Кластеризация в распознавании мест возможного возникновения сильных землетрясений в Калифорнии и на Кавказе

• Автор: Дзебоев, Борис Аркадьевич
• Шифр специальности: 25.00.10
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 132 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ИСТОРИЧЕСКИЙ ЭКСКУРС (МЕТОД ЕРА)
ГЛАВА 2. ОПИСАНИЕ АЛГОРИТМИЧЕСКОЙ СИСТЕМЫ FCAZ
2.1. Алгоритм кластеризации DPS
2.2. Алгоритм плоского расширения кластеров Е2ХТ
ГЛАВА 3. РАСПОЗНАВАНИЕ МЕСТ ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ ЗЕМЛЕТРЯСЕНИЙ С МАГНИТУДОЙ М>6,5 В КАЛИФОРНИИ
3.1. Исходные данные: каталог землетрясений, сейсмичность Калифорнии.
3.2. Кластеризация эпицентров землетрясений алгоритмом DPS
3.3. Построение высокосейсмичных зон алгоритмом плоского расширения
кластеров Е2ХТ
3.4. Сравнение результатов распознавания высокосейсмичных зон в
Калифорнии методом ЕРА и системой FCAZ
3.5. Эксперимент «фрагментарная сейсмическая история»
3.6. Обсуждение результатов
ГЛАВА 4. РАСПОЗНАВАНИЕ МЕСТ ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ ЗЕМЛЕТРЯСЕНИЙ С МАГНИТУДОЙ М>5,0 НА КАВКАЗЕ
4.1. Исходные данные: каталоги землетрясений, сейсмичность Кавказа
4.2. Кластеризация эпицентров землетрясений алгоритмом DPS
4.3. Построение высокосейсмичных зон алгоритмом плоского расширения
кластеров Е2ХТ
4.4. Сравнение результатов распознавания высокосейсмичных зон на
Кавказе системой FCAZ и другими методами
4.4.1. Сравнение высокосейсмичных зон, распознанных системой FCAZ и методом ЕРА
4.4.2. Сравнение высокосейсмичных зон, распознанных системой FCAZ и выделенных по гравиметрическим данным
4.4.3. Сравнение высокосейсмичных зон, распознанных системой FCAZ и построенных Г.И. Рейснером по геологическим параметрам
4.5. Эксперимент «фрагментарная сейсмическая история»
4.6. Обсуждение результатов
ГЛАВА 5. ТРЕХМЕРНОЕ РАСПОЗНАВАНИЕ МЕСТ ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ СИЛЬНЫХ ЗЕМЛЕТРЯСЕНИЙ. СРАВНЕНИЕ DPS-КЛАСТЕРОВ СО СГЛАЖЕННОЙ СЕЙСМИЧНОСТЬЮ
5.1. Трехмерное распознавание мест возможного возникновения сильных землетрясений
5.1.1. Трехмерное распознавание в Калифорнии
5.1.2. Трехмерное распознавание на Кавказе
5.2. Сравнение DPS-кластеров со сглаженной сейсмичностью
5.2.1. Сравнение DPS-кластеров со сглаженной сейсмичностью в Калифорнии
5.2.2. Сравнение DPS-кластеров со сглаженной сейсмичностью на Кавказе
5.3. Обсуждение результатов
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
ВВЕДЕНИЕ
Актуальность работы. Задача прогноза землетрясений предполагает надежное определение трех основных характеристик: уровень, место и время события. В настоящее время из-за сложности надежного определения времени будущего землетрясения решающими характеристиками прогноза являются уровень и место события.
Известно много работ, посвященных установлению сейсмического потенциала возможных источников землетрясений, отнесенных к определенным участкам земной коры. Проблема установления таких участков или места возникновения будущего землетрясения представляет одну из важнейших составляющих в исследованиях по сейсмическому районированию и прогнозу землетрясений.
В разное время было сделано много попыток разработать надежные методы определения мест будущих землетрясений. К сожалению, в большинстве своем эти методы все еще не надежны. В тоже время, они предполагают проведение долговременных геофизических, геологических, геоморфологических и других исследований территории, трудоемких математических расчетов.
Таким образом, распознавание мест возможного возникновения землетрясений остается одной из наиболее сложных и до конца не решенных проблем современной геофизики. Актуальность данной проблемы неуклонно растет в связи со стремительным ростом урбанизированных территорий. Это привело к тому, что ООН объявило последнее десятилетие ХХ-го века десятилетием смягчения природных опасностей на урбанизированных территориях [71].
Наиболее достоверным можно считать классический метод распознавания мест возможного возникновения сильных землетрясений, - называемый в литературе методом ЕРА (Earthquake-Prone Areas recognition) [38]. Метод ЕРА создан и развит в работах советских и российских математиков и геофизиков

Будем считать, что шаг сетки д и тип связности С выбраны заранее и в алгоритме Е2ХТ варьируются только отрицательные показатели степенных
усреднений И'ИУ.
Исследования показывают, что при и* < -4 и V < -4 алгоритм Е2ХТ практически повторяет множество А, поэтому для изменения и V достаточно ограничиться универсумом [-4,0). Будем считать, что параметры и V меняются на нем дискретным регулярным образом с показателями Лги,, А'„ е N:

Возникающие зависимости 8Е2ХТ(м>,,уу)(Л) и СЕ2ХТ(ч>:, г,)(-4) образуют содержательную связку: как правило, чем меньше, тем сканируемость
больше, а связность СЕ1 ХТ(мп г,)(л) меньше. Поэтому их соединение в единый критерий х(5£2АТ(м',,уу)(л),С£'2АТ(и',,у;)(Д)) должно быть
результативным и позволит автоматизировать выбор параметров шит.
Для построения такого критерия необходимо предварительно нормировать показатели 5Е2ХТ и СЕ2ХТ в единой шкале. Сделаем это в рамках ДМА с помощью нечеткого сравнения п{а,Ь) подобно тому, как была нормирована плотность Р в алгоритме БРБ при определении уровня экстремальности р. Перейдем к точному изложению.
Нормирование сканируемости: чем показатель Ж2АТ(и>,гу)(л) выше, тем
лучше, поэтому в качестве нормирования 5'£2АТ(и',, гу)(л) примем меру максимальности 8Е2ХТ(игп у^(А):
ил ^'^Е2ХТ(^7)(А),8Е2ХТ(^)(А))
8Е АТ(>щуД(Л) = те*тах1да АТ(и>„ уД(Д)) = ^ 2. 7ГТГ------------ '
1=0 J= О
Нормирование связности: чем показатель С£2АТ(и',, у;)(Д) ниже, тем лучше