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

مخاطرات طبیعی از جمله زمین لرزها، از چالش های جدی برای جوامع بشری به شمار می روند. این پدیده ها 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 پیش بینی رخ می دهند، لازم است که ارزیابی و مدیریت بهینه این مخاطرات در دستور کار سیاست گذاران و مسئولان مدیریت بحران قرار گیرد. پیشرفت ها و دستاوردهای اخیر در زمینه الگوریتم های هوشمند توانسته است توان بشر در کاهش آثار ناشی از وقوع را کاهش دهد. از نمونه این دستاوردها، سیستم های هشدار سریع زمین لرزه هستند که به عنوان ابزاری موثر در کاهش آسیب ها و تلفات انسانی مطرح شده و می توانند 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 الگوریتم های یادگیرنده، وجود داده های آموزشی کافی می باشد که بتواند شرایط متنوع قابل انتظار را پوشش دهد. این در حالی است که در مواردی مانند داده های مربوط به مطالعات زمین لرزه که تعداد نمونه های موجود در دسترس ناکافی است، تکنیک های داده افزایی استفاده می شوند. در این تحقیق، تاثیر داده افزایی در محاسبه بزرگای زمین لرزه به صورت آنی و بر اساس داده های جنبش نیرومند زمین مورد بررسی قرار گرفته است. بر اساس تحلیل های صورت گرفته بر روی داده های بیش از سه هزار زمین لرزه بوقوع پیوسته نشان داده شده است که استفاده از داده افزایی موجب بهبود عملکرد تعمیم دهی شبکه یادگیرنده به مقدار 37 درصد شده است.

investigating the effect of data augmentation on the intelligentization of environmental hazard studies - case study: real-time calculation of earthquake magnitudes in early warning systems

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%.