تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با استفاده از شبکه عصبی مصنوعی

وقوع زلزله علاوه بر تغییر در هندسه و فیزیک پوسته زمین تأثیرات دیگری را نیز به همراه دارد. از آن جمله، تأثیر بر لایه یونسفر می‍باشد که خود را به‌صورت تغییر در میزان الکترون، چگالی یون‌ها، میدان‌های الکتریکی و مغناطیسی این لایه نشان می‌دهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایه‌های لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید به‌عنوان پیش‌نشانگر شناخته می‌شود. با پردازش داده‌های GPS می‌توان به میزان محتوای کل الکترون (Total Electron Content) لایه یونسفر دست‌یافت. در سیستم‌های پیچیده و غیرخطی استفاده از روش‌های کلاسیک مانند میانگین، برای بازشناسی الگو و پیش‌بینی سری‌های زمانی بسیار دشوار است، به همین دلیل در این مقاله سعی گردیده است از روش‌های هوش مصنوعی همچون شبکه عصبی مصنوعی برای تشخیص و بازسازی الگوی تغییرات TEC استفاده گردد. در همین راستا زلزله اهر آذربایجان شرقی (۲۱ مرداد ۱۳۹۱) و زلزله کاکی بوشهر (20فروردین‌ماه 1392) مورد بررسی قرارگرفته است. ابتدا با استفاده از نرم‌افزار Bernese و به روش PPP(Precise Point Positioning) مختصات ایستگاه‌ها محاسبه گردید و سپس با استفاده از مدل جهانی مقادیر TEC به دست آمد. نتایج حاصل، ناهنجاری‌هایی را چند روز قبل و بعد از زلزله نشان می‌دهد که بیانگر آن است که الگوریتم شبکه عصبی مصنوعی به‌خوبی توانسته آنامولی‌های موجود را آشکارسازی نماید. همچنین مقایسه مقادیر TEC به‌دست‌آمده از ایستگاه‌های زمینی با مدل استاندارد جهانی از همبستگی بالایی برخوردار می‌باشند.