Predicting the Location of a Possible Earthquake in Khorasan Razavi Province by Using Artificial Neural Network

Document Type : مقاله پژوهشی

Authors

1 Islamic Azad University, Lamerd, Iran

2 University of Kashan

3 , Islamic Azad University, Bojnurd

4 Islamic Azad University Mashhad

Abstract

1. Introduction
Khorasan Razavi province is located in northeast of Iran, and it had the population of 5,994,402 people in 2011 census. According to land use in Khorasan Razavi province, 71% of the total area of the province is in moderate to high hazard which 24 cities with a population of 2,900,000 and 1,063 villages with a population of 580,000 are in relatively high-risk zones. The province has more than 5,500 large and small faults detected that 60% area, 75% of towns and 35% of villages are in the privacy of these faults. This is when the fact that only 28% of houses in the province have a steel and concrete structure and 72% of houses also used other materials that will seriously damage in earthquake. The situation indicates that in the event of a large earthquake, the province of Khorasan Razavi will be faced with disaster; therefore, in this study we have tried to use the features of occurred earthquakes in Khorasan Razavi in the years 1900-2014, and the places that are more likely to have earthquake are identified and have prioritized planning.
2. Study Area
The current research area is in Khorasan Razavi province in I. R. Iran which the following are the most important characteristics of earthquakes happened and the seismic situation with regard to faults privacy are pointed out.
• 40% of the area of Khorasan Razavi province is in the safe range and about 60% of its area is located near fault lines.
• Checking the focal depth of earthquakes occurred in the region shows that more than 90% of these earthquakes had focal depth of less than 40 kilometers long and 79% of them also have a focal depth between 10 and 40 km respectively.
• The least of depth of the earthquake occurred in 1 km surface of the earth, the maximum depth was 64 kilometers and an average depth was 20.96 km of surface of the earth.
3. Material and Methods
A model of neural networks that was used in the classification and clustering of used data was Self Organization Feature Maps (SOM or SOFM). This was first presented by Kohonen and is known as Kohonen model. The root of Kohonen learning rule dates back to 1962 and unsupervised clustering issues. The primary goal of unsupervised Kohonen self-organizing neural networks is converting the input pattern with optional dimensions into a discrete model with one or two dimensions. The reason for selecting Kohonen neural network is that these networks are capable of categorizing large amounts of input data simultaneously and in parallel and recognizing seismic patterns. Using Kohonen neural network is due to internal statistical models in algorithms and unlike most statistical methods does not require many assumptions. It should be noted that the data used in the study through the information available on the website of International Institute of Earthquake Engineering and Seismology have been extracted from the characteristics of earthquake location (latitude), hours after the earthquake, the earthquake magnitude and depth of the earthquake in Khorasan Razavi province since the beginning of 1900 until the end of 2013. As well as a large number of earthquakes occurred in the area between 4-8 on the Richter scale are 199. Also, to evaluate the accuracy of neural network model used in the study, the statistical methods root mean square error (RMSE), mean bias error (MAE) and mean absolute error (MAE) are used.
4. Results and Discussion
After spatial prediction of a possible earthquake with a neural network, the predicted data have been processed by statistical analysis. Therefore, the Gaussian Mixture Model (GMM) was used. From seismic zoning maps percent it can be concluded that the maximum possibility of earthquake is predicted in the central region toward the west and the south east region of Khorasan Razavi province with a probability of 30% higher than other regions. Based on the model predictions it was good in cities of Mashhad, Fariman, Khaf, Gonabad, Kashmar, Khalil Abad, Torbat Heydarieh, Rashtkhar, Sabzevar, and Ghouchan and in other cities it is average. However, the total RMSE error model for Khorasan Razavi province is 0.460 that represents a model is a good fit. The results of MBE and MAE also confirm the results of RMSE criteria. The total amount of MBE model error is 0.274 and MAE model is 0.418 models that represent a good forecast.
5. Conclusion
The findings show that 12% of the urban population and 10% of rural population in zones with relatively high risk and most possibility of earthquake occurrence is in the central region toward the west of Province (Kashmar city and southeast of Sabzevar), southeast of Bardeskan and in southeast region (Khaf city) with 30% more than other predicted regions, this is while in cities of Kashmar, Sabzevar, Bardaskan and Khaf, respectively 10, 16, 17 and 18 percent of houses have used steel and reinforced concrete materials and 89, 83, 82 and 80% of houses in the cities have used stone, brick, wood, clay and mud that in case of a possible earthquake could cause irreparable damages to life and property. The Kohonen neural network model could predict the probability of earthquakes in areas which areigher than other regions of the province.

