ژئودزی
لیدا کوشکی؛ بهزاد وثوقی؛ سید رضا غفاری رزین
چکیده
پدیده زمین لرزه هرساله در جهان و مخصوصاً کشور لرزه خیزی چون ایران، زیان های جانی و مالی هنگفتی به بار می آورد و پیش بینی زمین لرزه به یکی از چالش های بزرگ دانشمندان در دهه‌های اخیر تبدیل شده است. از جمله این پیش نشانگرها می توان به وقوع بی هنجاری در پارامترهای یونسفری قبل از زمین لرزه اشاره نمود. پارامتر ...
بیشتر
پدیده زمین لرزه هرساله در جهان و مخصوصاً کشور لرزه خیزی چون ایران، زیان های جانی و مالی هنگفتی به بار می آورد و پیش بینی زمین لرزه به یکی از چالش های بزرگ دانشمندان در دهه‌های اخیر تبدیل شده است. از جمله این پیش نشانگرها می توان به وقوع بی هنجاری در پارامترهای یونسفری قبل از زمین لرزه اشاره نمود. پارامتر مورد بررسی در این تحقیق محتوای الکترون کلی (TEC) است و مناطق مطالعاتی برای بررسی، زمین‌لرزه دوگانه اهر- ورزقان با بزرگای 6.5 و زمین‌لرزه سرپل ذهاب با بزرگای 6.3 است. در زمین‌لرزه اهر- ورزقان از مشاهدات شش ایستگاه GPS و در زمین‌لرزه سرپل ذهاب از مشاهدات پنج ایستگاه GPS شبکه جهانی IGS، به منظور محاسبه مقدار محتوای الکترون کلی (TEC) یونسفر استفاده شده است. تبدیل فوریه زمان کوتاه (STFT) و پارامترهای آماری میانگین و انحراف معیار برای کشف بی‌هنجاری‌های موجود در سری زمانی یونسفر بکار گرفته شده است. همچنین تغییرات شاخص‌های ژئومغناطیسی و آب و هوایی KP، Dst، F10.7، Vsw (سرعت پلاسما)، Ey (میدان مغناطیسی) و IMFBz (میدان مغناطیسی بین سیاره‌ای) برای اطلاع از شرایط روزهای قبل از وقوع زمین‌لرزه مورد بررسی و آنالیز قرار گرفته است. نتایج نشان میدهد که برای زمین‌لرزه اهر- ورزقان، بی‌هنجاری‌هایی در11، 12، 13 و نیز 5 روز قبل از زمین‌لرزه وجود دارد. اما برای زمین‌لرزه سرپل ذهاب، در 6، 7، 13 و 21 روز قبل از زمین‌لرزه، بی‌هنجاری‌هایی قابل مشاهده است. آنالیزهای انجام گرفته در این مقاله نشان میدهد که در صورت بررسی کلیه پارامترهای ژئومغناطیسی و آب و هوائی قبل از وقوع زمین‌لرزه، می‌توان با آنالیز سری زمانی یونسفر با روش STFT، بی‌هنجاری‌های موجود را به صورت مستقیم مشاهده نمود. توجه به این نکته ضروری است که در روزهایی که شرایط ژئومغاطیسی و آب و هوایی آرامی حاکم نیست، نمی‌توان تنها وقوع زمین‌لرزه را علت بی‌هنجاری‌های کشف شده در سری زمانی یونسفر، دانست.
ژئودزی
سید رضا غفاری رزین؛ نوید هوشنگی؛ بهزاد وثوقی
چکیده
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیش‌بینی سری زمانی یونوسفر در دوره فعالیت‌های شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیت‌های شدید خورشیدی و ژئومغناطیسی (سال 2017) پیش‌بینی ...
بیشتر
در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدلسازی و پیش‌بینی سری زمانی یونوسفر در دوره فعالیت‌های شدید خورشیدی به عنوان یک روش جدید ارائه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدلسازی شده و سپس تغییرات زمانی آن در دوره فعالیت‌های شدید خورشیدی و ژئومغناطیسی (سال 2017) پیش‌بینی می‌شود. برای بررسی کارائی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاه‌های شبکه جهانی IGS می‌باشد، استفاده شده است. مشاهدات سال‌های 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیش‌بینی می‌شوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخص‌های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدل‌ها استفاده می‌شود. مقدار RMSE به دست آمده برای مدل‌های LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU می‌باشد. آنالیز مؤلفه‌های مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطه‌ای دقیق (PPP) نشان میدهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدل‌ها دیده می‌شود. نتایج حاصل از این تحقیق نشان میدهد که دقت و صحت مدل LSTM برای پیش‌بینی مقدار TEC در دوره فعالیت‌های شدید خورشیدی و ژئومغناطیسی، در مقایسه با مدل‌های GRNN، NeQuick و GIM بیشتر است.
میر رضا غفاری رزین؛ بهزاد وثوقی
چکیده
در این مقاله از ترکیب شبکه‌های عصبی موجک (WNNs) به همراه الگوریتم آموزش بهینه‌سازی انبوه ذرات (PSO) جهت مدلسازی تغییرات زمانی محتوای الکترون کلی (TEC) یون‌سپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم ...
