چکیده

:

مطالعه روند تکامل زمانی و مکانی زمین لرزه ها در یک منطقه برای تعیین خطر زلزله منطقه مفید است تا دولت های محلی بتوانند تصمیمات صحیح را برای پیشگیری و کاهش بلایا اتخاذ کنند. در این مقاله، ما یک روش جدید برای تجزیه و تحلیل روند تکامل زمانی و مکانی زمین لرزه ها بر اساس زمین لرزه هایی با بزرگی 3.0 یا بالاتر از سال 1980 تا 2019 در کالیفرنیا و نوادا پیشنهاد می کنیم. نتایج آزمایش نشان می‌دهد که (1) فراوانی زمین‌لرزه‌هایی با بزرگی 4.5 یا بالاتر، روند تغییر نسبتاً منظمی از کاهش-افزایش را در این منطقه نشان می‌دهد. (2) با استفاده از روش مرکز میانگین وزنی برای تجزیه و تحلیل غلظت مکانی رویدادهای زلزله با بزرگی 3.0 یا بالاتر در این منطقه، متوجه شدیم که مرکز میانگین وزنی رویدادهای زلزله در این ناحیه یک قانون حرکت از نوع حلزونی را نشان می‌دهد، جایی که از همه طرف به مرکز نزدیک‌تر می‌شود. (3) جهت توزیع مکانی رویدادهای زلزله در این منطقه یک الگوی NW-SE را نشان می دهد که از روش بیضی انحراف استاندارد (SDE) استفاده می شود، که اساساً با جهت منطقه گسلی سن آندریاس در سراسر شمال و همخوانی دارد. جنوب کالیفرنیا؛ و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. جایی که از همه طرف به مرکز نزدیکتر می شود. (3) جهت توزیع مکانی رویدادهای زلزله در این منطقه یک الگوی NW-SE را نشان می دهد که از روش بیضی انحراف استاندارد (SDE) استفاده می شود، که اساساً با جهت منطقه گسلی سن آندریاس در سراسر شمال و همخوانی دارد. جنوب کالیفرنیا؛ و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. جایی که از همه طرف به مرکز نزدیکتر می شود. (3) جهت توزیع مکانی رویدادهای زلزله در این منطقه یک الگوی NW-SE را نشان می دهد که از روش بیضی انحراف استاندارد (SDE) استفاده می شود، که اساساً با جهت منطقه گسلی سن آندریاس در سراسر شمال و همخوانی دارد. جنوب کالیفرنیا؛ و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. (3) جهت توزیع مکانی رویدادهای زلزله در این منطقه یک الگوی NW-SE را نشان می دهد که از روش بیضی انحراف استاندارد (SDE) استفاده می شود، که اساساً با جهت منطقه گسلی سن آندریاس در سراسر شمال و همخوانی دارد. جنوب کالیفرنیا؛ و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. (3) جهت توزیع مکانی رویدادهای زلزله در این منطقه یک الگوی NW-SE را نشان می دهد که از روش بیضی انحراف استاندارد (SDE) استفاده می شود، که اساساً با جهت منطقه گسلی سن آندریاس در سراسر شمال و همخوانی دارد. جنوب کالیفرنیا؛ و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد. و (4) الگوی توزیع مکانی رویدادهای زلزله در این منطقه با استفاده از روش تحلیل خودهمبستگی فضایی جهانی خوشه‌بندی شده است. این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و درک خطر زلزله در یک منطقه ارائه می دهد.

 