Keywords


اصغری اسکوئی، محمدرضا؛ 1381. کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی. فصلنامه پژوهش‌های اقتصادی ایران. شماره 12. 97-69.
اکبری مطلق، مصطفی؛ عباس زاده، غلامرضا؛ امینیان، امیر احمد؛ 1391. آسیب‌پذیری مجموعه شهری مشهد و مدیریت بحران آن در مقابل زلزله با تأکید بر تجارب جهانی. فصلنامه آمایش و توسعه پایدار. شماره 3. 23-7.
انوار، سید احمد؛ دستغیبی فرد، غلامحسین؛ نیکویی، احسان؛ مغاره، رسول؛ 1386. بررسی مطالعات انجام شده در زمینه پیش‌بینی زلزله با استفاده از الگوریتم‌های شبکه‌های عصبی مصنوعی. پنجمین کنفرانس بین‌المللی زلزله‌شناسی و مهندسی زلزله. 26-23 اردیبهشت‌ماه 1386. تهران.
آرین، مهران؛ 1382. ایران و دلایل زمین‌شناختی زمین‌لرزه. ماهنامه شهرداری‌ها. ویژه‌نامه شماره 12. 45-38.
برگی، خسرو؛ 1392. اصول مهندسی زلزله. تهران: انتشارات دانشگاه تهران. چاپ دهم. 574 صفحه.
پورمحمدی، محمدرضا؛ مصیب زاده، علی؛ 1387. آسیب‌پذیری شهرهای ایران در برابر زلزله و نقش مشارکت محله‌ای در امدادرسانی آن‌ها. فصلنامه جغرافیا و توسعه. شماره 12. 144-117.
جهاد دانشگاهی مشهد؛ 1389. مطالعات آمایش استان خراسان رضوی؛ تحلیل و ارزیابی موقعیت طبیعی و محیط زیستی. مشهد: استانداری خراسان رضوی. 149 صفحه.
جهاد دانشگاهی مشهد؛ 1389. مطالعات آمایش استان خراسان رضوی؛ ملاحظات دفاعی- امنیتی در آمایش استان. مشهد: استانداری خراسان رضوی، 257 صفحه.
حیاتی، سلمان؛ قربانی، علی؛ اسماعیلی، آسیه؛ قنبری، محمد؛ 1394. بررسی آسیب پذیری شهرهای ایران هنگام وقوع زلزله (نمونه: شهر مشهد). دومین کنفرانس بین‌المللی عمران، معماری و زیر ساخت‌های شهری. 8-7 مرداد ماه 1394. تبریز.
خاکپور، براتعلی؛ حیاتی، سلمان؛ کاظمی بی‌نیاز، مهدی؛ ربانی ابوالفضلی، غزاله؛ 1392. مقایسه تطبیقی/ تحلیلی میزان آسیب‌پذیری بافت‌های شهری در برابر زلزله با استفاده از مدل‌های تحلیل سلسله مراتبی و فازی (نمونه موردی: شهر لامرد). فصلنامه آمایش محیط. شماره 22. 38-21.
خزاعی، الهه؛ آل شیخ، علی اصغر؛ کریمی، محمد؛ وحیدنیا، محمد حسن؛ 1391. مقایسه دو روش مدل‌سازی با استفاده از شبکه عصبی - فازی در پیش‌بینی غلظت آلاینده مونوکسید کربن. فصلنامه محیط شناسی. شماره 4. 29-44.
خطیری یانسری، محمدرضا؛ امامی، بهنام؛ یزدی، مهدی؛ شاهکویی، عبدالحمید؛ 1387. معرفی روش‌های پیش‌بینی زلزله با استفاده از پیش‌نشانگرها. اولین کنفرانس بین‌المللی مقاوم‌سازی لرزه‌ای. 29 مهر الی 1 آبان ماه 1387. تبریز.
خلیلی عراقی، منصور؛ نوبهار، الهام؛ 1390. پیش‌بینی قیمت مسکن در شهر تبریز: کاربرد مدل‌های قیمت هدانیک و شبکه عصبی مصنوعی. فصلنامه پژوهش‌ها و سیاست‌های اقتصادی. شماره 60. 138- 113.
زمردیان، محمدجعفر؛ 1391. ژئومورفولوژی ایران؛ فرایندهای ساختمانی و دینامیک‌های درونی. مشهد: انتشارات دانشگاه فردوسی مشهد. چاپ ششم. 284 صفحه.
