فصلنامه علمی علوم زمین

فصلنامه علمی علوم زمین

مقایسه شبکه عصبی عمیق، جنگل تصادفی و روشهای ترکیبی برای برآورد مکانی پس‌لرزه با تغییرات تنش ایستا

نوع مقاله : مقاله پژوهشی

نویسنده
گروه نقشه برداری،دانشکده عمران، دانشگاه تبریز، تبریز، ایران
10.22071/gsj.2026.586608.2254
چکیده
برآورد مکانی پس‌لرزه یکی از چالش‌های اساسی زلزله‌شناسی است. در این مطالعه، شبکه عصبی عمیق DeVries18، جنگل تصادفی بهینه‌شده (۳۰۰ درخت، وزن‌دهی متوازن)، و چهار روش ترکیبی (میانگین ساده، میانگین وزنی، انبارش با رگرسیون لجستیک، و رأی‌گیری سخت) برای طبقه‌بندی سلول‌های شبکه بر اساس وقوع پس‌لرزه مقایسه شدند. مدل‌ها با تقسیم رویدادمحور و ۱۰ اجرای مستقل ارزیابی شدند. نتایج نشان داد میانگین ساده با آستانه ۰.۳۸۸±۰.۰۲۲ بالاترین دقت مثبت (۰.۷۱۴±۰.۰۰۵) و ویژگی (۰.۸۰۳±۰.۰۰۹) را دارد. شبکه عصبی عمیق با AUC (۰.۸50±۰.۰۰1) و امتیاز F1 (۰.712±۰.۰۰4) برترین قدرت تفکیک را ارائه داد، درحالی‌که جنگل تصادفی با زمان آموزش ۱۲.۸۷ ثانیه (حدود ۱۳ برابر سریع‌تر) و دقت مثبت ۰.۷۰۹±۰.۰۰۰، گزینه‌ای کارآمد برای سامانه‌های عملیاتی است. آزمون t-test زوجی تفاوت معنادار AUC بین مدل‌ها را تأیید کرد (0.001>p). تنظیم آستانه حساس به هزینه با نسبت هزینه منفی‌کاذب به مثبت‌کاذب برابر ۲، میانگین ساده را امتیاز F1 0.741 و بازیابی ۰.۸۱۴ رساند که از شبکه عصبی عمیق برتر است. تحلیل SHAP اهمیت مؤلفه‌های برشی هر دو مدل را تأیید کرد که با نظریه کولمب همخوانی دارد. انتخاب مدل و تنظیم آستانه باید بر اساس اولویت عملیاتی انجام شود و روش‌های ترکیبی با آستانه‌های حساس به هزینه، انعطاف‌پذیری بالایی برای سامانه‌های هشدار پس‌لرزه فراهم می‌آورند.
کلیدواژه‌ها
موضوعات


مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 27 آبان 1405