1. مقدمه

زلزله یکی از بلایای طبیعی اصلی روی زمین است [ 1 ، 2 ]. زمین لرزه ای به بزرگی 7.8 در سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، در 18 آوریل 1906 رخ داد که بیشتر مناطق کالیفرنیا، از شهر اورگان تا لس آنجلس را تحت تاثیر قرار داد و بیش از 4 میلیون دلار خسارت اقتصادی به بار آورد [ 3 ، 4 ]. پیش بینی زلزله یک کار مهم در سراسر جهان است [ 5]. اگر بتوان مکان، زمان و بزرگی زمین لرزه های بزرگ آینده را به دقت پیش بینی کرد، ممکن است جان میلیون ها نفر نجات یابد. اگرچه پیش‌بینی وقوع زلزله دشوار است، اما مطالعات اخیر نشان داده‌اند که می‌توان با مطالعه فرآیندهای تکامل زمانی و مکانی رویدادهای زلزله، روند تغییر در خطر زلزله در یک منطقه خاص را تحلیل کرد [ 6 و 7 ]. برای پیشگیری و کاهش بلایا مفید است.
رویدادهای زلزله را می توان به عنوان داده هایی با ویژگی های مکانی در نظر گرفت. با توجه به محدودیت‌های فضایی جهت‌ها و فواصل مختلف بین داده‌های مکانی، روش‌های تحلیل آماری سنتی را نمی‌توان برای توصیف روابط محدودیت بین این داده‌های مکانی استفاده کرد. آمار فضایی کاربرد جدیدتری از داده های مکانی است [ 8 و 9 ]. این رشته آمار را با فناوری محاسبات گرافیکی مدرن ترکیب می کند و توزیع فضایی ضمنی، الگوی فضایی و تعاملات فضایی را در داده های مکانی با استفاده از روش های بصری نشان می دهد [ 10 ]. پس از توسعه مستمر، روش آمار فضایی به طور گسترده ای در زمینه هایی مانند جامعه شناسی، زیست شناسی، جمعیت شناسی، جرم شناسی و زمین شناسی استفاده شده است [ 11 ].].
از منظر آمار مکانی، فرآیندهای تکامل زمانی و مکانی اشیا در داده‌های مکانی دارای قوانین خاصی است. مطالعه و تسلط بر این قوانین در تمام جنبه های زندگی برای ما مفید است. در پاسخ به بلایا، برای مثال، گان و همکاران. [ 12 ] تکامل زمانی و مکانی پوشش گیاهی در حوضه رودخانه میانیوان را با استفاده از تصاویر سنجش از دور پوشش گیاهی از سال 1994 تا 2017 مورد مطالعه قرار داد. برای ترمیم و دوره نقاهت پوشش گیاهی این منطقه هشت تا نه سال پس از آسیب دیدگی است. وانگ و همکاران [ 13] روند تکامل زمانی و مکانی در خشکسالی در شمال شانشی را با استفاده از مقدار میانگین مجموعه چند مدل مورد مطالعه قرار داد. نتایج نشان داد که بارش و دمای این منطقه در آینده از جنوب به شمال افزایش خواهد یافت که بیشترین افزایش در غرب خواهد بود. این مطالعه اطلاعاتی را ارائه کرد که می توان از آن برای کاهش خطر خشکسالی در این منطقه استفاده کرد. بر اساس داده های اندازه گیری شده از 56 ایستگاه بارش و 11 ایستگاه هیدرولوژیکی در مرکزی گوئیژو، چین، He et al. [ 14] شاخص تاخیر (LI) را برای تجزیه و تحلیل ویژگی‌های تکامل زمانی و مکانی رواناب بارندگی در این منطقه توسعه داد. نتایج نشان داد که اثر تأخیری رواناب بر بارندگی در منطقه عمدتاً سه دوره تأخیر را نشان می‌دهد و ترتیب تفاوت‌های توزیع زمانی و مکانی شدت‌های تأخیر دو دوره تأخیر بود (62/0 = Cv). ژانگ و همکاران [ 15 ] از روش آمار فضایی برای انجام یک تجزیه و تحلیل آماری سیستماتیک از لغزش های ایبوری استفاده کرد و چندین ویژگی خاص آن را تعیین کرد، مانند تمرکز بالا و تحرک بالا در منطقه با فاجعه شدید. چی و همکاران [ 16] داده های سنجش از دور زمین لغزش های ناشی از زلزله ونچوان را مطالعه کرد و دریافت که وقوع زمین لغزش در شیب های مختلف با ساختارهای مختلف متفاوت است.
بسیاری از محققان ویژگی های تکامل زمانی و مکانی رویدادهای زلزله را بررسی کرده اند. به عنوان مثال، دیاس و همکاران. [ 17] روشی را برای مطالعه توزیع احتمال زمانی و مکانی زمین لرزه ها پیشنهاد کرد که در آن تأثیر مجموعه داده های زمین لرزه بر توزیع احتمال زمانی و مکانی زمین لرزه ها بر اساس اعماق مختلف هیپومرکزها و آستانه ها مورد بحث قرار گرفت. نتایج تجربی نشان داد که افزایش جهش تشکیل‌دهنده توالی بین زلزله‌ها بر ویژگی‌های غیر گسترده در توزیع احتمال موقت تأثیر می‌گذارد. این تجزیه و تحلیل نقش استحکام درمان های مکانیک آماری غیر گسترده را در تحقیقات زلزله نشان داد و نشان داد که روشی موثر برای آزمایش حافظه و تعاملات است. یانگ و همکاران [ 18] از روش پویش زمانی و مکانی برای شناسایی خوشه‌های زلزله بر اساس داده‌های زلزله‌های با بزرگی گشتاور (Mw) نه کمتر از 5.6 از سال 1960 تا 2014 استفاده کرد. نتایج نشان داد که خوشه‌های زلزله را می‌توان بر اساس مدت زمان به دو نوع طبقه‌بندی کرد. : خوشه های پایدار و خوشه های انفجاری. هوانگ و همکاران [ 19] از روش تشخیص فیلتر همسان برای به دست آوردن یک کاتالوگ نسبتا کامل (قدرت کامل ≈ 0.9) و مکان دقیق کاتالوگ زلزله در طول 2019 M 6.4 و M 7.1 Ridgecrest، توالی زلزله کالیفرنیا استفاده کرد و تأثیر فرآیند تکامل مکانی-زمانی را مورد بحث قرار داد. توالی پیش لرزه در فرآیند آماده‌سازی و هسته‌زایی شوک اصلی، که برای بهبود درک ما از فعل و انفعالات گسل‌ها، راه‌اندازی زلزله، و خطرات زلزله در حال تکامل در طول یک توالی زلزله‌ای در حال انجام، مهم است.
در سال های اخیر، با پیشرفت سریع هوش مصنوعی، محققان شروع به استفاده از هوش مصنوعی برای بررسی خطر زلزله کرده اند. جنا و همکاران [ 20 ] یک روش جدید ارزیابی خطر زلزله را پیشنهاد کرد که اعتبارسنجی متقاطع شبکه عصبی مصنوعی (4 برابر ANN-CV) و تکنیک فرآیند تحلیل سلسله مراتبی ترکیبی برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل (AHP-TOPSIS) را ترکیب می کند. آن را در آچه، اندونزی اعمال کرد. نتایج تجربی نشان داد که دقت مدل 4/85 درصد و نسبت قوام 06/0 بود. این مدل مزایای یک ساختار ساده، تنظیم پارامتر راحت، گسترش آسان به مناطق دیگر، و مساعدت برای پیشگیری و کاهش خطر زلزله را فراهم می کند. جیا و همکاران [ 21] یک روش یادگیری ماشینی برای درونیابی داده های لرزه ای پیشنهاد می کند. دیوریز و همکاران [ 22 ] روشی برای یادگیری عمیق برای پیش بینی توزیع فضایی پس لرزه ها پیشنهاد کرد. کریم زاده و همکاران [ 23 ] از الگوریتم های مختلف یادگیری ماشین برای پیش بینی الگوهای پس لرزه استفاده کرد. میگنان و همکاران [ 24 ] عملکرد DNN و رگرسیون لجستیک را در پیش بینی توزیع فضایی پس لرزه ها در عواقب رویدادهای بزرگ لرزه ای مقایسه کردند.
در صورت تسلط بر قواعد تکامل زمانی و مکانی رویدادهای زلزله در یک منطقه خاص با زلزله‌های مکرر، دولت‌های محلی می‌توانند تصمیمات صحیحی در خصوص پیشگیری و کاهش بلایا اتخاذ کنند. کمربندهای گسلی زیادی در کالیفرنیا و نوادا وجود دارد که معمولاً زلزله‌های مکرر را تجربه می‌کنند [ 25 ]. برخلاف تحقیق فوق، ما از مرکز میانگین وزنی، بیضی انحراف استاندارد (SDE) و خودهمبستگی فضایی جهانی در آمار فضایی برای مطالعه ویژگی‌های تکامل زمانی و مکانی در رویدادهای زلزله در کالیفرنیا و نوادا در 40 سال گذشته استفاده کردیم و تجزیه و تحلیل کردیم. تغییر روند خطر زلزله در این منطقه بر اساس نتایج تجربی روش های فوق.

2. منطقه مطالعه

کالیفرنیا و نوادا در غرب ایالات متحده قرار دارند و دارای کمربندهای خطای زیادی هستند که از فعال ترین آنها در جهان هستند. ما تلاش کردیم تا با مطالعه ویژگی‌های تکامل زمانی و مکانی رویدادهای زلزله در کالیفرنیا و نوادا، روند تغییر در خطر زلزله در این منطقه را تحلیل کنیم. محدود به دقت ابزارهای لرزه نگاری و فناوری مکان یابی لرزه ای، زمین لرزه های کمتر از 3.0 در کاتالوگ زلزله های مختلف ممکن است متفاوت باشند، و داده های لرزه ای کمی از قبل از سال 1980 وجود دارد، بنابراین رویدادهای زلزله با بزرگی 3.0 یا بالاتر در کالیفرنیا و نوادا از سال 1980 تا 2019 به عنوان اهداف مورد مطالعه انتخاب شدند. منطقه تحقیق (115.24°~122.54°W، 32.97°~38.37° شمالی) انتخاب شد، همانطور که در شکل 1 نشان داده شده است.. از سال 1980 تا 2019 در مجموع 15762 زمین لرزه با بزرگی 3.0 یا بالاتر در این منطقه رخ داده است که شامل 22 زلزله با بزرگی 6.0 یا بالاتر است و از کاتالوگ زلزله USGS ( https://earthquake.usgs.gov/ ) به دست آمده است. ).
از آنجایی که هدف از این مطالعه، تحلیل تغییر روند خطر زلزله در یک منطقه خاص با مطالعه ویژگی‌های تکامل زمانی و مکانی رویدادهای زلزله در این منطقه بود، رویدادهای زلزله در بعد زمانی به بخش‌های متعددی تقسیم شدند.

