г. Москва и Московская область, Россия
г. Москва и Московская область, Россия
УДК 550.34.063 Определение местонахождения
УДК 55 Геология. Геологические и геофизические науки
УДК 550.34 Сейсмология
УДК 550.383 Главное магнитное поле Земли
ГРНТИ 37.01 Общие вопросы геофизики
ГРНТИ 37.15 Геомагнетизм и высокие слои атмосферы
ГРНТИ 37.25 Океанология
ГРНТИ 37.31 Физика Земли
ГРНТИ 38.01 Общие вопросы геологии
ГРНТИ 36.00 ГЕОДЕЗИЯ. КАРТОГРАФИЯ
ГРНТИ 37.00 ГЕОФИЗИКА
ГРНТИ 38.00 ГЕОЛОГИЯ
ГРНТИ 39.00 ГЕОГРАФИЯ
ГРНТИ 52.00 ГОРНОЕ ДЕЛО
ОКСО 05.00.00 Науки о Земле
ББК 26 Науки о Земле
ТБК 63 Науки о Земле. Экология
BISAC SCI SCIENCE
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.
землетрясения, сейсмоопасные территории, мониторинг, модели машинного обучения, нейросети
1. Болт Б. Землетрясения. Общедоступный очерк. — М. : Мир, 1981. — 256 с. DOI: https://doi.org/10.4108/ew.4329
2. Бондур В. Г. и Воронова О. С. Регистрация из космоса аномальных вариаций тепловых полей при сейсмических событиях на территории Северного Кавказа с 2017 по 2022 гг. // Исследование Земли из космоса. — 2022. — № 6. — С. 13—26. — https://doi.org/10.31857/S0205961422060021. EDN: https://elibrary.ru/STVHFM
3. Бондур В. Г., Гарагаш И. А., Гохберг М. Б. и др. Геомеханические модели и ионосферные вариации для крупнейших землетрясений при слабом воздействии градиентов атмосферного давления // Доклады академии наук. — 2007. — Т. 414, № 4. — С. 540—543. DOI: https://doi.org/10.3390/rs15092224; EDN: https://elibrary.ru/IAQEKB
4. Бондур В. Г., Гарагаш И. А., Гохберг М. Б. и др. Связь между вариациями напряженно-деформированного состояния земной коры и сейсмической активностью на примере Южной Калифорнии // Доклады академии наук. — 2010. — Т. 430, № 3. — С. 400—404. DOI: https://doi.org/10.1371/journal.pone.0199004; EDN: https://elibrary.ru/KZMCEV
5. Бондур В. Г., Гарагаш И. А., Гохберг М. Б. и др. Эволюция напряженного состояния Южной Калифорнии на основе геомеханической модели и текущей сейсмичности // Физика Земли. — 2016. — № 1. — С. 120—132. — https://doi.org/10.7868/S000233371601004X. EDN: https://elibrary.ru/VCPGFZ
6. Бондур В. Г., Цидилина М. Н., Гапонова Е. В. и др. Регистрация из космоса аномалий различных геофизических полей при подготовке разрушительных землетрясений в Турции в феврале 2023 г. // Исследование Земли из космоса. — 2023. — № 4. — С. 3—25. — https://doi.org/10.31857/S0205961423340018. EDN: https://elibrary.ru/RHSWXV
7. Бондур В. Г., Цидилина М. Н., Гапонова Е. В. и др. Совместный анализ аномальных вариаций различных геофизических полей по космическим данным при подготовке землетрясения в районе оз. Байкал 22 сентября 2020 г. (М=5.6) // Исследование Земли из космоса. — 2022. — № 5. — С. 3—19. — https://doi.org/10.31857/S0205961422050049. EDN: https://elibrary.ru/XKMAEM
8. Викулин А. В., Акманова Д. Р., Осипова Н. А. и др. Повторяемость сильных землетрясений и миграции их очагов вдоль сейсмического пояса // Вестник Камчатского Государственного Технического Университета. — 2009. — № 10. — С. 17—25. DOI: https://doi.org/10.1134/S1028334X10010320; EDN: https://elibrary.ru/NDMJLV
