مناطق لرزه زمین ساخت به مناطقی اطلاق می شوند که ویژگی های لرزه ای، زمین ساخت جنبا و سیستم گسلی شبیه به هم داشته باشند. شناسایی این مناطق به منظور ارزیابی خطر زمین لرزه، یکی از موضوعات حائز اهمیت در مطالعات لرزه ای است. روش های خوشه بندی به عنوان ابزاری مناسب برای شناسایی اطلاعات مرتبط باهم و استخراج الگوهای معنادار از بین تعداد زیادی از داده ها شناخته می شوند. با توجه به اینکه این روش ها علاوه بر نمایش بصری مناسب، نتایج قابل اعتمادی را نیز ارائه می دهند، می توانند ابزاری مناسب برای تعیین مناطق لرزه زمین ساخت باشند. در این تحقیق، از 3 روش خوشه بندی افراز کا-مینز، ;کلارا و فازی سی-مینز استفاده شده است. به منظور تعیین تعداد بهینه خوشه ها در هر روش خوشه بندی، 5 شاخص اعتبارسنجی دیویس بولدین، سیلو هت، اس دی، اس دی بی دبلیو و شیه-بنی مورد استفاده قرار گرفت. پارامترهای موقعیت زمین لرزه، عمق زمین لرزه، بزرگا، جاذبه، مغناطیس و تراکم گسل ها به منظور تعیین تعداد مناطق لرزه زمین ساخت، که به عنوان ورودی روش های خوشه بندی مورد استفاده قرار می گیرند، در نظر گرفته شدند. پس از تعیین تعداد بهینه خوشه ها، برای ارزیابی نتایج روشهای خوشه بندی، از مدل لرزه زمین ساخت کمیته ملی سدهای بزرگ ایران استفاده شد. بر اساس نتایج بدست آمده مشخص گردید که روش کلارا در مقایسه با بقیه روش ها سازگاری بسیار بیشتری با مناطق لرزه زمین ساخت ایران را دارد. در نهایت پس از مقایسه روش های خوشه بندی در تعداد خوشه های بهینه با مدل لرزه زمین ساخت مورد استفاده، تعداد مناطق لرزه زمین ساخت 13 منطقه بدست آمد.

روش خوشه بندی GK فازی برای کاهش نوفه تصادفی در داده های لرزه ای، در سال 2008 توسط Hashemi و همکاران ارائه شد. هدف این روش تضعیف دامنه نمونه هایی است که بیشترین آمیختگی را با نوفه تصادفی دارند، که این کار با ضرب این دامنه ها در فاکتور وزن کمتر صورت می گیرد. انتخاب تعداد مناسب خوشه ها در این روش امری بسیار مهم و تعیین کننده در نتایج نهایی است. تعداد خوشه ها توسط ملاکی تعیین می شود که هدفش کاهش پراکندگی درون خوشه ای و افزایش فاصله بین خوشه های مختلف در فضای ویژگی ها است. در اینجا ما با چندین بار اعمال الگوریتم بر روی داده های واقعی، و در هر بار با تعداد متفاوت خوشه ها، به بررسی تاثیر تعداد خوشه در خروجی نهایی پرداختیم. مقاطع خروجی نشان می دهد که با افزایش تعداد خوشه ها، از آنجایی که هم داده و هم نوفه در خوشه های بیشتری توزیع شده اند، بنابراین با حذف یک خوشه احتمال حذف سیگنال از داده لرزه ای کمتر می شود. این مزیت عمده تعداد بالای خوشه ها، تبعاتی همچون افزایش زمان و پیچیده تر شدن محاسبات را نیز به همراه دارد. بنابراین به نظر می رسد با توجه به ماهیت شبه نظارتی روش خوشه بندی فازی GK، با در نظر گرفتن ویژگی های داده ورودی همچون SNR، مصنوعی یا واقعی بودن داده، اینکه داده پس از بر انبارش است یا خیر و نیز با استفاده از شاخص های موجود در متد، همچون شاخص XB و نیز شاخص سیگنال و نیز با بررسی و مقایسه مقاطع خروجی حاصل از شرایط مشابهی که فقط تعداد خوشه متفاوتی داشته اند، می توان به تصمیم گیری در هر مورد خاص پرداخت. با ملاحظه تمامی این موارد، می توان به بهترین خروجی که کمترین میزان نوفه و بیشترین مقدار حفظ سیگنال را دارد امیدوار بود.