3. روش

مرکز زمین لرزه را می توان نقطه ای روی نقشه و طول و عرض جغرافیایی آن را مختصات نقطه (x,y) آن در نظر گرفت. در این مطالعه، ما از چهار روش اصلی برای بررسی ویژگی‌های تکامل زمانی و مکانی رویدادهای زمین‌لرزه در برش‌های زمانی مختلف و تحلیل خطر رویدادهای زلزله در کالیفرنیا و نوادا استفاده کردیم. ابتدا قاعده فراوانی لرزه خیزی در منطقه تحقیقاتی با استفاده از تعداد زلزله در برش های زمانی مختلف مورد تجزیه و تحلیل قرار گرفت. ثانیاً، ما از روش مرکز میانگین وزنی برای محاسبه مرکز رویدادهای زلزله در برش‌های زمانی مختلف استفاده کردیم و تحول زمانی و مکانی روند تمرکز مکانی در رویدادهای زلزله در منطقه تحقیقاتی را تحلیل کردیم. سپس، مدل SDE آمار فضایی برای مطالعه تکامل زمانی و مکانی توزیع جهتی رویدادهای زلزله در برش‌های زمانی مختلف استفاده شد. در نهایت، خود همبستگی فضایی جهانی برای مطالعه فرآیند تکامل زمانی و مکانی الگوهای توزیع مکانی رویدادهای زلزله در برش‌های زمانی مختلف مورد استفاده قرار گرفت.
روش‌های بیضی انحرافی استاندارد و روش‌های مرکز میانگین وزنی مورد استفاده در این مطالعه باید توسط رویدادهای زلزله کافی پشتیبانی شوند. در غیر این صورت، خطاهای محاسباتی بزرگی رخ می دهد. هر چه بخش زمانی منفرد طولانی تر باشد، نتیجه قابل اطمینان تر است. برای بررسی اینکه آیا رویدادهای زلزله در این منطقه دارای نظم در بعد زمانی هستند، به برش های زمانی بیشتری نیاز داشتیم. هرچه تعداد بخش های زمانی بیشتر باشد، نتیجه واضح تر است. این یک تناقض ایجاد کرد. برای برآوردن نیازهای تحقیقاتی فوق، پس از بررسی جامع، ما 40 سال (1980-2019) رویدادهای زلزله در منطقه کالیفرنیا-نوادا را به 10 بخش زمانی تقسیم کردیم که هر کدام دارای 4 سال رویداد زلزله بودند. رویدادهای زلزله بر اساس استاندارد بین المللی بزرگی ریشتر طبقه بندی شدند.جدول 1 .

3.1. مرکز میانگین وزنی

الگوریتم مرکز میانگین وزنی تأثیر اهمیت هر داده در گروهی از داده ها را بر روند غلظت کلی منعکس می کند. الگوریتم فرض می کند که ما یک مجموعه داده محدود داریم fمن; داده های مختلف در مجموعه داده ها وزن های متفاوتی دارند و وزن نشان دهنده اهمیت داده ها در مجموعه داده ها است. سپس، مقدار میانگین وزنی مجموعه داده، مجموع حاصلضرب هر عدد و وزن آن تقسیم بر مجموع همه اوزان است [ 26 ]]. اندازه میانگین وزنی نه تنها به اندازه هر مقدار، بلکه به تعداد دفعاتی که هر مقدار ظاهر می شود نیز بستگی دارد. مختصات کانون رویدادهای زلزله در برش های زمانی مختلف به عنوان یک مجموعه داده در نظر گرفته شد. با توجه به اینکه اغلب پس لرزه های زیادی در نزدیکی زمین لرزه بزرگ رخ می دهد، ما از بزرگی زلزله به عنوان وزن رخدادهای زلزله در منطقه تحقیقاتی برای محاسبه میانگین وزنی مرکز مختصات رویدادهای زلزله در برش های زمانی مختلف استفاده کردیم که برای تحلیل زمانی و زمانی مفید بود. فرآیند تکامل فضایی روندهای تمرکز مکانی توزیع زلزله. میانگین موزون مرکز به صورت زیر محاسبه شد:

ایکس¯=∑من=1nwمنایکسمن∑من=1nwمن
Y¯=∑من=1nwمنyمن∑من=1nwمن

جایی که ایکسمنو yمنمختصات طول و عرض جغرافیایی رویداد زلزله i هستند. n تعداد کل رخدادهای زلزله در برش های زمانی مختلف است. و wمنبزرگی رویداد زلزله i است.

ابزار تحلیل مرکز میانگین وزنی در جعبه ابزار ArcGIS 10.5 برای تجزیه و تحلیل رویدادهای زلزله در برش های زمانی مختلف استفاده شد. زیرمجموعه‌های رویداد زلزله از برش‌های زمانی مختلف به‌عنوان عناصر ورودی انتخاب شدند و بزرگی زلزله به‌عنوان میدان وزنی برای به‌دست آوردن مراکز میانگین وزنی رویدادهای زلزله‌ای با بزرگی 3.0 یا بالاتر در برش‌های زمانی مختلف استفاده شد.

3.2. بیضی انحرافی استاندارد

SDE در آمار فضایی برای توصیف ویژگی های توزیع فضایی عناصر جغرافیایی در یک منطقه خاص استفاده شد. اولین بار توسط Lefever [ 27 ، 28 ، 29 ] پیشنهاد شد] در سال 1926 و به طور گسترده در زمینه هایی مانند جامعه شناسی، جمعیت شناسی، جرم شناسی، زمین شناسی و بوم شناسی به کار گرفته شده است. ویژگی های توزیع فضایی شی مورد مطالعه را می توان با استفاده از بیضی توزیع فضایی شی مورد مطالعه با محور اصلی، محور فرعی و آزیموت به عنوان پارامترهای اساسی توصیف کرد. بیضی توزیع فضایی مرکز میانگین توزیع فضایی عناصر جغرافیایی را به عنوان مرکز می گیرد، آزیموت جهت روند اصلی توزیع شی مورد مطالعه را منعکس می کند، جهت محور اصلی بیضی نشان دهنده جهت با توزیع فضایی بیشتر جغرافیایی است. عناصر، و جهت محور فرعی نشان دهنده جهت با توزیع فضایی کمتر عناصر جغرافیایی است [ 30 ، 31]. هرچه تفاوت بین محور اصلی و محور فرعی بیشتر باشد، جهت‌گیری عناصر جغرافیایی مهم‌تر است. اگر طول محور اصلی برابر با طول محور فرعی باشد، توزیع عناصر جغرافیایی هیچ ویژگی جهتی ندارد. این پارامترهای اصلی به صورت زیر محاسبه می شوند:

ایکس¯=∑من=1nایکسمنn
Y¯=∑من=1nyمنn

جایی که ایکسمنو yمنمختصات طول و عرض جغرافیایی رویداد زلزله i هستند. n تعداد کل رویدادهای زلزله را در برش های زمانی مختلف نشان می دهد. و ایکس¯و Y¯مراکز SDE در برش های زمانی مختلف هستند.

