ОСНОВЫ ДВУХЭТАПНОГО ПОДХОДА К СИСТЕМАТИЧЕСКОМУ ПРОГНОЗУ ЗЕМЛЕТРЯСЕНИЙ

Обложка

Цитировать

Полный текст

Аннотация

Систематический прогноз землетрясений производится регулярно с постоянным интервалом в заранее выбранной сейсмически однородной зоне. Результатом каждой итерации прогноза является карта зоны тревоги, в которой ожидаются эпицентры целевых землетрясений. В рассматриваемой технологии реализованы следующие новые положения: 1 – Решение считается успешным, если на интервале прогноза все эпицентры целевых землетрясений попали в зону тревоги. 2 – Технология оптимизирует вероятность успешного обнаружения эпицентров землетрясений в серии прогнозов и вероятность успешного прогноза на очередной итерации. 3 – Технология позволяет оценить вероятность успешного решения на очередном интервале прогноза. Рассмотрены примеры применения метода для прогноза землетрясений Камчатки, Калифорнии и островной части Японии.

Об авторах

В. Г. Гитис

Институт проблем передачи информации им. А.А. Харкевича Российской академии наук

Email: gitis@iitp.ru
ORCID iD: 0000-0003-1123-6433
SPIN-код: 6361-3795
Scopus Author ID: 6601977219
ResearcherId: K-2526-2018
доктор технических наук

А. Б. Дерендяев

Институт проблем передачи информации им. А.А. Харкевича Российской академии наук

Email: wintsa@gmail.com
ORCID iD: 0000-0001-7063-6176
SPIN-код: 6574-3955
Scopus Author ID: 36520735400
ResearcherId: AAS-1859-2021
Геоинформационные технологии и системы, кандидат технических наук