چشمه های لرزه ای نقش مهمی در برآورد خطر در فرایند تحلیل خطر لرزه ای ایفا می کنند. انتخاب این مناطق بیشتر بر پایه قضاوت های کارشناسان انجام می شود و در بیشتر موارد، تعیین چشمه های لرزه ای توسط چند کارشناس نتایج متفاوت و بحث برانگیزی را دربر دارد. از این رو، یکی از عوامل مهم در ایجاد عدم قطعیت در تحلیل خطر می تواند به دلیل چگونگی انتخاب چشمه ها باشد.نسبت دادن رخدادهای گذشته به هر چشمه لرزه ای مساله مهم بعدی تحلیل خطر زمین لرزه است که این کار نیز توسط قضاوت های بصری کارشناسان انجام می شود و از آنجایی که گسل مسبب هر رخداد به طور واضح مشخص نیست، مانند تعیین چشمه های لرزه ای، این شیوه نتایج مبهمی دارد. در پژوهش حاضر سعی شده است که با استفاده از روش بهینه سازی توده ذرات به منظور خوشه بندی فازی، به طور هم زمان چشمه های لرزه ای تعیین شده و رویدادهای لرزه ای به گسل ها نسبت داده شوند. الگوریتم مورد استفاده بر پایه کمینه سازی دو تابع هدف فاصله رویدادها از گسل و مرکز خوشه (مرکز چگالی رویدادها) کار می کند. این الگوریتم به دو حالت روی داده های ناحیه شمال باختر ایران اعمال شد، در حالت اول فاصله مورد محاسبه فاصله اقلیدسی بوده است و در حالت دوم فاصله ماهالانوبیس در محاسبات در نظر گرفته شدند. برای ارزیابی درستی الگوریتم، از رویداد هایی که از پیش به گسل ها نسبت داده شده اند استفاده شد. مقایسه خروجی های الگوریتم با بانک اطلاعات زمین لرزه های نسبت داده شده گذشته نشان داد که 79.2 درصد از این رویدادها با در نظر گرفتن فاصله اقلیدسی و 87.5 درصد از این رویدادها با در نظر گرفتن فاصله ماهالانوبیس به درستی به گسل ها اختصاص یافتند که نشان از عملکرد خوب روش پیشنهادی این مطالعه با استفاده از فاصله ماهالانوبیس دارد. نتایج حاصل نشان می دهند که رویکرد پیشنهادی به مهندسین زمین لرزه شناسی کمک می کند تا با عدم قطعیت کمتری در فرایند تحلیل خطر لرزه ای افزون بر تعیین چشمه ها، زمین لرزه ها را به گسل ها اختصاص دهند.

زلزله ها همواره به عنوان یکی از مخرب ترین بلایای طبیعی شناخته می شوند. به دلیل خسارت های اقتصادی و تلفات جانی بسیار بالا، پیش بینی زلزله امری ضروری به نظر می رسد. در این نوشتار، تغییرات زمانی پارامتر b از رابطه ی گوتنبرگ ریشتر قبل از زلزله هایی با بزرگای Mw=6.0 و یا بالاتر از آن در ناحیه ی جنوبی ایران، منطقه ی قشم و اطراف آن مورد بررسی قرار گرفته است. از دو روش خوشه بندی K-Means و نقشه ی خود سازمان ده SOM ، برای یافتن الگو از این نوع زلزله ها استفاده شده است. براساس دو سنجه ی سیلوئیت و دیویس بولدین، تعداد 3 خوشه به عنوان تعداد بهینه ی خوشه برای هر دو روش مذکور به دست آمده است. قبل از تمامی زلزله های مورد بررسی، خوشه یی که معرف کاهش در مقدار b است، مشاهده شده است. به عنوان نتیجه ی نهایی، کاهش مقدار b در بازه ی زمانی مشخص به عنوان یک الگوی مشخص برای رخداد این زلزله های مخرب معرفی شده است.