برنزهθ=∑من=1nایکسمن˜2–∑من=1nyمن˜2+∑من=1nایکسمن˜2–∑من=1nyمن˜22+4∑من=1nایکسمن˜yمن˜22∑من=1nایکسمن˜yمن˜
σایکس=2∑من=1nایکسمن˜cosθ–yمن˜گناهθ 2n
σy=2∑من=1nایکسمن˜گناهθ–yمن˜cosθ 2n

جایی که θآزیموت بیضی است که نشان دهنده زاویه تشکیل شده توسط چرخش جهت عقربه های ساعت جهت شمال به محور اصلی بیضی است. ایکسمن˜و yمن˜انحراف مختصات از مختصات رخداد زلزله i و j را به مرکز متوسط ​​نشان دهید. σایکسطول محور اصلی بیضی است. و σyطول محور کوچک بیضی است.

برای ایجاد مدل SDE برای رویدادهای زلزله برش های زمانی مختلف در منطقه تحقیقاتی، ابتدا از ابزار توزیع جهتی در جعبه ابزار ArcGIS 10.5 استفاده شد. سپس رویدادهای زلزله برش های زمانی مختلف به عنوان عناصر ورودی انتخاب شدند، اندازه بیضی روی 1_STANDARD_DEVIATION تنظیم شد و بزرگی زلزله به عنوان میدان وزن برای نشان دادن اهمیت زلزله در مجموعه رویداد استفاده شد. در نهایت، بیضی های انحراف استاندارد برش های زمانی مختلف تولید شد.

3.3. تجزیه و تحلیل خودهمبستگی فضایی جهانی

خودهمبستگی فضایی جهانی یک معیار ارزیابی همبستگی بین متغیرها و موقعیت مکانی آنها است که رابطه بین ویژگی ها و موقعیت های ویژگی های فضایی را اندازه گیری می کند [ 32 ، 33 ، 34 ]. طبق قانون اول جغرافیای توبلر، همه چیز به هر چیز دیگری مرتبط است و چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند [ 35 ، 36 ، 37 ]]، که با تعریف خودهمبستگی فضایی جهانی یک عنصر نقطه ای همزمان است. شاخص جهانی موران یک شاخص آماری محبوب خود همبستگی فضایی جهانی است که برای تجزیه و تحلیل الگوی توزیع فضایی اشیاء تحقیقاتی در کل منطقه تحقیقاتی استفاده می‌شود، آیا الگوی خوشه‌ای را نشان می‌دهد و شباهت کلی.
ما از ابزارهای تحلیل فضایی در ArcGIS 10.5 برای ارزیابی همبستگی فضایی جهانی رویدادهای زلزله در برش‌های زمانی مختلف در منطقه تحقیقاتی استفاده کردیم.
به طور کلی، توزیع فضایی الگوهای نقطه ای به سه نوع اصلی تقسیم می شود: پراکنده، تصادفی و خوشه ای. روش تحلیل کوادرات رایج ترین روش بصری مورد استفاده برای مطالعه انواع توزیع الگوهای نقطه مکانی است. انواع توزیع مکانی رویدادهای زلزله در کالیفرنیا و نوادا با استفاده از روش تحلیل کوادرات تجزیه و تحلیل شد.
ابتدا منطقه تحقیقاتی را با ایجاد تورهای ماهیگیری به شبکه های کوچک تقسیم کردیم و سپس تعداد رخدادهای زلزله را در شبکه های مختلف شمارش کردیم. با توجه به آزمایش اسمیت [ 38 ، 39 ، 40 ]، فرمول محاسبه بهینه برای ایجاد تورهای ماهیگیری عبارت است از:

اس=2آr
آ=اس،

که در آن S مساحت شبکه است، A نشان دهنده مساحت منطقه تحقیقاتی، و r نشان دهنده تعداد کل رویدادهای زلزله در برش های زمانی مختلف در منطقه مورد مطالعه است. اگرچه هر شکل بسته از نظر تئوری می تواند به عنوان شکل شبکه استفاده شود، مربع بهترین انتخاب است زیرا ساخت و ادغام آن در یک شکل بزرگ آسان است. بنابراین، مربع هایی را برای ساخت شبکه انتخاب کردیم. ما از رابطه (9) برای استنباط a استفاده کردیم که طول ضلع شبکه است. شکل 2 یک نمونه تور ماهیگیری از رویدادهای زلزله را نشان می دهد (برش زمانی: 1980-1983).

دوم اینکه دستور Spatial Join Processing را اجرا کردیم که برای ایجاد آماری از تعداد زلزله های هر شبکه در تور ماهیگیری استفاده می شود و تعداد زلزله های هر شبکه به عنوان فیلد تحلیل در روش تحلیل خودهمبستگی فضایی جهانی انتخاب شد. .
در نهایت، ArcGIS گزارش تجزیه و تحلیل شامل شاخص جهانی موران، p -value و z-score را تهیه کرد. شاخص جهانی موران به صورت زیر بیان می شود [ 41 ]:

من =nس0∑من=1n∑j=1nwمن،jzمنzj∑من=1nzمن2
zمنzj=ایکسمن–ایکس¯ایکسj–ایکس¯
س0=∑من=1n∑j=1nwمن،j

جایی که ایکسمنو ایکسjنشان دهنده تعداد رخدادهای زلزله در شبکه های i و j به ترتیب. ایکس¯میانگین تعداد رخدادهای زلزله در هر شبکه را نشان می دهد زمنو زjتعداد انحرافات بین تعداد رخدادهای زلزله در شبکه‌های i و j و میانگین تعداد نقاط زلزله در هر شبکه را نشان می‌دهد. wمن،jوزن فضایی بین شبکه i و شبکه j را نشان می دهد . n تعداد کل نقاط زلزله را در برش های زمانی مختلف نشان می دهد. و س0خوشه ای از وزن های فضایی برای همه شبکه ها است.

