بررسی تاثیر داده‌افزایی در هوشمند سازی مطالعات مخاطرات محیطی- مطالعه موردی: محاسبه آنی بزرگا در سیستمهای هشدار سریع زلزله

محورهای موضوعی : محیط زیست

رضوان اسماعیلی ¹ , روح اله کیمیایی فر ² , علیرضا حاجیان ³ , خسرو سليماني ⁴ , مریم هدهدی ⁵

1 - گروه فیزیک، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2 - گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
3 - گروه فیزیک، دانشکده مهندسی کامپیوتر، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
4 - گروه رياضي، دانشکده مهندسی کامپیوتر، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
5 - گروه ژئوفیزیک، واحد نجف اباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

تاریخ دریافت : 1403/06/05 تاریخ پذیرش : 1403/09/21 تاریخ انتشار : 1403/11/15

کلید واژه: هوشممند سازی, بزرگای زمین لرزه, سیستم هشدار سریع زمین لرزه, جنبش نیرومند زمین, داده افزایی.,

چکیده مقاله :

مخاطرات طبیعی از جمله زمین‌لرزها، از چالش‌های جدی برای جوامع بشری به شمار می‌روند. این پدیده‌ها علاوه بر جانی، خسارات اقتصادی و اجتماعی قابل توجهی را نیز به دنبال دارند. با توجه به اینکه بعضی از این مخاطرات، به طور ناگهانی و غیرقابل پیش‌بینی رخ می‌دهند، لازم است که ارزیابی و مدیریت بهینه این مخاطرات در دستور کار سیاست گذاران و مسئولان مدیریت بحران قرار گیرد. پیشرفت‌ها و دستاوردهای اخیر در زمینه الگوریتم‌های هوشمند توانسته است توان بشر در کاهش آثار ناشی از وقوع را کاهش دهد. از نمونه این دستاوردها،  سیستم‌های هشدار سریع زمین لرزه هستند که به عنوان ابزاری مؤثر در کاهش آسیب‌ها و تلفات انسانی مطرح شده و می‌توانند با محاسبه پارامترهای مبنایی زمین لرزه هشدار زودهنگامی را به جمعیت متاثر از رویداد صادر کرده اطلاعات مورد نیاز را در اختیار مسولان قرار دهند. با توجه به اینکه یکی از ارکان اساسی استفاده از الگوریتم‌های یادگیرنده، وجود داده‌های آموزشی کافی می‌باشد که بتواند شرایط متنوع قابل انتظار را پوشش دهد. این در حالی است که در مواردی مانند داده‌های مربوط به مطالعات زمین لرزه که تعداد نمونه‌های موجود در دسترس ناکافی است، تکنیک‌های داده‌افزایی استفاده می‌شوند. در این تحقیق، تاثیر داده‌افزایی در محاسبه بزرگای زمین لرزه به صورت آنی و بر اساس داده‌های جنبش نیرومند زمین مورد بررسی قرار گرفته است. بر اساس تحلیل‌های صورت گرفته بر روی داده‌های بیش از سه هزار زمین لرزه بوقوع پیوسته نشان داده شده است که استفاده از داده‌افزایی موجب بهبود عملکرد تعمیم‌دهی شبکه یادگیرنده به مقدار 37 درصد شده است.

چکیده انگلیسی:

Natural hazards, including earthquakes, are serious challenges for human societies. These phenomena not only threaten human lives, but also cause significant economic and social losses. Considering that some of these risks occur suddenly and unpredictably, it is necessary that the evaluation and optimal management of these risks should be placed on the agenda of policymakers and crisis management officials. Recent advances and achievements in the field of intelligent algorithms have been able to reduce the human ability to reduce the effects caused by the occurrence. Among the examples of these achievements are Earthquake Early Warning Systems (EEWS), which have been proposed as an effective tool in reducing damages and human casualties, and can issue an early warning to the population affected by the event by calculating the basic parameters of the earthquake and provide the authorities with the necessary information. Considering that one of the basic pillars of using learning algorithms is the existence of sufficient training data, in cases such as earthquake data where the number of available samples is insufficient, data augmentation techniques are used. In this research, the impact of data augmentation in the calculation of the earthquake has been investigated in the real-time and based on the data of the strong motion network. Based on the analysis of the data of more than three thousand earthquakes, it has been shown that the use of data augmentation has improved the generalization performance of the trained network over test data by 37%.

