شكل‌گيري خوشه‌هاي پر خطر لرزه‌اي

Identification the Formation of the clusters for Earthquake Risk Reduction

در اين تحقيق براي تعيين بي‌هنجاريهاي قبل از وقوع زمين‌لرزه از شبيه‌سازي كاتولوگ‌هاي زلزله مشابه با استفاده از تابع كاپولا و معياري مبتني بر روش مونت كارلو براي مطالعه‌ و شناسايي خوشه‌هاي پر خطر زلزله‌هاي آينده استفاده شده است .به دليل غيريكنواختي كاتالوگ‌هاي لرزه‌خيزي موجود، با توليد كاتالوگ مصنوعي و روشهاي مبتني بر استدلال تقريبي، براي پيگيري رفتار فرآيندهاي پيچيده استفاده شده است. شبيه‌سازيهايي نظيرشبكه‌هاي عصبي مصنوعي، روش مونت كارلو و بويژه مدلسازي كاپولا براي تحليل اين الگوها، توزيع لرزه‌خيزي آينده درصفحه گسل را برجسته ترخواهد كرد.

In this paper an approach is presented to predict the concentration and the trend of seismic pattern and clusters of earthquakes. The method is based on Copulas and artificial Neural Networks that have attracted much attention in spatial statistics over the past few years. They are used as a flexible alternative to traditional methods for non- Gaussian spatial modeling and interpolation. This methodology shows how it can be predicted aftershocks distribution in a Bayesian framework by assigning priors to all model parameters. The Gaussian spatial copula model is equivalent to trans-Gaussian kriging with transformation function. A restriction of the Gaussian copula is that it models not only a symmetric but even a radials symmetric dependence, where high and low quartiles have equal dependence properties. Experimental results show that the proposed models are superior to predict and identify seismic risk at high seismicity areas.