مقدار شاخص جهانی موران بین 1 و -1 متغیر است. هنگامی که شاخص جهانی موران بزرگتر از 0 باشد، توزیع مکانی رویدادهای زلزله به سمت خوشه بندی گرایش پیدا می کند. هر چه شاخص موران جهانی بزرگتر باشد، خوشه بندی آشکارتر است. هنگامی که شاخص موران برابر با 0 باشد، هیچ رابطه فضایی آشکاری وجود ندارد، به این معنی که توزیع مکانی رویدادهای زلزله تصادفی است. در غیر این صورت پراکنده می شود. [ 42 ].
در رابطه (10) باید مقدار وزن فضایی را دانست wهنگام محاسبه شاخص جهانی موران. ArcGIS 10.5 شش روش برای تولید وزن فضایی ارائه می دهد. در بین روش های شش گانه، روش INVERSE_DISTANCE فرض می کند که رابطه فضایی بین عنصر و عناصر دیگر رابطه ای است که نشان دهنده تضعیف با افزایش فاصله است که با قانون اول جغرافیا منطبق است و بنابراین برای پدیده های جغرافیایی با وضوح قابل استفاده است. روابط فضایی مانند زلزله بنابراین، ما روش INVERSE_DISTANCE را برای تولید وزن فضایی انتخاب کردیم. در روش CONTIGUITY_EDGES_ONLY، رابطه بین عناصر تنها تحت تأثیر عناصر در یک مرز مشترک یا همپوشانی قرار می‌گیرد، اما هدف پژوهشی این مقاله، تحلیل خودهمبستگی مکانی رویدادهای زلزله در کل منطقه مورد مطالعه بود. بنابراین، این روش برای مطالعه ما مناسب نبود، و هیچ یک از روش های دیگر برای مطالعه مناسب تر از روش INVERSE_DISTANCE نبودند. علاوه بر وزن فضایی، روش فاصله و استانداردسازی باید هنگام انجام تجزیه و تحلیل خودهمبستگی فضایی جهانی تنظیم شود. در این مطالعه پارامتر Distance Method روی EUCLIDEAN_DISTANCE و پارامتر Standardization روی ROW تنظیم شد. پس از تنظیم پارامترهای فوق، خودهمبستگی فضایی جهانی رویدادهای زلزله در این منطقه مورد تجزیه و تحلیل قرار گرفت و گزارش تحلیل تولید شد. پارامتر Distance Method روی EUCLIDEAN_DISTANCE و پارامتر Standardization روی ROW تنظیم شد. پس از تنظیم پارامترهای فوق، خودهمبستگی فضایی جهانی رویدادهای زلزله در این منطقه مورد تجزیه و تحلیل قرار گرفت و گزارش تحلیل تولید شد. پارامتر Distance Method روی EUCLIDEAN_DISTANCE و پارامتر Standardization روی ROW تنظیم شد. پس از تنظیم پارامترهای فوق، خودهمبستگی فضایی جهانی رویدادهای زلزله در این منطقه مورد تجزیه و تحلیل قرار گرفت و گزارش تحلیل تولید شد.

4. نتایج

4.1. نتایج آماری فراوانی

زلزله پدیده تجمع آهسته و سپس آزاد شدن سریع انرژی در پوسته است. هنگامی که انرژی در پوسته زمین در یک منطقه خاص در دوره انباشت است، لرزه خیزی در منطقه ضعیف است، فراوانی رویدادهای زلزله کم است و خطر زلزله کم است. در مقابل، زمانی که انرژی در دوره رهاسازی است، لرزه خیزی در این ناحیه قوی است، فراوانی رخدادهای زلزله نسبتاً زیاد و خطر زلزله زیاد است. بر اساس استاندارد بین المللی ریشتر، زلزله هایی با بزرگی 4.5 یا بالاتر، زلزله هایی با شدت متوسط ​​هستند که ممکن است به ساختمان ها و زندگی مردم در مناطق اطراف آسیب وارد کنند. بنابراین، مطالعه تغییر فرکانس رویدادهای زمین لرزه با بزرگای 4.5 یا بالاتر معنی دار است.جدول 1 )، متوجه می‌شویم که فراوانی زمین‌لرزه‌هایی با بزرگی 4.5 یا بالاتر در کالیفرنیا و نوادا یک روند کاهشی- افزایشی منظم را نشان می‌دهد که در شکل 3 مشاهده می‌شود . با استفاده از چهار برش زمانی به عنوان یک گروه، فراوانی رخدادهای زلزله در سه برش زمانی اول به تدریج کاهش می‌یابد و در آخرین برش زمانی افزایش می‌یابد. گروه بعدی همان قانون تغییر را ارائه می کند. همانطور که در شکل 3 نشان داده شده است ، رنگ های مختلف خطوط نشان دهنده تغییرات فرکانس گروه های مختلف زلزله هستند و نقاط 1992-1995 و 2004-2007 نقاط تغییر گروه های مختلف هستند.

4.2. فرآیند تکامل زمانی و مکانی مرکز میانگین وزنی رویدادهای زلزله

ما از ابزار تحلیل مرکز میانگین وزنی ArcGIS 10.5 برای به دست آوردن مراکز میانگین وزنی رویدادهای زلزله با بزرگی 3.0 یا بالاتر در برش های زمانی مختلف در منطقه تحقیقاتی استفاده کردیم و سپس آنها را به ترتیب زمانی به هم متصل کردیم. شکل 4 رد تکامل زمانی و مکانی مرکز میانگین وزنی را در رویدادهای زلزله در برش‌های زمانی مختلف و کانون‌های زلزله‌های با بزرگی 6.0 یا بالاتر در منطقه تحقیقاتی نشان می‌دهد.
همانطور که در شکل 4 نشان داده شده است ، میانگین وزنی مرکز وقایع زلزله در این ناحیه یک قانون حرکت از نوع حلزونی را نشان می دهد، جایی که از همه طرف به مرکز نزدیک می شود. مرکز میانگین وزنی اولیه رویدادهای زلزله در فرسنو نزدیک به منطقه گسل اوونز است (برش زمانی: 1980-1983). سپس مسیر حرکت مرکز میانگین وزنی زلزله مانند یک حلزون است که از هر طرف به مرکز نزدیکتر می شود. شکل 4همچنین نشان می‌دهد که کانون‌های اغلب زلزله‌های بزرگ تاریخی با جهت میانگین وزنی مرکز رویدادهای زلزله در آن برش زمانی حرکت می‌کنند. به عنوان مثال، دو زمین لرزه به بزرگی 6.0 یا بالاتر در نزدیکی منطقه گسل اوونز و یک زمین لرزه با بزرگی 6.0 یا بالاتر در نزدیکی منطقه گسلی سن آندریاس در برش زمانی 1980-1983 و دو زلزله با بزرگی 7.1 و 6.4 در نزدیکی منطقه رخ داده است. منطقه گسل گارلاک در برش زمانی 2016–2019.

