تابع کاپولا در تشخیص خوشه های زلزله

اخیرا پیشرفت های موجود در روش های تحلیل خوشه های پرخطر داده های زلزله، امکان ارزیابی مکان های پرخطر لرزه ای را با دقت بالا توسط روش های تحلیل گرافی به وجود آورده اند. مطالعات نشان می دهد که علاوه بر شکل گیری خوشه های پرخطر لرزه ای، زمین شبکه ای پیچیده از زیر خوشه های متصل به هم قبل از یک زمین لرزه بزرگ را فراهم می آورد. در این تحقیق از معیاری مبتنی بر کاپولا1 برای مطالعه ی خوشه های زلزله ها استفاده شده است. نتایج به دست آمده نشان دهنده ی برتری این معیار نسبت به معیارهایی همانند شبکه های عصبی مصنوعی است. ارزیابی آماری کلی بر رویدادها و کاتالوگ زلزله های منطقه می تواند اطلاعاتی جدید از الگوهای مکانی زمین لرزه های مورد مطالعه یا خوشه هایی که نقش بیشتر و مهم تری در وقوع رخداد دارند را فراهم آورد. یکی از ابزارهای موثر در بررسی تغییرات توالی های لرزه ای، مطالعه الگوی لرزه خیزی است. بررسی تغییرات پارامترهای لرزه ای در زمان بیان کننده ی توزیع غیر یکنواخت وقایع لرزه ای در زمان است. پیش نشانگرهای لرزه ای نیز یکی از مهم ترین مقوله ها در بررسی الگوی لرزه خیزی به شمار می روند. الگوی وقوع زمین لرزه ها در گذشته می تواند اطلاعات خوبی در زمینه وقوع زمین لرزه های احتمالی آینده در اختیار ما قرار دهد. در سال های اخیر بررسی الگوی لرزه خیزی جایگاه ویژه ای یافته است. روش های متعددی به منظور بررسی الگوی لرزه خیزی در مناطق مختلف مورد استفاده قرار گرفته است که از جمله این روش ها می توان روش های فرکتالی، pi، تجزیه وتحلیل مولفه های اصلی، k-means و... اشاره کرد. این الگوریتم ها می تواند دوره های آرامش لرزه را شناسایی کند. در این تحقیق برای تعیین آنومالی های قبل از وقوع زمین لرزه از معیاری استفاده شده است که پایداری بیشتری دارد و عملکرد آن در بررسی سیستم های غیرخطی مشابه زمین بهتر است. این معیار مبتنی بر کاپولا می باشد. کاپولاها خود توابعی هستند که توابع توزیع توام و توزیع های حاشیه ای را به یکدیگر مرتبط می سازند.