کاربرد یادگیری ماشین عمیق در سیستمهای هشدار زودهنگام زلزله (EEW) برای مناطق شهری ایران

ایران به عنوان یکی از مناطق پرخطر لرزه خیز جهان به ویژه شهرهای بزرگ مانند تهران نیازمند سیستمهای هشدار زودهنگام زلزله (EEW) پیشرفته است. این پژوهش با هدف بهبود عملکرد سیستمهای EEW در مناطق شهری پرجمعیت ایران از طریق کاربرد یادگیری ماشین عمیق انجام شده است. تمرکز بر مدل های شبکه های عصبی کانولوشنی (CNN) و هیبریدی-CNN LSTM برای تشخیص سریع فاز، تخمین بزرگی زلزله و کاهش هشدارهای کاذب است. روش شناسی پژوهش مبتنی بر داده های واقعی لرزه نگاری از کاتالوگ موسسه ژئوفیزیک دانشگاه تهران و IIEES (۲۰۱۰-۲۰۲۵) است که شامل بیش از ۵۰۰۰ رویداد زلزله در تهران و اطراف آن می شود. مدل ها با استفاده از کتابخانه های TensorFlow و Keras آموزش داده شدند. عملکرد آنها با معیارهای دقت، زمان پردازش و FScore ارزیابی گردید. نتایج نشان داد که مدل های یادگیری عمیق دقت تشخیص فاز P را به بیش از ۹۵ درصد رسانده و زمان پردازش را به کمتر از ۰.۵ ثانیه کاهش دادند در حالی که هشدارهای کاذب تا ۷۰ درصد کمتر شد. این بهبودها زمان هشدار موثر را در سناریوهای زلزله های نزدیک به تهران تا ۵۳ ثانیه افزایش می دهد و امکان اقدامات ایمنی حیاتی مانند پناهگیری و قطع گاز را فراهم می کند. در نهایت کاربرد یادگیری ماشین عمیق می تواند سیستم EEW ایران را به سطح بالاتری برساند و تلفات زلزله های آینده را در مناطق شهری پرجمعیت کاهش دهد. این رویکرد نه تنها فنی بلکه یک ضرورت برای ایمنی عمومی است و پایه ای برای توسعه سیستم ملی مبتنی بر هوش مصنوعی فراهم می کند.

کلیدواژه ها:

یادگیری ماشین ، عمیق ، هشدار زودهنگام زلزله ، لرزه نگاری ، تهران ، شبکه های عصبی کانولوشنی