Для выявления зон вероятного возникновения сильных сейсмических событий предложены модели машинного обучения, основанные на методах регрессионного анализа. Проведена оценка производительности девяти линейных и нелинейных моделей, на основании результатов которой была выбрана модель случайного леса. Произведено улучшение качества обучения модели случайного леса за счет настройки гиперпараметров, а также использования кластеризации и полярных координат. Это позволило улучшить качество обучения модели, повысив значение коэффициента детерминации до 0,86. Проведен анализ возможности применения двух нейросетей с глубоким обучением, таких как многослойный перцептрон (Multi-layer Perceptron, MLP) и долгая краткосрочная память (Long Short-Term Memory, LSTM) с использованием для обучения параметров, которые были выбраны для модели случайного леса. С применением такой модели и выбранных нейросетей глубокого обучения были предсказаны зоны вероятного возникновения сейсмических событий для территории всего земного шара, а также детально проанализированы предсказанные зоны для территории Российской Федерации. В результате проведенных исследований применение нейросетей с глубоким обучением позволило выявить большее (приблизительно на 40%) количество зон максимальной сейсмичности (с магнитудами 𝑀 ≥ 6) по сравнению с улучшенной моделью случайного леса.
Machine learning models based on regression analysis methods have been selected to identify areas of maximum risk for major seismic events. The performance of nine linear and nonlinear models was evaluated, resulting in the selection of the Random Forest model. The quality of training for the Random Forest model was improved through hyperparameter tuning as well as the use of clustering and polar coordinates. It allowed the improvement of quality of model training, increasing the value of the coefficient of determination to 0.86. An analysis was conducted on the applicability of two neural networks with deep learning: Multi-layer Perceptron (MLP) and Long Short-Term Memory (LSTM), using training parameters that were selected for the Random Forest model. Using this model and selected neural networks with deep learning, areas of maximum risk for seismic events were predicted for the entire globe, with a detailed analysis of predicted areas for the territory of the Russian Federation. As a result of the conducted research, the use of neural networks with deep learning made it possible to identify a greater (~40%) number of zones of maximum seismicity (with M>6) compared to the improved Random Forest model.