9. Гапонова Е. В., Зверев А. Т. и Цидилина М. Н. Выявление аномалий линеаментных систем по космическим изображениям во время сильных землетрясений в Калифорнии с магнитудами 6.4 и 7.1 // Исследование Земли из космоса. — 2019. — № 6. — С. 36—47. — https://doi.org/10.31857/S0205-96142019636-47. EDN: https://elibrary.ru/IUMHHK
10. Гвишиани А. Д., Соловьев А. А. и Дзебоев Б. А. Проблема распознавания мест возможного возникновения сильных землетрясений: актуальный обзор // Физика Земли. — 2020. — № 1. — С. 5—29. — https://doi.org/10.31857/S0002333720010044. EDN: https://elibrary.ru/EWBACJ
11. Гельфанд И. М., Губерман Ш. А., Извекова М. Л. и др. О критериях высокой сейсмичности // Доклады Академии наук СССР. — 1972. — Т. 202, № 6. — С. 1317—1320. DOI: https://doi.org/10.1134/S0001433822120052
12. Кашкин В. Б., Романов А. А., Григорьев А. С. и др. Тропосферные эффекты землетрясений в Туве, наблюдаемые с искусственных спутников Земли // Журнал СФУ. Техника и технологии. — 2012. — Т. 5, № 2. — С. 220—228. DOI: https://doi.org/10.1134/S0001433822120064; EDN: https://elibrary.ru/PDTRWX
13. Кейлис-Борок В. И. Динамика литосферы и прогноз землетрясений // Природа. — 1989. — № 12. — С. 10—18.
14. Кособоков В. Г. Прогноз землетрясений и геодинамические процессы. Часть 1. Прогноз землетрясений: основы, реализация, перспективы. (Вычислительная сейсмология; Вып. 36). — М. : ГЕОС, 2005. — 179 с.
15. Липеровский В. А., Похотелов О. А., Мейстер К. В. и др. Физические модели связей в системе литосфера–атмосфера–ионосфера перед землетрясениями // Геомагнетизм и аэрономия. — 2008. — Т. 48, № 6. — С. 831—843. DOI: https://doi.org/10.3133/ofr02420; EDN: https://elibrary.ru/JUPCNZ
16. Моги К. Предсказание землетрясений. — М. : Мир, 1988. — 382 с. DOI: https://doi.org/10.1134/S000143382009011X
17. Осипов В. И., Шойгу С. К. и Соболев Г. А. Природные опасности России. Сейсмические опасности. — М. : КРУК, 2000. — 296 с.
18. Пущаровский Ю. М. Введение в тектонику Тихоокеанского сегмента Земли. Труды ГИН, вып. 234. — М. : Наука, 1972. — 228 с. DOI: https://doi.org/10.1134/S1069351320010048
19. Пущаровский Ю. М. Тектонические провинции Атлантического океана // Геотектоника. — 2009. — № 3. — С. 3—13. EDN: https://elibrary.ru/KFPDUV
20. Смирнов В. М., Смирнова Е. В., Цидилина М. Н. и др. Сейсмоионосферные вариации во время сильных землетрясений на примере землетрясения 2010 г. в Чили // Космические исследования. — 2018. — Т. 56, № 4. — С. 283—292. — https://doi.org/10.31857/S002342060000347-9. EDN: https://elibrary.ru/FMYAEC
21. Соболев Г. А. и Пономарев А. В. Физика землетрясений и предвестники. — М. : Наука, 2003. — 270 с. DOI: https://doi.org/10.3390/rs17020311; EDN: https://elibrary.ru/RVEBFL
22. Уломов В. И. Сейсмичность территории России // Изменение окружающей среды и климата. Природные и связанные с ними техногенные катастрофы. Т. 1. — М. : ИФЗ РАН, 2008. — С. 13—18. EDN: https://elibrary.ru/YSKDSD
23. Федотов С. А. Долгосрочный сейсмический прогноз для Курило-Камчатской дуги. — М. : Наука, 2005. — 302 с. EDN: https://elibrary.ru/QKFCPL
24. Хаин В. Е. и Халилов Э. Н. Цикличность геодинамических процессов: ее возможная природа. — М. : Научный мир, 2009. — 520 с.