شناسایی الگوها در داده های لرزه ای از طریق خوشه بندی، به عنوان یکی از رایج ترین روش های داده کاوی، منجر به استخراج اطلاعات بسیار مهمی از یک حجم زیاد داده می شود. به دلیل ماهیت داده های لرزه ای، الگوریتم های خوشه بندی فازی نتایج واقع بینانه تری را ارائه می کنند. اگرچه الگوریتم های بسیاری بدین منظور ارائه شده است اما حساس بودن به مقادیر اولیه و به تله افتادن در جواب های بهینه محلی ازجمله مشکلاتی است که در رابطه با روش های ارائه شده برای خوشه بندی وجود دارد. ازاین رو، در این مقاله الگوریتم های فرا ابتکاری به عنوان روش های بهینه سازی کارآمد به منظور رفع مشکلات روش های خوشه بندی پیشنهادشده اند. در این مقاله سعی شد تا با استفاده از ترکیب الگوریتم بهینه سازی توده ذرات و دو الگوریتم خوشه بندی فازی Gustafson Kessel و Fuzzy c-means دو رویکرد برای خوشه بندی داده های لرزه ای ارائه شود. هریک از این دو الگوریتم که به ترتیب PSO-GK و PSO-FCM نامیده می شوند بر روی داده های لرزه ای ساختگی و داده های لرزه ای ایران اعمال شدند. به منظور ارزیابی نتایج حاصل از دو الگوریتم، سه معیار ارزیابی خوشه بندی فازی یعنی FHV، متوسط چگالی بخش بندی و چگالی بخش بندی مورداستفاده قرار گرفتند. مقدار FHV در الگوریتم PSO-GK به میزان 0.4272 برای داده های ساختگی و به میزان 0.0941 برای داده های لرزه ای ایران کمتر (بهتر) از مقدار این معیار در الگوریتم PSO-FCM می باشد. همچنین مقادیر دو معیار ارزیابی دیگر هم برای داده های ساختگی و هم برای داده های لرزه ای ایران در الگوریتم PSO-GK دارای مقادیر بهتری می باشند که نشان از کارایی بهتر الگوریتمی است که بر مبنای Gustafson Kessel ارائه شده نسبت به الگوریتمی که بر مبنای Fuzzy c-means ارائه شده برای تحلیل داده های لرزه ای دارد.