4.3. فرآیند تکامل زمانی و مکانی SDE

SDE های زلزله های با بزرگای 3.0 یا بالاتر در برش های زمانی مختلف در منطقه تحقیقاتی با استفاده از ابزار توزیع جهتی در جعبه ابزار ArcGIS 10.5 تولید شد. شکل 5 فرآیندهای تکامل زمانی و مکانی SDE رویدادهای زلزله را در برش های زمانی مختلف نشان می دهد. نتایج تجزیه و تحلیل پارامترهای آماری SDE در برش های زمانی مختلف در جدول 2 آمده است. در دوره های فعال زلزله های مکرر (به عنوان مثال، 1980-1983، 1992-1995، و 2016-2019 برش های زمانی)، مناطق SDE به دلیل توزیع متمرکز زمین لرزه ها نسبتا کوچک بودند، و جهت توزیع زلزله به دلیل واضح بود. تفاوت های بزرگ بین محور بلند و محور کوتاه. آزیموت SDE منعکس کننده جهت روند اصلی در توزیع زلزله است. از جدول 2 ، زوایای چرخش بیضی انحراف معیار در برش های زمانی مختلف، همگی بین 115 درجه و 137 درجه بود، که نشان می دهد که توزیع فضایی زمین لرزه ها از شمال غربی به جنوب شرقی در منطقه تحقیقاتی غالب بوده که اساساً با جهت زمین همخوانی دارد. منطقه گسلی سن آندریاس در شمال و جنوب کالیفرنیا.

4.4. فرآیند تکامل زمانی و مکانی تحلیل خودهمبستگی فضایی جهانی

گزارش تحلیل خودهمبستگی فضایی جهانی از رویدادهای زلزله با بزرگی 3.0 یا بالاتر در برش های زمانی مختلف در منطقه تحقیقاتی با استفاده از ابزار تحلیل خودهمبستگی فضایی در جعبه ابزار ArcGIS 10.5 به دست آمد. نتایج تجزیه و تحلیل در گزارش علاوه بر شاخص جهانی موران، شامل z-score و p – values ​​نیز می باشد. به طور کلی، ابتدا z-score و p – value در گزارش مورد تجزیه و تحلیل قرار گرفت. Z-score بیشتر از 1.96 و p-value کمتر از 0.05 نشان می دهد که نتیجه تجزیه و تحلیل مجموعه داده ها از نظر آماری قابل اعتماد است [ 43 ]]. در مرحله دوم، ما شاخص جهانی موران را در گزارش مورد تجزیه و تحلیل قرار دادیم که نشان دهنده الگوی توزیع مکانی رویدادهای زلزله در این منطقه است.
نتایج تجزیه و تحلیل برش زمانی از سال 1980 تا 1983، به عنوان مثال ( شکل 6 )، نشان می دهد که مقدار p کمتر از 0.05، امتیاز z بزرگتر از 1.96، و شاخص جهانی موران بزرگتر از 0 است. که نشان می دهد الگوی توزیع مکانی رویدادهای زلزله در این دوره از منطقه تحقیقاتی به صورت خوشه ای بوده است. تمام گزارش های تحلیل خودهمبستگی مکانی رویدادهای زلزله در برش های زمانی مختلف در جدول 3 نشان داده شده است. ص _-مقادیر در نتایج تحلیل خودهمبستگی فضایی جهانی رویدادهای زلزله در برش‌های زمانی مختلف کمتر از 05/0 و امتیازهای z همگی بیشتر از 96/1 و شاخص‌های موران جهانی بیشتر از 0 هستند که نشان می‌دهد الگوی توزیع مکانی رویدادهای زلزله با بزرگی 3.0 یا بالاتر در کالیفرنیا و نوادا به صورت خوشه‌بندی شده و نتایج از نظر آماری قابل اعتماد هستند.

5. بحث و نتیجه گیری

در این مطالعه، ما از روش‌های تحلیل فضایی آماری برای مطالعه روند تکامل زمانی و مکانی در رویدادهای زلزله‌ای با بزرگی 3.0 یا بالاتر در کالیفرنیا و نوادا و بررسی خطر زلزله در این منطقه بر اساس نتایج تجربی استفاده کردیم.
با توجه به نتایج آماری رخدادهای زلزله، ما دریافتیم که فراوانی زمین لرزه های با بزرگی 4.5 یا بالاتر در کالیفرنیا و نوادا یک روند تغییر منظم کاهش-افزایش هر 16 سال را نشان می دهد، جایی که تعداد زمین لرزه ها به تدریج در 12 سال اول افزایش می یابد. ، و سپس به تدریج در چهار سال آینده کاهش می یابد. اگر این قانون درست باشد، فراوانی زمین لرزه های با بزرگای 4.5 یا بالاتر در برش زمانی بعدی (2020-2023) کمتر از سال های 2016-2019 خواهد بود، زیرا انتظار می رود این برش زمانی در مرحله کاهش این چرخه باشد. اما به این معنا نیست که در چهار سال آینده هیچ زلزله بزرگی در منطقه تحقیقاتی رخ نخواهد داد.
نتایج تکامل مکانی و زمانی روش مراکز میانگین وزنی نشان داد که روند تمرکز مکانی در رخدادهای زلزله در کالیفرنیا و نوادا الگوی حرکتی صدف را نشان می‌دهد که به این معنی است که کانون یک زلزله بزرگ به مرکز منطقه مورد مطالعه نزدیک می‌شود. اگر قانون درست باشد، میانگین وزنی مرکز رویدادهای زلزله در برش زمانی بعدی احتمالاً به سمت جنوب غربی حرکت می کند.
نتیجه تکامل زمانی و مکانی SDE نشان داد که جهت غالب توزیع مکانی زمین لرزه ها در کالیفرنیا-نوادا NW-SE است که با جهت منطقه گسلی سن آندریاس مطابقت دارد. این نتیجه با روند توالی پیش لرزه ها در طول زمین لرزه های M 6.4 و M 7.1 Ridgecrest 2019 مطابقت دارد [ 19 ].
به طور خلاصه، این مطالعه دیدگاه جدیدی برای اکتشاف روند تکامل زمانی و مکانی زمین لرزه ها و برای درک خطر زلزله در یک منطقه ارائه می دهد. نتایج تجربی روند تکامل زمانی و مکانی در این مقاله با تحقیقات دیگر همخوانی دارد که نشان دهنده اعتبار استفاده از روش آماری مکانی برای مطالعه ویژگی‌های تکامل مکانی و زمانی رویدادهای زلزله است. این رویکرد می تواند در آینده به مناطق دیگر نیز تعمیم یابد. کاتالوگ زلزله برای شناسایی ویژگی های تکامل زمانی و مکانی رویدادهای زلزله مهم است. هرچه کاتالوگ زلزله کامل تر باشد، نتایج تحقیق دقیق تر است. با این حال،

مشارکت های نویسنده

مفهوم سازی، ژیهائو وانگ. گزینش داده، ویفنگ شان و یونتیان تنگ. تحلیل رسمی، ژیهائو وانگ، ویفنگ شان، و مائوفا وانگ. تامین مالی، Zhihao وانگ و Weifeng شان. تحقیق، یونتیان تنگ; روش، ژیهائو وانگ، ویفنگ شان، و یونتیان تنگ. نرم افزار، Zhihao Wang و Weifeng شان. نوشتن – پیش نویس اصلی، ژیهائو وانگ و ویفنگ شان. نوشتن-بررسی و ویرایش، ژیهائو وانگ، ویفنگ شان، یونتیان تنگ، و مائوفا وانگ. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط برنامه ملی تحقیق و توسعه کلیدی چین، کمک مالی شماره. 2018YFC1503806 و برنامه جرقه علم زلزله، شماره کمک مالی. XH16059.

