کاربرد هوش مصنوعی در تحلیل داده‌های لرزه‌شناسی (مطالعه موردی: داده های پیش‌نشانگرها)

زمینه و هدف: ثبت دستگاهی داده‌های مربوط به پدیده زلزله در سده اخیر، رویکردهای جدیدی را برای استفاده از روش‌های نوین نگهداری، پردازش و تحلیل این نوع از داده‌ها به منظور سازمان‌دهی و طبقه‌بندی آن ها برای اهداف مرتبط با مدیریت خطرپذیری لرزه ای ارائه داده است. از جمله این رویکردها، استفاده از فناوری هوش مصنوعی برای کشف قوانین ذاتی و وابستگی‌ بین داده‌ها جهت طبقه‌بندی رویدادهای لرزه ای یا پیش‌بینی مقادیر پیوسته سری‌های زمانی می باشد.روش: در این تحقیق، کاربرد شاخه‌های مختلف هوش مصنوعی به خصوص روش های یادگیری ماشین و یادگیری عمیق در پردازش داده‌های مرتبط با زلزله با در نظر گرفتن ویژگی های خاص این نوع از داده‌ها اعم از وجود ارتباطات زمانی میان نمونه ها و توزیع به شدت ناموزون کلاس ها مورد تجزیه و تحلیل قرار گرفته است. سپس یک رویکرد جدید مبتنی بر شبکه بازگشتی عمیق تجهیز شده به تابع ضرر حساس به هزینه به منظور مدلسازی ارتباط بین داده‌های سری زمانی لرزه ای و احتمال وقوع زلزله‌های آتی پیشنهاد گردیده است. به منظور ارزیابی عملکرد مدل پیشنهادی، یک مطالعه موردی در زمینه طبقه بندی شدت شتاب بیشینه لرزه‌ای (pga) در گام زمانی بعدی بر اساس سری زمانی مربوط به پیش نشانگر لرزه ای فعالیت غیر طبیعی حیوانات انجام شده است.یافته‌ها: بهره گیری از شبکه های عمیق بازگشتی با توجه به توانایی های آن ها در به خاطر سپاری طولانی مدت ارتباطات زمانی میان نمونه ها، در مدلسازی سری های زمانی لرزه‌ای کاملا مثبت ارزیابی گردید. با این حال، در مسائل طبقه‌بندی داده‌های لرزه‌ای که همواره لرزش‌های جدی‌تر در مقابل حالت‌های غیر جدی به‌ندرت رخ می‌دهند، مسئله عدم تعادل کلاس به طور پررنگی حضور دارد که اگر این موضوع به ‌درستی کنترل نشود، می‌تواند عملکرد مدل‌ها را به نفع کلاس اکثریت به ‌شدت تحت تاثیر قرار دهد، به‌طوری‌که مدل‌ها تمایل خواهند داشت همه نمونه‌ها را به عنوان کلاس اکثریت برچسب‌گذاری کنند. این درحالی است که در اینگونه از مسایل، شناسایی صحیح کلاس اقلیت، اولویت اصلی را دارد.نتیجه‌گیری: نتایج مطالعه موردی نشان داد که رویکرد مبتنی بر یادگیری عمیق با میانگین دقت متعادل 81.2% و 59.3% به ترتیب بر روی داده‌های آموزشی و آزمون، عملکرد کاملاً بهتری را در مقایسه با شبکه های عصبی بازگشتی معمولی در طبقه بندی مقادیر pga از خود بر جای گذاشته است. همچنین این مطالعه نشان داده است که با اصلاح کردن تابع هزینه شبکه های بازگشتی عمیق به کمک رویکرد حساس به هزینه، می توان چالش عدم تعادل کلاس داده‌های لرزه‌ای را نیز به خوبی کنترل نمود.

Artificial intelligence applications in analyzing seismological data (Case study: Precursors data)

Background and objective: Systematic recording of earthquake data in the last century has developed new approaches to using innovative methods to maintain, process, and analyze this type of data in order to organize and classify them for seismic risk management purposes. Among these approaches is the use of artificial intelligence technology to discover intrinsic rules and interdependencies between data to classify seismic events or to predict continuous values of time series.Method: In this research, the applications of various branches of artificial intelligence, especially machine learning and deep learning methods in the processing of earthquakerelated data have been analyzed by considering the specific characteristics of this type of data, including the temporal relationships between samples and the highly skewed distribution of classes. Then, a new approach based on deep recurrent networks equipped with costsensitive loss function is proposed to model the relationship between seismic time series data and the probability of future earthquakes. In order to evaluate the performance of the proposed model, a case study on the classification of Peak Ground Acceleration (PGA) severity in the next time steps has been performed based on the time series related to the seismic precursor of abnormal activity of animals.Findings: The use of deep recurrent networks due to their ability to memorize longterm temporal relationships among samples, was evaluated quite positively in the modeling of seismic time series. However, in seismic data classification problems, in which more serious earthquakes occur less frequently than in nonserious cases, the problem of class imbalance plays a prominent role which, if not properly controlled, can greatly affect the performance of models in favor of the majority class. So that models will tend to label all the samples as a majority one, while in such situations the correct identification of the minority class has the topmost priority.Results: The results of the case study revealed that the deep learning based approach with an average balancedaccuracy of 81.2% and 59.3% on training and test data, respectively, has left a completely better performance compared to conventional recurrent neural networks in the classification of PGA values. This study also shows that by modifying the loss function of deep recurrent networks using the costsensitive approach, the challenge of seismic data class imbalance can be well controlled.