سلطانی، آزاده؛ صدوقی یزدی، هادی؛ اشک زری طوسی، سهیلا؛ روحانی، مجتبی؛ 1389. بهبود شبکه خودسازمان‌ده کوهونن با هدف خوشه‌بندی داده‌های فازی. دهمین کنفرانس سیستم‌های فازی ایران. 24-22 تیرماه 1389. تهران.
شاهنوشی، ناصر؛ ژاله رجبی، میترا؛ فیروز زارع، علی؛ غفاری، عباس؛ 1392. شناسایی عامل‌های مؤثر در ایجاد ضایعات نان و تمایز نانوایی‌ها با کاربرد تجزیه‌وتحلیل تمایزی و شبکه عصبی مصنوعی مبتنی بر آن (مطالعه موردی شهر مشهد). فصلنامه اقتصاد کشاورزی. شماره 3. 132-101.
شایان، سیاوش؛ زارع، غلامرضا؛ حق پناه، یعقوب؛ 1392. زلزله‌خیزی ایران و مقاوم‌سازی مدارس. مجله رشد آموزش جغرافیا. شماره 3. 25-19.
فرجی، امین؛ قرخلو، مهدی؛ 1389. زلزله و مدیریت بحران مطالعه موردی شهر بابل. مجله جغرافیا (فصلنامه علمی- پژوهشی انجمن جغرافیای ایران). شماره 25. 165-143.
کاظمی پشت مساوی، حسین؛ طهماسبی سروستانی، زین العابدین؛ کامکار، بهنام؛ شتایی، شعبان؛ صادقی، سهراب؛ 1391. ارزیابی روش‌های زمین آمار جهت تخمین و پهنه‌بندی عناصر غذایی پر مصرف اولیه در برخی اراضی کشاورزی استان گلستان. نشریه دانش آب و خاک. شماره 1. 218-201.
کیا، سید مصطفی؛ 1387. شبکه‌های عصبی درMATLAB . تهران: شرکت تعاونی خدمات نشر کیان رایانه سبز. چاپ سوم. 232 صفحه.
گرامی، محسن؛ سیوندی پور، عباس؛ تقدیسی، هادی؛ 1391. پیش‌بینی آماری پهنه‌بندی خطر زلزله احتمالی با استفاده از شبکه عصبی مصنوعی. نشریه زمین‌شناسی مهندسی. شماره 1. 1444-1429.
مرکز آمار ایران؛ 1390. نتایج تفصیلی سرشماری عموم و مسکن سال 1390.
مقدم، معصومه؛ 1388. ارزیابی تغییرات کاربری اراضی در برنامه‌ریزی حمل‌ونقل درون شهری با استفاده از شبکه‌های عصبی مصنوعی (نمونه موردی: شهر زنجان). مشکینی، ابوالفضل. دانشگاه زنجان. گروه جغرافیا.
نگارش، حسین؛ 1384. زلزله، شهرها و گسل‌ها. فصلنامه پژوهش‌های جغرافیایی. شماره 52. 51-34.
Shahnoushi, N., Zhaleh Rajabi, M., Firouz Zare, A., & Ghaffari, A. (2013). The effective factors in the development and differentiation of lesions bread bakeries using discriminant analysis and artificial neural network-based (Case study: Mashhad). Journal of Agricultural Economics, 3, 101-132.
Shayan, S., Zare, G., & Haghpanah, Y. (2013). Iran and seismic retrofitting schools. Journal of Geography Education, 3, 19-25.
Statistical Center of Iran. (2011). Detailed results of the general census and housing, Statistical Center of Iran.
Zomorodian, M. J. (2012). Iran geomorphological processes internal structure and dynamics(6th ed.) . Mashhad: Ferdowsi University Press.
CAPTCHA Image