برآورد پارامتر شدت زلزله در منطقه گسل با استفاده از داده ‏های حرارتی سنجش از دور

زلزله‏ یکی از پیش ‏بینی ‏ناپذیر‏ترین و خطرناک ‏ترین پدیده ‏های طبیعی است که هرساله خسارات مالی و جانی فراوانی را باعث می ‏شود. هنگام وقوع زلزله تنش ‏ها و فعالیت‏ های محدوده گسل افزایش می ‏یابد و باعث تغییرات دمایی محسوسی نسبت به دمای نرمال می ‏شود. این تغییرات دمایی خود را به‏ صورت بی‏ هنجاری‏ هایی در مکان یا زمان نشان می‏ دهند. در این تحقیق با استفاده از محصولات حرارتی سنجنده مادیس و شیپ‏ فایل گسل ‏های ایران، هفت زلزله با شدت بیشتر از شش ریشتر، که در ایران رخ داده، بررسی شده است. در این پژوهش با استفاده از تشکیل تصویر زمان- دما- فاصله در گسل مربوط به زلزله به ‏عنوان ورودی دو روش تشخیص بی‏ هنجاری حرارتی روی داده‏ ها بررسی شده است. در نهایت، با استفاده از نتایج حاصل از بهترین روش تشخیص بی‏هنجاری پارامتر شدت با استفاده از شبکه عصبی مصنوعی برآورد شده است. نتایج الگوریتم ‏های تشخیص ناهنجاری نشان می ‏دهد هرچند هر دو روش تشخیص بی ‏هنجاری حرارتی بی‏ هنجاری حرارتی مربوط به هر زلزله را در روز زلزله در شعاع نزدیک به گسل شناسایی کرده‏اند روش چارکی (Interquartile) نسبت به روش میانگین- انحراف‏ معیار نتایج مناسب ‏تری را برای ورودی الگوریتم شبکه عصبی فراهم می ‏کند. نتایج در مدل ‏سازی نیز نشان می ‏دهد پارامتر شدت زلزله، که با استفاده از شبکه عصبی مصنوعی بررسی شد، دقت کلی 73/0 را داشته است. ذکر این نکته لازم است که پیش ‏نشانگر تغییرات دمای سطح و بی ‏هنجاری‏ های حرارتی به ‏تنهایی نمی ‏تواند برای بررسی کامل پارامترهای زلزله کافی و دقت لازم را برای تحلیل زلزله داشته باشد. ولی با توجه به حجم پایین داده‏ های حرارتی و سادگی کار با آن‏ها، توصیه می ‏شود از آن‏ها برای بررسی ‏های ابتدایی و آغازین زمین ‏لرزه استفاده شود و در صورت تایید نسبی آن برای تحلیل‏های بیشتر، از روش‏ها و پیش‏ نشانگرهای دیگر، که در آن‏ها اعمال الگوریتم ‏ها و پردازش‏ های سنگین و پیچیده نیاز است، استفاده شود.