بهره­گیری از فضاهای پیراشهری به عنوان کالاهای استراتژیک و مقرون­به­صرفه جهت توسعۀ خوشه­های نوآوری، شهرها را به سمت تحقق توسعۀ پایدار و اکوسیستم نوآور بر مدار اقتصاد دانش­بنیان رهنمون می­سازد. هدف این پژوهش، شناسایی و استخراج مراحل تکوین و توسعۀ خوشه­های نوآوری جهت کاربست آن در فضاهای پیراشهری است. روش پژوهش حاضر، از لحاظ ماهیت، کیفی، ازنظر هدف، کاربردی-توسعه­ای و از نوع مطالعات ثانویه با رویکرد مرور سیستماتیک ادبیات منطبق بر فرآیند هشت مرحله ای اوکلی(2015) است. جامعۀ آماری شامل مقاله­ها، کتاب­ها و پایان­نامه­های مربوط به خوشه­های نوآوری شهری، ­از سال 2000 تا 2023 است. حجم نمونه شامل 32 منبع می­باشد. بر اساس نتایج پژوهش، بیشترین منابع پژوهش مربوط به سال­های  2018-2023 ( 62 درصد منابع) و پایگاه­های داده­­ای ساینس دایرکت و اشپرینگر است(به ترتیب 28 و 22 درصد منابع). بر اساس نتایج حاصل از تحلیل منابع، 113 کد بر تکامل و توسعۀ خوشه­های نوآوری شهری جهت کاربست آن ها در فضاهای پیراشهری تأثیرگذار هستند که در 26 مقوله مشتمل بر برنامه­ریزی راهبردی، پیش­نیازها، سازمانی، مدیریت، ساختار جمعیت، محیط فرهنگی، خدمات، مدیریت دولت، الزامات فرهنگی، زیرساخت اقتصادی، مالی، ساختار صنعتی، انباشت صنعتی، سطح اقتصادی، نوآوری فناورانه، موقعیت جغرافیایی، ارتباط صنعت-دانشگاه، مقیاس شهر، محیط اکولوژیک، طراحی و محیطی طبقه بندی شده اند. این مقوله ها در هشت کد محوری متشکل از نهادی، اجتماعی- فرهنگی، اقتصادی، انباشت جغرافیایی و فضایی، زیرساخت و غیره طبقه بندی شده اند. مراحل توسعه و تکوین خوشه­های نوآوری شامل مرحله پیش­خوشه و ظهور خوشه، راه­اندازی، فاز رشد خوشۀ پسین، پایداری، زوال و درنهایت سازگاری خوشه­ای، جهش یا فرسودگی است.

یکی از کاستی های روش های خوشه یابی موجود ضعف آنها در برخورد با خوشه های متنوع از نظر شکل و اندازه است. به بیان دیگر بیشتر این روش ها برای تعامل با خوشه های بخصوصی از نقطه نظر شکل و اندازه طراحی شده و عملکرد مناسبی از خود نشان می دهند. مساله اساسی در این بین، چگونگی طراحی ملاک عدم شباهتی است که الگوریتم خوش یابی را قادر به تعامل مناسب با عموم داده ها سازد که می توانند شامل انواع مختلف خوشه ها باشند. نکته حایز اهمیت دیگر، بار محاسباتی و پیچیدگی الگوریتم پیشنهادی است. در این مقاله روش خوشه یابی فازی جدیدی پیشنهاد شده است که در آن هم زمان با خوشه یابی، مدل هر خوشه نیز تخمین زده می شود. به طور هم زمان ملاک عدم شباهت هر خوشه تعریف شده، به روزرسانی می گردد و برای مرحله بعد مورد استفاده قرار می گیرد. در این روش به جای نظیر کردن یک نوع به خصوص به هر خوشه، مجموعه ای از انواع ممکن خوشه ها با درجات مختلف امکان در نظر گرفته می شوند. سپس یک الگوریتم محدود کننده که می توان آن را نوعی سازوکار توجه دانست خوشه یابی را روی انواع محتمل تر خوشه ها متمرکز می کن. این گام کنترل توجه، بار محاسباتی الگوریتم پیشنهادی را به شدت کاهش می دهد. روش خوشه یابی پیشنهادی که قابلیت تعامل با داده های برچسب خورده پاره ای را نیز دارد روی دو خانواده داده های بدون برچسب و با برچسب های پاره ای پیاده سازی شده است.مقایسه نتایج به دست آمده از پیاده سازی روی پیشنهادی با برخی دیگر از روش های معروف خوشه یابی، نشان می دهد که روش پیشنهادی عملکرد قابل قبول و در بسیاری از موارد بهتر از دیگر روش ها را به همراه داشته است. این برتری به دلیل قابلیت این روش در تعامل با خوشه های متفاوت از نظر اندازه و شکل است، به طوری که در طول خوشه یابی درجه عضویت فازی در هر نوع شکل برای هر خوشه محاسبه می شود.