В статье рассматриваются результаты и перспективы автоматизации процессов идентификации краткосрочных предвестников сильных (с магнитудой 6 и более) землетрясений, регистрируемых с помощью спутниковых измерений. Автоматизация этих процессов опирается на их формализацию, в основе которой лежит разработанная в России физическая модель генерации предвестников землетрясения - модель литосферно-атмосферно-ионосферных взаимодействий в области подготовки землетрясения. На основе многолетнего опыта мониторинга предвестников различной физической природы в качестве основных предвестников землетрясений предлагается использование ионосферных и тепловых/метеорологических аномалий, регистрируемых за несколько суток до сейсмического события над зоной подготовки землетрясения, как наиболее достоверных. В статье описана формализация связей параметров прогнозируемых землетрясений и параметров их наблюдаемых предвестников, предложены этапы машинной обработки данных о выбранных предвестниках землетрясений, определены направления повышения уровня автоматизации процессов идентификации предвестников землетрясений на основе методов машинного обучения их распознавания.
Идентификаторы и классификаторы
Среди стихийных бедствий глобального характера, выражающихся в виде материального ущерба и гибели людей, землетрясения по своим последствиям занимают второе место после наводнений. Причем иногда эти последствия достигают поистине чудовищных масштабов: общее количество жертв землетрясения в Индонезии с магнитудой 9,3 вблизи острова Суматра 26 декабря 2005 г. и последовавшим за ним цунами оценивается в 235 тысяч человек; землетрясение в Турции и Сирии 6 февраля 2023 г. с магнитудой 7,8 унесло жизни порядка 60 тысяч человек.
Список литературы
1. Пулинец С.А., Узунов Д.П., Карелин А.В., Давиденко Д.В. Физические основы генерации краткосрочных предвестников землетрясений. Комплексная модель геофизических процессов в системе литосфера-атмосфера-ионосфера-магнитосфера, стимулируемых ионизацией // Геомагнетизм и аэрономия. 2015. T. 55, вып. 4. C. 521-538. EDN: UFDKND
2. Романов А.А., Романов А.А., Трусов С.В., Урличич Ю.М. Современные подходы к созданию автоматизированной системы регистрации ионосферных предвестников землетрясений по спутниковым данным // Космонавтика и ракетостроение. 2006. №1(46). С. 167-172. EDN: RDQIIR
3. Пулинец С.А., Узунов Д.П., Давиденко Д.В., Дудкин А.Ф., Цадиковский Е.И. Прогноз землетрясений возможен?! Интегральные технологии многопараметрического мониторинга геоэффективных явлений в рамках комплексной модели взаимосвязей в литосфере, атмосфере и ионосфере Земли. М.: Тровант, 2014. 144 с.
4. Перминов А.Н., Калинин С.Ю., Пулинец С.А., Разумова Н.В., Костенко В.В., Линьков А.Д. Система мониторинга и прогнозирования чрезвычайных ситуаций. Формирование структуры и перспективы создания // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, №7, С. 41-51. EDN: YNJOJX
5. Алексеев О.А., Пулинец С.А., Будников П.А., Серебряков В.Б., Разумова Н.В., Линьков А.Д. Макет информационного сервиса автоматизированного мониторинга и краткосрочного прогнозирования сильных землетрясений в Камчатско-Сахалинском регионе // Ракетно-космическое приборостроение и информационные системы. 2021. Т. 8(4). С. 3-15. EDN: DRGUZO
6. Pulinets S., Ouzounov D., Davidenko D., Budnikov P. Principles of organizing earthquake forecasting based on multiparameter sensor-WEB monitoring data / E3S Web Conf. 2020. V. 196. P. 03004. EDN: REYDQX
7. Pulinets S., Shen X., Davidenko D. Research and development project for creation of services of the Multipurpose Aerospace Forecast and Monitoring System (MAFMS) of natural and man-made emergencies in Russia and the CIS countries (earthquakes forecast segment) / The 4th Intern. Workshop of CSES Mission, 17-21 October, 2019, Changsha, Hunan, China.
8. Bogdanov V., Gavrilov V., Pulinets S., Ouzounov D. 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 Conf. 2020. V. 196. P. 03005.