منابع و مأخذ:

امین طوسی، محمود (1401). انتقال سبک برای افزایش داده‌های آموزشی شبکه‌های کانولوشنی در شناسایی شعلۀ آتش. هوش محاسباتی در مهندسی برق. 13 (4)، 97-114. doi: 10.22108/isee.2021.124044.1490
ایمانی، مريم (1403). داده‌افزایی مبتنی بر شبکه‌ی مولد رقابتی برای آشکارسازی اهداف تصاویر ابر طیفی با استفاده از شبکه‌های عصبی کانولوشن. مجله بینایی ماشین و پردازش تصویر. مجله بینایی ماشین و پردازش تصویر. 13-24. https://jmvip.sinaweb.net/article_207014.html.
Hajian, A.; Nunnari, G. & Kimiaefar, R. (2023). Intelligent methods and motivations to use in volcanology and seismology. Intelligent Methods with Applications in Volcanology and Seismology. Cham: Springer International Publishing, pp. 1–17. doi: 10.1007/978-3-031-15432-4_1.
Cheng, Y.; Wang, X. & Zhao, H. (2019). Data augmentation techniques for improving disaster prediction models. International Journal of Disaster Risk Reduction. 34, 380-393.
Esmaeili, R. et al (2024). Performance enhancement of deep neural network using fusional data assimilation and divide-and-conquer approach; case study: Earthquake magnitude calculation. Neural Computing and Applications. https://doi.org/10.1007/s00521-024-10002-x.
Fernandes, P. M.; Silva, J. S. & Amraoui, M. (2019). Wildfire risk assessment using machine learning and data augmentation techniques. Forest Ecology and Management 432, 43-55.
Gonzalez, R.; Castro, J. & Vargas, A. (2022). Integrating intelligent algorithms with data augmentation for real-time disaster risk assessment. Computers & Geosciences 148, 104694.
King, G., & Zeng, L. (2001). Logistic Regression in Rare Events Data. Political Analysis. 9 (2), 137–163. DOI:10.1093/oxfordjournals.pan.a004868.
Li, J.; Liu, Y. & Wang, L. (2021). Enhancing disaster response with artificial intelligence: Opportunities and challenges. Disaster Science and Management. 30 (2), 160-176.
Lin, Y. et al (2022). Generating clusters of similar sizes by constrained balanced clustering. Applied Intelligence. 52, 5273–5289. https://doi.org/10.1007/s10489-021-02682-y.
Samadi, H.; Kimiaefar, R. & Hajian, A. (2022). Fast earthquake relocation using ANFIS neuro-fuzzy network trained based on the double difference method. Scientific Quarterly Journal of Geosciences. 32 (3), 93-102. doi: 10.22071/gsj.2022.296260.1922.
Tabatabae, S.M. et al (2022). Prediction of the peak ground acceleration for Zagros earthquakes using ANFIS and data partitioning approach. Journal of Geography and Environmental Studies. 42 (11), 92-104.
Viganò, D.; Gabriele, S. & Dell'Arciprete, P. (2021). Earthquake risk assessment using augmented data. Earthquake Engineering and Structural Dynamics. 50 (7), 1805-1820.
Yin, Z.; Zhang, Y. & Zhang, J. (2020). Machine learning in the assessment of natural disaster risks: A review. Environmental Monitoring and Assessment. 192 (12), 786.
Wang, Z. et al (2020). MSLWENet: A novel deep learning network for lake water body extraction of google remote sensing images. Remote Sensing. 12, 4140.
Zhan, Q.; Miao, L. & Xiao, J. (2021). Intelligent algorithms for natural disaster prediction and management: Current status and future prospects. Journal of Natural Hazards. 105 (1), 123-142.
Zhang, X.; Xu, Y. & Chen, Y. (2020). Deep learning for flood prediction: A review. Natural Hazards. 105 (2), 123-146.