25. Хайкин С. Нейронные сети: полный курс. Второе издание. — 2-е изд. — М. : Вильямс, 2006. — 1104 с.
26. Шерман С. И. и Злогодухова О. Г. Сейсмические пояса и зоны Земли: формализация понятий, положение в литосфере и структурный контроль // Геодинамика и тектонофизика. — 2011. — Т. 2, № 1. — С. 1—34. — https://doi.org/10.5800/GT-2011-2-1-0031. DOI: https://doi.org/10.1134/S0016793208060133; EDN: https://elibrary.ru/NRLJMH
27. Agarwal N., Arora I., Saini H., et al. A Novel Approach for Earthquake Prediction Using Random Forest and Neural Networks // EAI Endorsed Transactions on Energy Web. — 2023. — Vol. 10. — P. 1–6. — https://doi.org/10.4108/ew.4329. EDN: https://elibrary.ru/DSYGXP
28. Ajai V., Gandhimathi U. S., Suntosh B. D. S., et al. Machine Learning-Based Seismic Activity Prediction // Utilizing AI and Machine Learning for Natural Disaster Management. — IGI Global, 2024. — P. 293–306. — https://doi.org/10.4018/979-8-3693-3362-4.ch017. DOI: https://doi.org/10.28991/cej-2016-00000008
29. Akhoondzadeh M. and Marchetti D. Study of the Preparation Phase of Turkey’s Powerful Earthquake (6 February 2023) by a Geophysical Multi-Parametric Fuzzy Inference System // Remote Sensing. — 2023. — Vol. 15, no. 9. — P. 2224. — https://doi.org/10.3390/rs15092224. EDN: https://elibrary.ru/JIRJKY
30. Asim K. M., Idris A., Iqbal T., et al. Earthquake prediction model using support vector regressor and hybrid neural networks // PLOS ONE. — 2018. — Vol. 13, no. 7. — e0199004. — https://doi.org/10.1371/journal.pone.0199004. EDN: https://elibrary.ru/YHZRJB
31. Bogdanov V., Gavrilov V., Pulinets S., et al. Responses to the preparation of strong Kamchatka earthquakes in the lithosphere-atmosphere-ionosphere system, based on new data from integrated ground and ionospheric monitoring // E3S Web of Conferences. — 2020. — Vol. 196. — P. 14. — https://doi.org/10.1051/e3sconf/202019603005. EDN: https://elibrary.ru/DUMEAA
32. Ermiş İ. and Cürebal İ. Earthquake Probability Prediction with Decision Tree Algorithm: The Example of Izmir, Türkiye // Journal of Artificial Intelligence and Data Science. — 2024. — Vol. 4, no. 2. — P. 59–67. DOI: https://doi.org/10.26555/ijain.v3i2.100
33. Frankel A. D., Petersen M. D., Mueller C. S., et al. Documentation for the 2002 Update of the National Seismic Hazard Maps. Open-File Report 02-420. — USGS, 2002. — 33 p.