Список литературы

  1. Завьялов А. Д. Среднесрочный прогноз землетрясений: основы, методика, реализация. — Москва : Наука, 2006. — EDN: QKFPZD.
  2. Молчан Г. М. Оптимальные стратегии в прогнозе землетрясений. Современные методы интерпретации сейсмологических данных // Вычислительная сейсмология. — 1991. — Т. 24. — С. 3—18.
  3. Соболев Г. А. Основы прогноза землетрясений. — Москва : МАИК «Наука/Интерпериодика», 1993. — 313 с. — EDN: TGSIGH.
  4. Соболев Г. А., Пономарев A. В. Физика землетрясений и предвестники. — Москва : МАИК «Наука/Интерпериодика», 2003. — 270 с. — EDN: RVEBFL.
  5. Чебров В. Н., Дрознин Д. В., Кугаенко Ю. А. и др. Система детальных сейсмологических наблюдений на Камчатке в 2011 г. // Вулканология и сейсмология. — 2013. — № 1. — С. 18—40. — doi: 10.7868/s0203030613010021.
  6. Чеброва А. Ю., Чемарёв A. С., Матвеенко E. А. и др. Единая информационная система сейсмологических данных в Камчатском филиале ФИЦ ЕГС РАН: Принципы организации, основные элементы, ключевые функции // Геофизические исследования. — 2020. — Т. 21, № 3. — С. 66—91. — doi: 10.21455/gr2020.3-5.
  7. Amei A., Fu W., Ho C. H. Time series analysis for predicting the occurrences of large scale earthquakes // International Journal of Applied Science and Technology. — 2012. — Vol. 2, no. 7.
  8. 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. — doi: 10.1371/journal.pone.0199004.
  9. Barnhart W. D., Hayes G. P., Wald D. J. Global Earthquake Response with Imaging Geodesy: Recent Examples from the USGS NEIC // Remote Sensing. — 2019. — Vol. 11, no. 11. — P. 1357. — doi: 10.3390/rs11111357.
  10. Blewitt G., Hammond W. C., Kreemer C. Harnessing the GPS Data Explosion for Interdisciplinary Science // Eos. — 2018. — Vol. 99. — P. 485. — doi: 10.1029/2018eo104623.
  11. Bradley A. P. The use of the area under the ROC curve in the evaluation of machine learning algorithms // Pattern Recognition. — 1997. — Vol. 30, no. 7. — P. 1145–1159. — doi: 10.1016/s0031-3203(96)00142-2.
  12. Corbi F., Sandri L., Bedford J., et al. Machine Learning Can Predict the Timing and Size of Analog Earthquakes // Geophysical Research Letters. — 2019. — Vol. 46, no. 3. — P. 1303–1311. — doi: 10.1029/2018gl081251.
  13. Gitis V., Derendyaev A. The Method of the Minimum Area of Alarm for Earthquake Magnitude Prediction // Frontiers in Earth Science. — 2020. — Vol. 11. — doi: 10.3389/feart.2020.585317.
  14. Gitis V., Derendyaev A. A Technology for Seismogenic Process Monitoring and Systematic Earthquake Forecasting // Remote Sensing. — 2023. — Vol. 15, no. 8. — P. 2171. — doi: 10.3390/rs15082171.
  15. Gitis V., Derendyaev A., Petrov K. Analyzing the Performance of GPS Data for Earthquake Prediction // Remote Sensing. — 2021. — Vol. 13, no. 9. — P. 1842. — doi: 10.3390/rs13091842.
  16. Gitis V. G., Derendyaev A. B., Pirogov S. A., et al. Adaptive estimation of seismic parameter fields from earthquake catalogs // Journal of Communications Technology and Electronics. — 2015. — Vol. 60, no. 12. — P. 1459–1465. — doi: 10.1134/s1064226915120098.
  17. Gitis V. G., Derendyaev A. B., Pirogov S. A., et al. Earthquake prediction using the fields estimated by an adaptive algorithm // Proceedings of the 7th International Conference on Web Intelligence, Mining and Semantics. — 2017. — P. 1–8. — doi: 10.1145/3102254.3102269.
  18. Kagan Y. Y. Earthquakes: Models, Statistics, Testable Forecasts. — Wiley, 2013. — doi: 10.1002/9781118637913.
  19. Kail R., Burnaev E., Zaytsev A. Recurrent Convolutional Neural Networks Help to Predict Location of Earthquakes // IEEE Geoscience and Remote Sensing Letters. — 2022. — Vol. 19. — P. 1–5. — doi: 10.1109/lgrs.2021.3107998.
  20. Kaplan S. M., McFall R. W. The Statistical Properties of Noise Applied to Radar Range Performance // Proceedings of the IRE. — 1951. — Vol. 39, no. 1. — P. 56–60. — doi: 10.1109/jrproc.1951.230422.
  21. King C. Y. Gas geochemistry applied to earthquake prediction: An overview // Journal of Geophysical Research: Solid Earth. — 1986. — Vol. 91, B12. — P. 12269–12281. — doi: 10.1029/jb091ib12p12269.
  22. Kossobokov V., Shebalin P. Earthquake Prediction // Nonlinear Dynamics of the Lithosphere and Earthquake Prediction. — Berlin : Springer Berlin Heidelberg, 2003. — P. 141–207. — doi: 10.1007/978-3-662-05298-3_4.
  23. Lighthill J. A Critical Review of VAN: Earthquake Prediction from Seismic Electrical Signals. — Singapore : World Scientific, 1996. — doi: 10.1142/3006.
  24. Mignan A., Broccardo M. Neural Network Applications in Earthquake Prediction (1994-2019): Meta-Analytic and Statistical Insights on Their Limitations // Seismological Research Letters. — 2020. — Vol. 91, no. 4. — P. 2330– 2342. — doi: 10.1785/0220200021.
  25. Molchan G. Space-Time Earthquake Prediction: The Error Diagrams // Pure and Applied Geophysics. — 2010. — Vol. 167, no. 8/9. — P. 907–917. — doi: 10.1007/s00024-010-0087-z.
  26. Obara K., Kasahara K., Hori S., et al. A densely distributed high-sensitivity seismograph network in Japan: Hi-net by National Research Institute for Earth Science and Disaster Prevention // Review of Scientific Instruments. — 2005. — Vol. 76, no. 2. — doi: 10.1063/1.1854197.
  27. Okada Y., Kasahara K., Hori S., et al. Recent progress of seismic observation networks in Japan -Hi-net, F-net, K-NET and KiK-net- // Earth, Planets and Space. — 2014. — Vol. 56, no. 8. — P. 15–28. — doi: 10.1186/BF03353076.
  28. Panakkat A., Adeli H. Neural network models for earthquake magnitude prediction using multiple seismicity indicators // International Journal of Neural Systems. — 2007. — Vol. 17, no. 01. — P. 13–33. — doi: 10.1142/s0129065707000890.
  29. Rhoades D. A. Mixture Models for Improved Earthquake Forecasting with Short-to-Medium Time Horizons // Bulletin of the Seismological Society of America. — 2013. — Vol. 103, no. 4. — P. 2203–2215. — doi: 10.1785/0120120233.
  30. Shebalin P. N., Narteau C., Zechar J. D., et al. Combining earthquake forecasts using differential probability gains // Earth, Planets and Space. — 2014. — Vol. 66, no. 1. — P. 1–14. — doi: 10.1186/1880-5981-66-37.
  31. Soloviev A. A., Gvishiani A. D., Gorshkov A. I., et al. Recognition of earthquake-prone areas: Methodology and analysis of the results // Izvestiya, Physics of the Solid Earth. — 2014. — Vol. 50, no. 2. — P. 151–168. — doi: 10.1134/s1069351314020116.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Гитис В.Г., Дерендяев А.Б., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».