت. نتایج نشان میدهد که مدل ترکیبی توانسته به دقت بالایی در تمامی نمونههای دارای زلزله قوی و ضعیف دست یابد. بررسی ماتریس درهمریختگی نشاندهنده عملکرد مناسب مدل در تشخیص نمونههای بدون وقوع زلزلههای قوی و نسبتا کمتر بودن نرخ هشدار کاذب است. نتایج این تحقیق حاکی از کاربرد موثر مدلهای عمیق ترکیبی در مسئله پیشبینی زلزله است و راهگشای مطالعات آینده در این زمینه خواهد بود.

کلیدواژه ها:

پیشبینی زلزله ، یادگیری عمیق ، شبکه ترکیبی ، ترنسفورمر ، منطقه زاگرس