قدردانی

با تشکر از USGS برای ارائه کاتالوگ زلزله مورد نیاز برای مطالعه بدون هزینه.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. نلسون، AC؛ کیفیت طرح فرانسوی، SP و کاهش خسارت ناشی از بلایای طبیعی: مطالعه موردی زلزله نورتریج با ملاحظات سیاست برنامه ریزی. مربا. طرح. دانشیار 2002 ، 68 ، 194-207. [ Google Scholar ] [ CrossRef ]
  2. وینا، ا. چن، ایکس. مک کانل، WJ; لیو، دبلیو. خو، دبلیو. اویانگ، ز. ژانگ، اچ. لیو، جی. اثرات بلایای طبیعی بر سیاست های حفاظت: مورد زلزله ونچوان، چین در سال 2008. Ambio 2011 ، 40 ، 274-284. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. Scawthorn، C.; اورورک، تی. بلکبرن، اف. زلزله و آتش سوزی 1906 سانفرانسیسکو – درس های ماندگار برای حفاظت از آتش و تامین آب. زمین Spectra 2006 ، 22 ، 135-158. [ Google Scholar ] [ CrossRef ]
  4. اودل، کالیفرنیا؛ Weidenmier, MD شوک واقعی، پس لرزه پولی: زلزله 1906 سانفرانسیسکو و وحشت سال 1907. J. Econ. تاریخچه 2004 ، 64 ، 1002-1027. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. گلر، RJ پیش بینی زلزله: یک بررسی انتقادی. ژئوفیز. J. Int. 1997 ، 131 ، 425-450. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. چان، سی.-اچ. وو، ی.-م. Tseng، T.-L. لین، تی.-ال. چن، سی.-سی. تکامل مکانی و زمانی مقادیر b قبل از زلزله های بزرگ در تایوان. تکتونوفیزیک 2012 ، 532 ، 215-222. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. آهنگ، ز.-ص. یین، X.-c.; وانگ، Y.-c.; خو، پی. Xue, Y. ویژگی‌های تکامل زمانی-مکانی نسبت پاسخ بار / تخلیه قبل از زلزله‌های قوی در کالیفرنیای آمریکا و پیامدهای پیش‌بینی آن. Acta Seismol. گناه 2000 ، 13 ، 628-635. [ Google Scholar ] [ CrossRef ]
  8. Unwin، DJ GIS، تجزیه و تحلیل فضایی و آمار فضایی. Prog. هوم Geogr. 1996 ، 20 ، 540-551. [ Google Scholar ] [ CrossRef ]
  9. واگنر، HH; فورتین، ام.-جی. تحلیل فضایی مناظر: مفاهیم و آمار. اکولوژی 2005 ، 86 ، 1975-1987. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. پائز، آ. Scott، DM آمار فضایی برای تحلیل شهری: مروری بر تکنیک ها با مثال. جئوژورنال 2004 ، 61 ، 53-67. [ Google Scholar ] [ CrossRef ]
  11. روزنبرگ، ام اس; اندرسون، CD PASSaGE: تحلیل الگو، آمار فضایی و تفسیر جغرافیایی. نسخه 2. روش ها Ecol. تکامل. 2011 ، 2 ، 229-232. [ Google Scholar ] [ CrossRef ]
  12. گان، B.-r. یانگ، X.-g. ژانگ، دبلیو. ژو، جی.-و. تکامل زمانی و مکانی پوشش گیاهی در حوضه رودخانه میانیوان تحت تأثیر اختلال شدید زلزله. علمی Rep. 2019 , 9 , 16762. [ Google Scholar ] [ CrossRef ]
  13. وانگ، ایکس. ژو، ال. لی، سی. انگل، کارشناسی; سان، اس. وانگ، Y. روند تکامل زمانی و مکانی خشکسالی در شمال شانشی چین: 1960-2100. نظریه. Appl. کلیماتول. 2020 ، 139 ، 965-979. [ Google Scholar ] [ CrossRef ]
  14. او، ز. ژائو، سی. ژو، Q. لیانگ، H. زمانی – تکامل فضایی اثر تاخیری حوضه زهکشی کارست برای بارش-رواناب در مرکزی گوئیژو چین. Authorea Prepr. 2020 . [ Google Scholar ] [ CrossRef ]
  15. ژانگ، اس. لی، آر. وانگ، اف. Iio، A. ویژگی‌های زمین لغزش‌های زمین‌لرزه سال ۲۰۱۸ هوکایدو ایبوری شرقی، شمال ژاپن. رانش زمین 2019 ، 16 ، 1691-1708 . [ Google Scholar ] [ CrossRef ]
  16. چی، اس. خو، Q. لان، اچ. ژانگ، بی. لیو، جی. تجزیه و تحلیل توزیع فضایی زمین لغزش های ایجاد شده توسط سال 2008. 5. 12 زلزله Wenchuan، چین. مهندس جئول 2010 ، 116 ، 95-108. [ Google Scholar ] [ CrossRef ]
  17. دیاس، وی اچ. پاپا، AR; فریرا، DS تجزیه و تحلیل توزیع های زمانی و مکانی بین زمین لرزه ها در منطقه کالیفرنیا از طریق مکانیک آماری غیر گسترده و حدود اعتبار آن. فیزیک یک آمار مکانیک. برنامه آن است. 2019 , 529 , 121471. [ Google Scholar ] [ CrossRef ]
  18. یانگ، جی. چنگ، سی. آهنگ، سی. شن، اس. ژانگ، تی. Ning، L. ویژگی‌های توزیع مکانی-زمانی خوشه‌های لرزه‌ای جهانی و عوامل فضایی مرتبط. چانه. Geogr. علمی 2019 ، 29 ، 614-625. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. هوانگ، اچ. منگ، ال. بورگمان، آر. وانگ، دبلیو. وانگ، کی. تکامل پیش لرزه مکانی-زمانی زمین لرزه های 2019 M 6. 4 و M 7.1 Ridgecrest، کالیفرنیا. سیاره زمین. علمی Lett. 2020 , 551 , 116582. [ Google Scholar ] [ CrossRef ]
  20. ینا، ر. پرادان، بی. اعتبارسنجی متقاطع ANN و مدل AHP-TOPSIS برای بهبود ارزیابی خطر زلزله. بین المللی J. کاهش خطر بلایا. 2020 , 50 , 101723. [ Google Scholar ] [ CrossRef ]
  21. جیا، ی. ما، جی. یادگیری ماشینی برای پردازش داده های لرزه ای چه کاری می تواند انجام دهد؟ یک برنامه درون یابی ژئوفیزیک 2017 ، 82 ، V163–V177. [ Google Scholar ] [ CrossRef ]
  22. DeVries، PM; ویگاس، اف. واتنبرگ، ام. Meade, BJ یادگیری عمیق الگوهای پس لرزه پس از زلزله های بزرگ. Nature 2018 ، 560 ، 632-634. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. کریم زاده، س. ماتسوکا، ام. کوانگ، جی. Ge, L. پیش‌بینی فضایی پس لرزه‌های ایجاد شده توسط یک زلزله بزرگ: دیدگاه یادگیری ماشین دودویی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 462. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. میگنان، آ. بروکاردو، ام. یک نورون در مقابل یادگیری عمیق در پیش‌بینی پس لرزه. Nature 2019 ، 574 ، E1–E3. [ Google Scholar ] [ CrossRef ]
