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 تاثیرات دیگری را نیز به همراه دارد. از آن جمله، تاثیر بر لایه یونسفر می‍باشد که خود را به صورت تغییر در میزان الکترون، چگالی یون ها، میدان های الکتریکی و مغناطیسی این لایه نشان می دهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایه های لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید به عنوان پیش نشانگر شناخته می شود.
با پردازش داده های GPS می توان به میزان محتوای کل الکترون (Total Electron Content) لایه یونسفر دست یافت. در سیستم های پیچیده و غیرخطی استفاده از روش های کلاسیک مانند میانگین، برای بازشناسی الگو و پیش بینی سری های زمانی بسیار دشوار است، به همین دلیل در این مقاله سعی گردیده است از روش های هوش مصنوعی همچون شبکه عصبی مصنوعی برای تشخیص و بازسازی الگوی تغییرات TEC استفاده گردد. در همین راستا زلزله اهر آذربایجان شرقی (21 مرداد 1391) و زلزله کاکی بوشهر (20فروردین ماه 1392) مورد بررسی قرارگرفته است. ابتدا با استفاده از نرم افزار Bernese و به روش PPP(Precise Point Positioning) مختصات ایستگاه ها محاسبه گردید و سپس با استفاده از مدل جهانی مقادیر TEC به دست آمد. نتایج حاصل، ناهنجاری هایی را چند روز قبل و بعد از زلزله نشان می دهد که بیانگر آن است که الگوریتم شبکه عصبی مصنوعی به خوبی توانسته آنامولی های موجود را آشکارسازی نماید. همچنین مقایسه مقادیر TEC به دست آمده از ایستگاه های زمینی با مدل استاندارد جهانی از همبستگی بالایی برخوردار می باشند.