34. Jarah N. B., Alasadi A. H. H. and Hashim K. M. A New Algorithm for Earthquake Prediction Using Machine Learning Methods // Journal of Computer Science. — 2024. — Vol. 20, no. 2. — P. 150–156. — https://doi.org/10.3844/jcssp.2024.150.156. EDN: https://elibrary.ru/XKTDAG
35. Jiao Q., Liu Q., Lin C., et al. Spatiotemporal Analysis of Atmospheric Chemical Potential Anomalies Associated with Major Seismic Events (Ms ≥ 7) in Western China: A Multi-Case Study // Remote Sensing. — 2025. — Vol. 17, no. 2. — P. 311. — https://doi.org/10.3390/rs17020311. EDN: https://elibrary.ru/ZEWSLK
36. Liu C. and Macedo J. Machine learning-based models for estimating seismically-induced slope displacements in subduction earthquake zones // Soil Dynamics and Earthquake Engineering. — 2022. — Vol. 160. — P. 107323. — https://doi.org/10.1016/j.soildyn.2022.107323. EDN: https://elibrary.ru/CBCMCU
37. Mahmoudi J., Arjomand M. A., Rezaei M., et al. Predicting the Earthquake Magnitude Using the Multilayer Perceptron Neural Network with Two Hidden Layers // Civil Engineering Journal. — 2016. — Vol. 2, no. 1. — P. 1–12. DOI: https://doi.org/10.1109/I2CT45611.2019.9033691
38. Mallouhy R., Jaoude C. A., Guyeux C., et al. Major earthquake event prediction using various machine learning algorithms // 2019 International Conference on Information and Communication Technologies for Disaster Management (ICT-DM). — IEEE, 2019. — P. 1–7. — https://doi.org/10.1109/ict-dm47966.2019.9032983. DOI: https://doi.org/10.5047/eps.2011.06.034
39. Mignan A., Rinaldi A. P., Lanza F., et al. A Multi-LASSO model to forecast induced seismicity at enhanced geothermal systems // Geoenergy Science and Engineering. — 2024. — Vol. 236. — P. 212746. — https://doi.org/10.1016/j.geoen.2024.212746. EDN: https://elibrary.ru/GUPDHV
40. Novianti P., Setyorini D. and Rafflesia U. K-Means cluster analysis in earthquake epicenter clustering // International Journal of Advances in Intelligent Informatics. — 2017. — Vol. 3, no. 2. — P. 81–89. — https://doi.org/10.26555/ijain.v3i2.100.
41. Piscini A., Santis A. De, Marchetti D., et al. A Multi-parametric Climatological Approach to Study the 2016 AmatriceNorcia (Central Italy) Earthquake Preparatory Phase // Pure and Applied Geophysics. — 2017. — Vol. 174, no. 10. — P. 3673–3688. — https://doi.org/10.1007/s00024-017-1597-8. EDN: https://elibrary.ru/YKAKYS
42. Ranjan G. S. K., Verma A. K. and Radhika S. K-Nearest Neighbors and Grid Search CV Based Real Time Fault Monitoring System for Industries // 2019 IEEE 5th International Conference for Convergence in Technology (I2CT). — IEEE, 2019. — P. 1–5. — https://doi.org/10.1109/i2ct45611.2019.9033691.
43. Saito A., Tsugawa T., Otsuka Y., et al. Acoustic resonance and plasma depletion detected by GPS total electron content observation after the 2011 off the Pacific coast of Tohoku Earthquake // Earth, Planets and Space. — 2011. — Vol. 63, no. 7. — P. 863–867. — https://doi.org/10.5047/eps.2011.06.034. EDN: https://elibrary.ru/PHJJEP
44. Shukla S. S., Dhanya J., Kumar P., et al. An Ensemble Random Forest Model for Seismic Energy Forecast // Natural Hazards and Earth System Sciences Discussion [preprint]. — 2024. — P. 40. — https://doi.org/10.5194/nhess-2024-129. DOI: https://doi.org/10.11591/ijece.v9i2.pp1304-1312
45. Vardaan V. K., Bhandarkar T., Satish N., et al. Earthquake trend prediction using long short-term memory RNN // International Journal of Electrical and Computer Engineering (IJECE). — 2019. — Vol. 9, no. 2. — P. 1304–1312. — https://doi.org/10.11591/ijece.v9i2.pp1304-1312. DOI: https://doi.org/10.11591/ijece.v9i2.pp.1304-1312; EDN: https://elibrary.ru/RQNLRR
46. Wei M. and Gao K. Machine Learning Predicts the Slip Duration and Friction Drop of Laboratory Earthquakes in Sheared Granular Fault // Journal of Geophysical Research: Machine Learning and Computation. — 2024. — Vol. 1, no. 4. — https://doi.org/10.1029/2024JH000398. EDN: https://elibrary.ru/OGHBQV