9. Пулинец С.А., Давиденко Д.В., Будников П.А. Метод когнитивной идентификации ионосферных предвестников землетрясений // Геомагнетизм и аэрономия. 2021. Т. 61. №1. С. 103-114. EDN: PKGRKS
10. Pulinets S.A., Legen’ka A.D., Gaivoronskaya T.V., Depuev V.Kh. Main phenomenological features of ionospheric precursors of strong earthquakes // J. Atm. Solar Terr. Phys. 2003. V. 65. P. 1337-1347. EDN: LIETRF
11. Pulinets S., Ouzounov D., Karelin A., Boyarchuk K. Earthquake Precursors in the Atmosphere and Ionosphere. New Concepts. Springer Nature. 2022. 312 p.; https://link.springer.com/book/10.1007/978- 94-024-2172-9. DOI: 10.1007/978-94-024-2172-9
12. Пулинец С.А., Давиденко Д.В. Положительная ночная аномалия электронной концентрации в ионосфере как краткосрочный предвестник землетрясений и возможный физический механизм ее формирования // Геомагнетизм и аэрономия. 2018. Т. 58, №4. С. 579-591. EDN: XVUBGH
13. Parrot M. Statistical analysis of the ion and electron densities in relation with the seismic activity, Joint SEMEP. PreEarthuake Meeting, Brussels. 2012. Jan. 24th.
14. Pulinets S., Ouzounov D. The possibility of earthquake forecasting. Learning from Nature. IOP Publishing, Bristol, Dec. 2018. 167 p.; https://iopscience. iop.org/book/978-0-7503-1248-6.
15. Pulinets S., Davidenko D. Ionospheric precursors of earthquakes and Global Electric Circuit // Advances in Space Research. 2014. V. 53. P. 709-723;. DOI: 10.1016/j.asr.2013.12.035 EDN: SKMKTZ
16. Pulinets S., Budnikov P., Karelin A., Žalohar J. Thermodynamic instability of the atmospheric boundary layer stimulated by tectonic and seismic activity //j. Atmospheric and Solar-Terrestrial Physics. 2023. 106050; 10.1016/j. jastp.2023. 106050. DOI: 10.1016/j.jastp.2023.106050 EDN: LRBFSG
17. Pulinets S., Budnikov P. Atmosphere Critical Processes Sensing with ACP // Atmosphere. 2022. V. 513. P. 1920;. DOI: 10.3390/atmos13111920
18. Dobrovolsky I.P., Zubkov S. I., Myachkin V. I. Estimation of the size of earthquake preparation zones // Pure and Applied Geophysics. 1979. V. 117. Р. 1025- 1044. EDN: ZZHITZ
19. Kim Y., Nakata N. Geophysical inversion versus machine learning in inverse problems // The Leading Edge. 2018. V. 37. P. 866-944.
20. Alipour A., Yarahmadi J., Mahdavi M.Comparative study of M5 model tree and artificial neural network in estimating reference evapotranspiration using MODIS products //j. Climatology. 2014. V. 2014. Article ID 839205. 11 p.
21. Das V., Pollack A., Wollner U., Mukerji T. Convolutional neural network for seismic impedance inversion // Geophysics. 2019. V. 84, No6.
22. Sun J., Slang S., Elboth T., Larsen Greiner T., McDonald S., Gelius L.-J. A convolutional neural network approach to deblending seismic data // Geophysics. 2020. V. 85, No4. EDN: JURYFY
23. Arikan O., Arikan F. Machine learning-based detection of earthquake precursors using ionospheric data / 42nd COSPAR Sci. Assembly, 14-22 July 2018, Pasadena, California, USA. Abstract id. C1.4-16-18 18.
24. Pulinets S.A., Gaivoronska T.B., Contreras A.L., Ciraolo L. Correlation analysis technique revealing ionospheric precursors of earthquakes // Natural Hazards and Earth System Sciences. 2004. V. 4. P. 697-702. EDN: LIIMSH
25. Pulinets S.A., Kotsarenko A.N., Ciraolo L., Pulinets I.A. Special case of ionospheric day-to-day variability associated with earthquake preparation // Adv. Space Res. 2007. V. 39, No5. P. 970-977. EDN: MIKATP
26. Afraimovich E.L., Astafyeva E. I., Oinats A.V., Yasukevich Y.V., Zhivetiev I.V. Global electron content: A new conception to track solar activity // Ann. Geophys. 2008. V. 26. P. 335-344. EDN: LLNPEP
27. Пулинец С.А., Бондур В. Г., Цидилина М.Н., Гапонова М.В. Проверка концепции сейсмо-ионосферных связей в спокойных гелиогеомагнитных условиях на примере Венчуаньского землетрясения в Китае 12 мая 2008 г. // Геомагнетизм и аэрономия. 2010. Т. 50, №2. С. 240-252. EDN: LOIZAL
Выпуск
Другие статьи выпуска
В статье на принятом уровне общности излагается технология комплексного синтеза перспективных систем управления ракетно-космических аппаратов большой значимости и ответственности, нацеленная на получение характеристик систем управления возможно высокого уровня. В основу упомянутой технологии положены принципы и операции методологии синергетической оптимизации и интеллектуализации. Характерно, что совершенствование системы управления предусматривается на всех этапах жизненного цикла объекта управления, что обеспечивается средствами оценки текущего состояния, адаптациии самовосстановления. Рассматриваемые системы управления, будучи активированными или постоянно действующими, целесообразны для использования в управлении такими важнейшими изделиями ракетно-космической техники, как стратегические ракеты, ракеты-носители, крылатые боевые блоки, долговременные космические станции, аппараты для изучения дальнего космоса, стратегические спутники космического мониторинга и т. д. [1]. Очевидно, что эффективные системы управленияв значительной степени обеспечивают успешное функционирование объектов управления, что имеет большое значение для качественного выполнения важных задач в интересах обороны, социума и науки. Как показывает научно-технический анализ, целесообразность в создании упомянутых систем управления вполне очевидна, а возможность создания их на базе современных программно-аппаратных средств имеет под собой все научно-технические основания.