بیشتر
در این مقاله از ترکیب شبکه‌های عصبی موجک (WNNs) به همراه الگوریتم آموزش بهینه‌سازی انبوه ذرات (PSO) جهت مدلسازی تغییرات زمانی محتوای الکترون کلی (TEC) یون‌سپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم PSO به ترتیب 25، 20، 15 و 10 ایستگاه از شبکه مبنای ژئودینامیک ایران (IPGN) می‌باشند. در هر چهار حالت تعداد پنج ایستگاه با توزیع مناسب در گستره جغرافیایی ایران به عنوان ایستگاه‌های آزمون در نظر گرفته شده‌اند. شاخص‌های آماری خطای نسبی، خطای مطلق و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی و مدل جهانی یون‌سپهر 2016 (IRI-2016) مقایسه شده است. میانگین خطای نسبی محاسبه شده در 5 ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 43/13%، با 20 ایستگاه آموزش برابر با 73/13%، با 15 ایستگاه آموزش برابر با 05/15% و با 10 ایستگاه آموزش برابر با 17/28% تعیین شده است. همچنین میانگین مقادیر ضریب همبستگی محاسبه شده در پنج ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 9768/0، با 20 ایستگاه آموزش برابر با 9545/0، با 15 ایستگاه آموزش برابر با 9376/0 و با 10 ایستگاه آموزش برابر با 7569/0 محاسبه شده است. نتایج این مقاله نشان میدهد که مدل شبکه عصبی موجک با الگوریتم آموزش PSO یک مدل قابل اعتماد جهت پیش‌بینی تغییرات زمانی یون‌سپهر در منطقه ایران است. این مدل می‌تواند یک جایگزین بسیار مطمئن برای مدل مرجع جهانی یون‌سپهر در ایران باشد.
سیده سمیرا جعفری پور؛ نازیلا محمدی
چکیده
یونسفر یکی از پدیده‌های پیچیده است که شامل مولکول‌های یونیزه شده توسط خورشید می‌باشد. ضرورت مطالعه یونسفر و مدلسازی آن از این حقیقت ناشی می‌شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون‌های آزاد این محیط بوده، ...
بیشتر
یونسفر یکی از پدیده‌های پیچیده است که شامل مولکول‌های یونیزه شده توسط خورشید می‌باشد. ضرورت مطالعه یونسفر و مدلسازی آن از این حقیقت ناشی می‌شود که محتوای الکترونی یونسفر به پارامترهای زیادی بستگی دارند که دائما در حال تغییر هستند. انتشار امواج الکترومغناطیس در لایه یونسفر تحت تأثیر الکترون‌های آزاد این محیط بوده، بنابراین مدلسازی یونسفر در بسیاری از زمینه‌ها از قبیل ارتباطات مخابراتی، ناوبری و تعیین موقعیت ماهواره‌ای، سیستم‌های راداری و سایر فناوری‌های فضایی مورد توجه می‌باشد. طبیعت پیچیده یونسفر باعث شده مدل‌ها و روش‌های مختلف دو بعدی و سه بعدی جهت رسیدن به یک برآورد مناسب از مقدار محتوای الکترون یونسفر پایه‌گذاری، ارزیابی و مقایسه شوند. در این مقاله از شبکه‌های عصبی موجک جهت مدلسازی مقدار محتوای الکترون لایه یونوسفر (TEC) در ایستگاه‌های چهار شهر اهواز، ساری، کرمان و سقز در 365 روز از سال 2014 استفاده شده است. نتایج مدلسازی با روش‌های مذکور برای دادههای مکانی و دماهای مختلف در ایران ارزیابی و مقایسه شده و به صورت کمی ارائه گردید. دادههای مورد استفاده، نقشه‌های یونسفری می‌باشند که نمایشگر میزان محتوای مجموع الکترونی هستند. نتایج این تحقیق نشان‌دهنده تأثیر مؤلفه‌های مکانی و دما در کارایی شبکه عصبی موجک در برآورد محتوای الکترونی یونسفر می‌باشد. میانگین خطای نسبی به دست آمده برای حالت تلفیقی پارامترهای مکان، زمان و دما با استفاده از شبکه‌های عصبی موجک برابر 52/11 درصد بوده است. این مقدار برای حالت تلفیقی دو پارامتر به طور میانگین برابر 05/15 درصد به دست آمده است. مقایسه صورت گرفته در مورد خطا نشان‌دهنده برتری حالت تلفیقی سه پارامتر دما، مکان و زمان نسبت به سایر حالت‌ها در برآورد محتوای الکترونی یونسفر بوده است. همچنین در این مقایسه، بهترین مدل مربوط به حالت‌های مکان- دما- زمان، مکان- زمان و دما- زمان به ترتیب مربوط به شبکه‌های عصبی RBF, MLP و B-spline با تلفیق موجک مورلت بوده است.
منیره شمشیری؛ مهدی آخوندزاده هنزائی
چکیده
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 ...
بیشتر
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
