كاربرد شبكه عصبي نگاشت خود سامانده براي پهنه‌بندي رقومي زمين‌ساختي: راهكاري جديد براي پهنه‌بندي زمين‌ساختي ايران

Application of SOM Neural Network for Numerical Tectonic Zoning: A New Approach for Tectonic Zoning of Iran

يكي از اساسي‌ترين مباحث در علوم‌زمين، تهيه و رسم نقشه‌هاي مختلف پهنه‌بندي زمين‌ساختي است. روش‌هاي مرسوم و متداول در پهنه‌بندي زمين‌ساختي نه تنها با قضاوت‌هاي ذهني همراه است، بلكه تفسير حجم بالاي داده‌ها مشكل و در عمل خارج از توانايي‌ بشر است. براي پرهيز از اين نواقص و اشكال‌ها، روش‌هاي علمي رقومي استخراج اطلاعات از داده‌ها (data mining) مي‌تواند به عنوان ابزاري مفيد و موثر براي تهيه و رسم نقشه‌هاي رقومي جديد در علوم‌زمين مورد استفاده قرار گيرد. در اين مقاله، شبكه عصبي نگاشت خودسامانده (self-organizing map) كه يكي از روش‌هاي متداول استخراج اطلاعات از داده‌ها است، براي پهنه‌بندي رقومي زمين‌ساختي ايران زمين به كار گرفته شده است. SOM نوعي شبكه عصبي مصنوعي غيرنظارتي (unsupervised artificial neural network) است كه براي الگوشناسي (pattern recognition) و خوشه‌بندي (clustering) داده‌هاي چند بعدي به كار مي‌رود. تجسم visualization)) داده‌هاي چند بعدي در پديده نگاشت (feature map) دوبعدي با حفظ توپولوژي (مكان‌شناسي) (topological-preserving)، از ديگر ويژگي‌هاي بارز كاربرد روش SOM در تهيه نقشه‌هاي رقومي است كه نمايانگر ميزان همگني و تقارب پهنه‌هاي تفكيك شده است. اگر چه نقشه‌هاي رقومي كه در اين پژوهش تهيه شده شباهت‌هاي بسياري با نقشه‌هاي سنتي (conventional maps) دارد، لكن نقشه‌هاي SOM از توانمندي‌هاي بهتري براي تفكيك و تفسير مناطق مختلف برخوردار هستند. روش جديد افزون‌بر تفكيك پهنه‌هاي زمين‌ساختي، ميزان همگني هر پهنه را نيز مشخص مي‌نمايد. مناطق با تاريخچه تحولات زمين‌شناسي مشابه، صرفنظر از موقعيت جغرافيايي‌شان، در يك پهنه قرار مي‌گيرند. براي مثال نتايج حاصل از اين روش حاكي از آن است كه پهنه‌هاي لوت و گاوخوني اصفهان نسبت به پهنه‌هاي مكران و آذربايجان غربي از درجه همگني بالاتري برخوردارند. مناطق كپه داغ و راندگي زاگرس نيز با وجود واقع شدن در دو منطقه‌ جغرافيايي متفاوت، براي يك پهنه با ويژگي‌‌هاي مشابه منفك شده‌‌اند. افزون‌بر آن، در نقشه رقومي تهيه شده، پهنه مكران از رشته كوه‌هاي خاور ايران و پهنه آذربايجان غربي از رشته كوه‌هاي البرز تفكيك شده‌اند. قابل توجه است كه نتايج به دست آمده توسط SOM فقط براساس متغيرهاي ژيوفيزيكي، زمين‌شناسي و لرزه‌خيزي ياد شده است، بنابراين بايد در تعيين شباهت و تمايز بين نقشه‌هاي رقومي و زمين‌ساختي رايج دقت لازم به عمل آيد.

One of the basic discussions in geosciences is construction of different tectonic zoning maps. In conventional tectonic zoning, not only the great amounts of subjective judgment are involved but also accurate interpretation of high-dimensional data is so difficult and out of human capability. To alleviate these deficiencies, quantitative scientific methods in data mining domain can be applied as an effective and useful tool to construct the new numerical maps in geosciences. In this paper self-organizing map (SOM) neural network that is one of the common methods in data mining has been applied for numerical tectonic zoning of Iran. SOM is an unsupervised artificial neural network particularly adept at pattern recognition and clustering of high-dimensional data. Visualization of high-dimensional data in two-dimensional topological-preserving feature map is another specific capability of SOM that represent both homogeneity within that the region has activity specially at two parts: central part (near the mountain front) and northwestern part (near the main divide of the Torud mountains) and therefore the tectonic activity class of the region can be number 1. The activity of the central part can be due to the movements of the Torud fault. The activity of the northwestern part is the result of the uplift of the region which is related to the at least one fault parallel with the Torud fault that has formed the relic mountain fronts at recent past. The distribution of strain of this activity shows the progressive deformation from north northwest to south southeast and from west to east. Keywords: The Torud Fault, Morphotectonics, Neotectonics, SL, Vf and Smf Indices. For Persian Version see pages 47 to 56