  25. توپپوزادا، TR; برانوم، دی. رایشل، ام. هالستروم، منطقه گسلی سی. سن آندریاس، کالیفرنیا: تاریخچه زمین لرزه ≥ 5.5 M. گاو نر سیسمول. Soc. صبح. 2002 ، 92 ، 2555-2601. [ Google Scholar ] [ CrossRef ]
  26. وو، دی. مندل، JM Aggregation با استفاده از میانگین وزنی زبانی و مجموعه های فازی بازه نوع 2. IEEE Trans. سیستم فازی 2007 ، 15 ، 1145-1161. [ Google Scholar ] [ CrossRef ]
  27. کنت، جی. لایتنر، ام. اثربخشی بیضی های انحرافی استاندارد در کاربرد پروفایل جغرافیایی جنایی. ج. تحقیق. روانی پروفایل مجرم 2007 ، 4 ، 147-165. [ Google Scholar ] [ CrossRef ]
  28. اریاندو، تی. سوزانا، دی. پراتیوی، دی. Nugraha، F. مدل‌های بیضی انحرافی استاندارد (SDE) برای نظارت بر مالاریا، مطالعه موردی: منطقه سوکابومی-اندونزی، در سال 2012. مالار. J. 2012 , 11 , P130. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. وانگ، بی. شی، دبلیو. Miao، Z. تجزیه و تحلیل اطمینان از بیضی انحراف استاندارد و گسترش آن به فضای اقلیدسی ابعاد بالاتر. PLoS ONE 2015 ، 10 ، e0118537. [ Google Scholar ] [ CrossRef ]
  30. گونگ، جی. شفاف سازی بیضی انحرافی استاندارد. Geogr. مقعدی 2002 ، 34 ، 155-167. [ Google Scholar ] [ CrossRef ]
  31. مور، TW; McGuire، MP استفاده از بیضی انحرافی استاندارد برای ثبت تغییرات در پراکندگی فضایی فعالیت گردبادهای فصلی در ایالات متحده. NPJ Clim. اتمس. علمی 2019 ، 2 ، 21. [ Google Scholar ] [ CrossRef ]
  32. هوو، X.-N. ژانگ، دبلیو. سان، دی.-ف. لی، اچ. ژو، L.-D. لی، بی.-جی. تحلیل الگوی فضایی فلزات سنگین در خاک های کشاورزی پکن بر اساس آمار همبستگی مکانی بین المللی جی. محیط زیست. Res. بهداشت عمومی 2011 ، 8 ، 2074-2089. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. Myint، SW خودهمبستگی فضایی. در دایره المعارف جغرافیا ; Thousand OAKS: لندن، بریتانیا، 2010; صص 2607–2608. در دسترس آنلاین: https://core.ac.uk/download/pdf/6654314.pdf (در 7 دسامبر 2019 قابل دسترسی است).
  34. تسای، پی.-ج. لین، ام.-ال. چو، سی.-م. پرنگ، سی.-اچ. تجزیه و تحلیل خودهمبستگی فضایی نقاط کانونی مراقبت های بهداشتی در تایوان در سال 2006. BMC Public Health 2009 ، 9 ، 464. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  35. سوئی، اولین قانون جغرافیای دی. ان دانشیار صبح. Geogr. 2004 ، 94 ، 269-277. [ Google Scholar ] [ CrossRef ]
  36. میلر، اولین قانون و تحلیل فضایی HJ Tobler. ان دانشیار صبح. Geogr. 2004 ، 94 ، 284-289. [ Google Scholar ] [ CrossRef ]
  37. کلیپل، ا. هاردیستی، اف. لی، آر. تفسیر الگوهای فضایی: تحقیق در جنبه های رسمی و شناختی قانون اول جغرافیای توبلر. ان دانشیار صبح. Geogr. 2011 ، 101 ، 1011-1031. [ Google Scholar ] [ CrossRef ]
  38. Noe, JP; کمپبل، CL تجزیه و تحلیل الگوی فضایی نماتدهای انگلی گیاهی. جی نعمتول. 1985 ، 17 ، 86. در دسترس آنلاین: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2618431/pdf/86.pdf (در 7 دسامبر 2019 قابل دسترسی است).
  39. Usher, M. تجزیه و تحلیل الگو در جمعیت های گیاهی واقعی و مصنوعی. جی. اکول. 1975 ، 569-586. [ Google Scholar ] [ CrossRef ]
  40. سیمپسون، دی. میانگین وزنی. گروه علوم و مهندسی فیزیکی، انجمن شاهزاده جورج. 2010. در دسترس آنلاین: https://www.pgccphy.net/ref/weightave.pdf (در 7 دسامبر 2019 قابل دسترسی است).
  41. Chen, Y. رویکردهای جدید برای محاسبه شاخص موران از خود همبستگی فضایی. PLoS ONE 2013 ، 8 ، e68336. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. الاحمدی، ک. الزهرانی، ع. خود همبستگی فضایی بروز سرطان در عربستان سعودی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2013 ، 10 ، 7207-7228. [ Google Scholar ] [ CrossRef ]
  43. دانکن، DT; کواچی، من. سفید، ک. ویلیامز، DR جغرافیای فضای باز تفریحی: تأثیر ترکیب نژادی محله و فقر محله. J. Urban Health 2013 ، 90 ، 618-631. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 10 00465 g001 550
شکل 1. حوزه تحقیق.
Ijgi 10 00465 g002 550
شکل 2. تور ماهیگیری (برش زمانی: 1980-1983).
Ijgi 10 00465 g003 550
شکل 3. فراوانی زمین لرزه هایی با بزرگی 4.5 یا بالاتر در برش های زمانی مختلف.
Ijgi 10 00465 g004 550
شکل 4. فرآیندهای تکامل زمانی و مکانی مرکز میانگین وزنی رویدادهای زلزله با بزرگی 3.0 یا بالاتر.
Ijgi 10 00465 g005 550
شکل 5. فرآیند تکامل زمانی و مکانی SDEs رویدادهای زلزله: نقشه SDE در ( a ) 1980-1983; ( ب ) 1984-1987; ( ج ) 1988-1991; ( د ) 1992-1995; ( ه ) 1996-1999; ( f ) 2000–2003; ( g ) 2004-2007; ( h ) 2008–2011; ( i ) 2012–2015; ( j ) 2016–2019.
Ijgi 10 00465 g006 550
شکل 6. گزارش خودهمبستگی فضایی جهانی رویدادهای زلزله (برش زمانی: 1980-1983).

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید