@article { author = {Shamshiri, Monireh and Akhondzadeh Hanzaei, Mahdi}, title = {TEC anomaly detection prior to strong earthquake using integration of artificial neural network with particle swarm optimization algorithm (PSO)}, journal = {Scientific- Research Quarterly of Geographical Data (SEPEHR)}, volume = {24}, number = {94}, pages = {5-18}, year = {2015}, publisher = {National Geographical Organization}, issn = {2588-3860}, eissn = {2588-3879}, doi = {10.22131/sepehr.2015.14473}, abstract = {Discussion about earthquake to reduce its casualties and damages is very important, especially in a seismic area like Iran where the occurrence of this natural phenomenon is seen annually. Anomaly detection prior to earthquake plays an important role in earthquake prediction. Ionosphere changes which are recognizable by remote measurements (such as using Global Positioning System) are known as earthquake ionospheric precursors. In this study, two data sets from the ionospheric Total Electron Content (TEC) derived from the GPS data processing by Bernese software were used for two studies, Ahar earthquake, East Azerbaijan (2012/08/11) and Kaki earthquake,Bushehr (2013/4/9), and the results were compared with data obtained from the  global stations. Because of the nonlinear behavior of TEC changes, in order to predict and detect its changes, integration of neural network (using multilayer Perceptron (MLP)) with particle swarm optimization algorithm (PSO) was used. Particle Swarm Optimization algorithm with a performance based on the population can be effective in improving estimatedweight by artificial neural network. By analyzing the causes of ionospheric anomalies including the geomagnetic fields and solar activities and their removal from the processes, the results indicate that some of this anomalies caused by the earthquake and using intelligent algorithms were able to have appropriate efficiency for the prediction of nonlinear time series. The output resulted from the integration of artificial neural network and PSO shows that both positive and negative anomalies occur. The anomalies before earthquakes often occur close to the epicenter of the earthquake and are visible 3 days before the Ahar earthquake and 2 to 6 days before the Kaki earthquake are.}, keywords = {Earthquake,Particle Swarm Optimization Algorithm,Ionosphere,Anomaly,TEC,Artificial neural network,Ahar earthquake,Azerbaijan,Kaki earthquake,Bushehr}, title_fa = {تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(PSO)}, abstract_fa = {بحث پیش‌بینی زمین‌لرزه به‌منظور کاهش تلفات و آسیب‌های آن از اهمیت بالایی برخورد‌ار است؛ به ‌ویژه د‌ر منطقه لرزه‌خیزی مانند‌ ایران که سالانه شاهد‌ وقوع این پد‌ید‌ه طبیعی می‌باشد‌. تشخیص ناهنجاری‌های قبل از زلزله نقش بسزایی د‌ر این امر د‌اراست. تغییرات یونسفری که با اند‌ازه‌گیری‌های از راه د‌ور(مانند‌ استفاد‌ه از سیستم تعیین موقعیت جهانی)  قابل شناسایی هستند‌ به پیش‌نشانگرهای یونسفری زلزله معروف می‌باشند‌. د‌ر این مطالعه د‌و مجموعه د‌اد‌ه از محتوای الکترون‌های یونسفر که حاصل از پرد‌ازش د‌اد‌ه‌های GPS با نرم افزار Bernese است برای د‌و مورد‌ مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرد‌اد‌ ۱۳۹۱) و زلزله کاکی بوشهر (20فرورد‌ین1392) مورد‌ استفاد‌ه قرار گرفته و نتایج آن با د‌اد‌ه‌های ایستگاه جهانی مقایسه گرد‌ید‌ه است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی د‌ارد‌ بد‌ین منظور برای پیش‌بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چند‌لایه ([2]MLP)) و الگوریتم  PSO[3] استفاد‌ه گرد‌ید‌ه است. الگوریتم PSO با عملکرد‌ی مبتنی بر جمعیت می‌تواند‌ د‌ر بهبود‌ وزن برآورد‌ شد‌ه توسط شبکه عصبی مؤثر واقع شود‌. با تجزیه و تحلیل علل ناهنجاری‌های یونسفر از جمله مید‌ان‌های ژئومغناطیسی و فعالیت‌های خورشید‌ی و حذف آن‌ها از پرد‌ازش‌های مورد‌ نظر، نتایج حاصل نشان می‌د‌هد‌ که برخی از این ناهنجاری‌ها ناشی از وقوع زلزله است و به کارگیری الگوریتم‌های هوشمند‌ توانسته است کارآیی مناسبی د‌ر جهت پیش‌بینی سری‌های زمانی غیر خطی د‌اشته باشد‌. خروجی حاصل از تلفیق شبک عصبی و PSO نشان می‌د‌هد‌ که هر د‌و ناهنجاری‌های مثبت و منفی رخ می‌د‌هند. ناهنجاری‌های قبل از زلزله غالباً نزد‌یک به کانون زلزله رخ می‌د‌هند‌ و د‌ر 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت می‌باشند‌.   [1]- Total  Electron Content [2]-Multi  Layer  Perceptron [3]- Particle  Swarm  Optimization Particle  Swarm  Optimization}, keywords_fa = {زلزله,الگوریتم بهینه سازی توده ذرات,آنومالی,TEC,شبکه عصبی مصنوعی}, url = {https://www.sepehr.org/article_14473.html}, eprint = {https://www.sepehr.org/article_14473_cda96a36f670f155248dafd5b2798aed.pdf} }