Journal of Geomatics Science and Technology

fa استخراج الگوهای لرزه‌ای با استفاده از خوشه‌بندی فازی بهینه شده با الگوریتم بهینه‌سازی توده ذرات Extraction of Seismic Patterns using Fuzzy Clustering Algorithms Optimized by Particle Swarm Optimization سامانه های اطلاعات مکانی GIS ترویجی Tarviji شناسایی الگوها در داده‌های لرزه‌ای از طریق خوشه‌بندی، به‌عنوان یکی از رایج‌ترین روش‌های داده‌کاوی، منجر به استخراج اطلاعات بسیار مهمی از یک حجم زیاد داده ‌می‌شود. به دلیل ماهیت داده‌های لرزه‌ای، الگوریتم‌های خوشه‌بندی فازی نتایج واقع‌بینانه‌تری را ارائه می‌کنند. اگرچه الگوریتم‌های بسیاری بدین منظور ارائه‌شده است اما حساس بودن به مقادیر اولیه و به تله افتادن در جواب‌های بهینه محلی ازجمله مشکلاتی است که در رابطه با روش‌های ارائه‌شده برای خوشه‌بندی وجود دارد. ازاین‌رو، در این مقاله الگوریتم‌های فرا ابتکاری به‌عنوان روش‌های بهینه‌سازی کارآمد به‌منظور رفع مشکلات روش‌های خوشه‌بندی پیشنهادشده‌اند. در این مقاله سعی شد تا با استفاده از ترکیب الگوریتم بهینه‌سازی توده ذرات و دو الگوریتم‌ خوشه‌بندی فازی Gustafson Kessel و Fuzzy c-means دو رویکرد برای خوشه‌بندی داده‌های لرزه‌ای ارائه شود. هریک از این دو الگوریتم که به ترتیب PSO-GK و PSO-FCM نامیده می‌شوند بر روی داده‌های لرزه‌ای ساختگی و داده‌های لرزه‌ای ایران اعمال شدند. به‌منظور ارزیابی نتایج حاصل از دو الگوریتم، سه معیار ارزیابی خوشه‌بندی فازی یعنی FHV، متوسط چگالی بخش‌بندی و چگالی بخش‌بندی مورداستفاده قرار گرفتند. مقدار FHV در الگوریتم PSO-GK به میزان 4272/0 برای داده‌های ساختگی و به میزان 0941/0 برای داده‌های لرزه‌ای ایران کمتر (بهتر) از مقدار این معیار در الگوریتم PSO-FCM می‌باشد. همچنین مقادیر دو معیار ارزیابی دیگر هم برای داده‌های ساختگی و هم برای داده‌های لرزه‌ای ایران در الگوریتم PSO-GK دارای مقادیر بهتری می‌باشند که نشان از کارایی بهتر الگوریتمی است که بر مبنای Gustafson Kessel ارائه‌شده نسبت به الگوریتمی که برمبنای Fuzzy c-means ارائه‌شده برای تحلیل داده‌های لرزه‌ای دارد.  As a common method in data mining, pattern recognition within seismic data using clustering leads to the extraction of valuable information from large databases. Categorization of clustering algorithms is neither straightforward nor canonical. Clustering algorithms can be divided into four broad classes of hierarchical, density-based, grid-based, and partitioning methods. The application of these methods depends on the kind and nature of problem. From the labeling and assignment point of view, clustering algorithms can be divided into hard and soft methods. In the hard clustering, each data belongs to one and only one cluster while in soft (or fuzzy) clustering; each data belongs to different clusters with different degrees of membership. In the field of seismology and with application of hazard analysis, it is an essential task to break an area into different regions with more or less similar seismological characteristics. So it is needed to use clustering algorithms. For data mining and clustering analysis among seismic catalogs, some issues should be considered, such as, among an active seismic area, there are different regions with different rates of seismicity, As a result, the density and number of events are not the same in different regions or seismotectonic provinces, the earthquake events are mainly distributed among different segments of major faults, there are different seismotectonic regions among an area, therefor seismic characteristics in a region vary gradually and there are not abrupt changes in these characteristics. Thus, it may be a more proper approach to partition earthquakes based on the fuzzy clustering methods that tend to investigate realistic data. Although many clustering algorithms have been proposed so far, these algorithms are very sensitive to initial conditions and pretty often get trapped in local optimum solutions so they couldn’t find real clusters in space of problem. Therefore, some other global optimal searching algorithm should be used to ﬁnd global clusters. The clustering problem may be considered as an optimization problem in general. Metaheuristics are widely renowned as efﬁcient approaches for many hard optimization problems including cluster analysis. Metaheuristics uses an iterative search strategy to ﬁnd an approximate optimal solution using a limited computation resource, such as computing power and computation time. Therefore, the present paper suggests some metaheuristics algorithms to solve the problems associated with clustering algorithms, Gustafson Kessel and Fuzzy c-means. The two algorithms called PSO-GK and PSO-FCM, respectively then they are applied on synthetic seismic data as well as real seismic data acquired across Iran, with the results validated using validity clustering indexes such as fuzzy hyper volume (FHV), average partition density (APD) and partition density (PD). These indexes show the clear separation between the clusters, minimal volume of the clusters, and maximal number of data points concentration in the vicinity of the cluster centroid. A low value for FHV and high values for APD and PD indexes would ideally indicate a good partition. The amount of FHV index in PSO-GK algorithm for synthetic seismic data is 0.4272 and for real seismic data acquired across Iran is 0.0941 better than this index in PSO-FCM algorithm. The two other indexes are also achieved better amounts in PSO-GK algorithm than PSO-FCM algorithm. Based on the comparison results, the proposed Gustafson-Kessel approach-based algorithm was found to be more appropriate for the analysis of seismic data. بهینه‌سازی توده ذرات, Fuzzy c-means, Gustafson Kessel, تحلیل های لرزه‌ای Particle Swarm Optimization, Fuzzy c-means, Gustafson Kessel, Seismic Analysis 17 28 http://jgst.issgeac.ir/browse.php?a_code=A-10-487-1&slc_lang=fa&sid=1 R. Ghasemi Nejad رضوان قاسمی‌نژاد r.ghasemi@ut.ac.ir 10031947532846005217 10031947532846005217 No University of Tehran دانشگاه تهران R. Ali Abbaspor رحیم علی‌عباسپور abaspour@ut.ac.ir 10031947532846005218 10031947532846005218 Yes University of Tehran دانشگاه تهران M. Mojarab مسعود مجرب mmojarab@ut.ac.ir 10031947532846005219 10031947532846005219 No University of Tehran دانشگاه تهران