Показано, что применительно к технологическим инновациям должен неукоснительно соблюдаться принцип упреждающей (по отношению к началу разработки комплексов) разработки технологий, приборов, агрегатов и систем. Проводится анализ преимуществ и недостатков математических моделей и методик, применяемых при оценке меры риска реализации технологических инноваций. Предлагается методика, позволяющая расширить область применения аналитических методов количественного анализа рисков технологических инноваций, за счет приведения показателей частных рисков по результатами срокам к показателям стоимости. Показаны направления применения методики, включающие использование менее сложныхи апробированных технологий как метод снижения рисков, а также обоснование предложений по управлению программами технологических инноваций на основе системного анализа факторов риска различной природы. Обеспечение сопоставимости оценки полезности технологической инновации, выражаемой в абсолютном большинстве случаев в стоимостных показателях, и меры риска ее реализации за счет приведения показателей частных рисков по результатам и срокам к показателям стоимости позволяет принимать обоснованные решения по упрощению состава разрабатываемых технических средств. Областью применения методики является не только обоснование предложений по снижению рисков технологических инноваций. Апостериорные расчеты потерь, возникших вследствие наступления рисковых событий, позволяют методами системного анализа оценить влияние факторов риска различной природы на ход реализации программ технологических инноваций, определить наиболее опасные из них, сформулировать проблемы, порождающие возникновение таких факторов риска и выработать предложения по решению таких проблем.
Рассмотрены принципы идентификации трансформации управляющих воздействий, принимаемых космическим аппаратом по радиоканалу управления, при их логическом анализе в бортовом комплексе управления. Введены и формализованы две группы признаков, позволяющих идентифицировать трансформацию принимаемых или поступающих на исполнение команд управления, связанные с соответствием управляющего воздействия логической последовательности управляющих воздействий выполняемому технологическому циклу управления и текущему функциональному состоянию бортовой аппаратуры космического аппарата. Признаки идентификации трансформации команд управления формализованы в виде булевых функций проверки их соответствия разрешенной последовательности управляющих воздействий и текущему функциональному состоянию бортовой аппаратуры при выполнении штатных технологических циклов управления космическим аппаратом. Проанализированы возможности идентификации трансформации управляющих воздействий при их логическом анализе с использованием введенных признаков. При допущениях о статистических свойствах множества команд управления, передаваемых на космический аппарат, определены условия, при которых на основании анализа последовательности управляющих воздействий обеспечивается однозначное определение трансформации команды управления и остаточная вероятность трансформации команды управления после анализа ее соответствия текущему функциональному состоянию бортовой аппаратуры космического аппарата.
В работе проводится анализ сигналов от телефотометров, установленных на спускаемом аппарате станции«Марс-3», который впервые в мире в 1971 г. совершил посадку на поверхности Марса. Оценивается длительность работыпередатчиков аппарата, анализируются режимы съемки, определяется уровень освещенности в месте посадки. Обосновываются геометрические характеристики изображений на основе анализа принятых сигналов. С помощью специализированногоалгоритма осуществляется восстановление фрагментов панорам, переданных спускаемым аппаратом, и проводится обзорныйанализ этих снимков. Подчеркивается историческая ценность и значимость полученных результатов.
Издательство
- Издательство
- Российские космические системы
- Регион
- Россия, Москва
- Почтовый адрес
- 111250, а/я 16, г. Москва
- Юр. адрес
- 111024, г Москва, р-н Лефортово, ул Авиамоторная, д 53
- ФИО
- Ерохин Геннадий Алексеевич (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- E-mail адрес
- contact@spacecorp.ru
- Контактный телефон
- +7 (749) 5673943