Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2009, №53

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

1

УДК 303.732.4 
 
UDC 303.732.4 
 
ПРОГНОЗИРОВАНИЕ СЕЙСМИЧЕСКОЙ 
АКТИВНОСТИ И КЛИМАТА НА ОСНОВЕ 
СЕМАНТИЧЕСКИХ ИНФОРМАЦИОННЫХ 
МОДЕЛЕЙ  
 

PREDICTION OF SEISMIC ACTIVITY AND 
CLIMATE ON THE BASIS OF SEMANTIC 
INFORMATION MODELING 

Трунев Александр Петрович 
к. ф.-м. н., Ph.D. 
Alexander Trunev , Ph.D. 

Директор, A&E Trounev IT Consulting, Торонто, 
Канада 
Director, A&E Trounev IT Consulting, Toronto,  
Canada  
 
Луценко Евгений Вениаминович  
 д. э. н., к. т. н., профессор 
 

Lutsenko Evgeny Veniaminovich 
Dr. Sci. Econ., Cand. Tech. Sci., Professor 

Кубанский государственный аграрный 
университет, Краснодар, Россия 
 

Kuban State Agrarian University, Krasnodar, Russia 
 

На основе семантических информационных моделей исследована зависимость параметров сейсмической активности от гравитации небесных тел. 
Развита региональная семантическая информационная модель климата 
 

 On the basis of semantic information models examined the dependence of parameters of seismic activity 
on the gravity of celestial bodies. The regional semantic information model of climate is developed   

Ключевые слова: АСТРОСОЦИОТИПОЛОГИЯ, 
ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ,  
СЕМАНТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ 
МОДЕЛИ, КЛИМАТ, ЗЕМЛЕТРЯСЕНИЕ, 
ПРОГНОЗ 

Keywords:  ASTROSOCIOTYPOLOGY, 
COMPUTATIONAL EXPERIMENT, SEMANTIC 
INFORMATION MODELS, CLIMATE, 
EARTHQUAKE FORECAST 

 

Введение 

В работах /1-2/ предложена модель прогнозирования землетрясений 

по астрономическим данным, опирающаяся на теорию и модели астросо
циотипологии /3-7 /.  

Моделирование событий осуществлялось по параметру сходства, ко
торый  является аналогом коэффициента корреляции в статистике, на ос
нове системы искусственного интеллекта «Эйдос-астра» /8-9/.  

База данных землетрясений была сформирована на основе оператив
ного сейсмологического каталога ГС РАН /10/, содержащего 65541 запись 

событий землетрясений, произошедших в различных регионах мира в пе
риод с 1 января 1993 года по 20 ноября 2008 г.  

Была обнаружена зависимость параметра сходства от магнитуды, 

глубины очага (гипофокуса) и числа землетрясений, происходящих еже
дневно на нашей планете, как в месячном, так и в 2-3 дневном прогнозе.   

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

2

В настоящей работе изучены вопросы прогнозирования параметров 

сейсмической активности и климата по астрономическим данным на осно
ве семантических информационных моделей. Рассмотрено применение ал
горитмов повышения адекватности моделей /11/, метода когнитивных 

функций /12-13/ и визуализации матрицы информативности для установ
ления характера зависимости интенсивности сейсмических событий от 

гравитационных потенциалов небесных тел.    

Задача о распознавании категорий событий в поле центральных сил 

Рассмотрим задачу распознавания категорий по астрономическим 

данным /1-5/. Имеется множество событий A, которому ставится в соот
ветствие множество категорий Ci. Событием можно считать регистрацию 

землетрясения сейсмологической станцией, а категорией – его магнитуду, 

лежащую в определенном интервале и глубину гипофокуса. В климатоло
гии событием будем называть любое измерение климатических парамет
ров – температуры, осадков, скорости ветра и т.п., по результатам которых 

формируются категории климатических параметров. Каждое такое собы
тие характеризуется моментом времени и географическими координатами 

места его происхождения. По этим данным можно построить матрицу, со
держащую координаты небесных тел, например углы долготы и расстоя
ния.  Будем считать, что заданы частотные распределения Ni – число собы
тий, имеющих отношение к данной категории Ci.  

Определим число случаев реализации данной категории, которое 

приходится на заданный интервал изменения астрономических парамет
ров, имеем в дискретном случае: 

0

j
,...,
1
,
2
1
,
1

~
,
)
,
~
(
)
,
(

k
k
m
j
n
i

x
x
x
x
x
k
x
w
N
k
x
N
j
j
j
i
j
ij
=
≤
≤
≤
≤

∆
+
<
<
∆
=

                (1) 

Здесь w – плотность распределения событий вдоль нормированной 

координаты /3/. Нормированная переменная определяется через угловую и 

радиальную координаты следующим образом: 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

3

≤
≤
+
−
−

≤
≤
=
2m
j
1
,)
(
)
(
)
(
)
(

1
,
2
/)
(

min
max

max
m
k
r
k
r
k
r
k
r

m
j
k
x

j

jk

π
ϑ

 

где 
max
min,r
r
 - минимальное и максимальное удаление планеты от центра 

масс системы, k0 – число небесных тел, используемых в задаче. 

Определим матрицу информативности согласно /9/       

0

2

,

2

1
,
2
1
,
1

1
1

,0
)
(
,0

0
)
(
,
/

/
log

k
k
m
j
n
i

I
n
I
n
I

x
N
I

x
N
N
N

N
N
I

i
i
ijk
ijk
jk

jk
ij
ijk

jk
ij

i
j
i
ij
ij

j
ij
ij

ijk

≤
≤
≤
≤
≤
≤

−
=

=
=

≠
=

∑
∑

∑
∑
∑

δ

                        (2) 

 

Первая величина (2) называется информативность признака, а вторая 

величина является стандартным отклонением информативности или инте
гральная информативность (ИИ).  

Каждой категории можно сопоставить вектор информативности ас
трономических параметров размерности 2mk0, составленный из элементов 

матрицы информативности, путем последовательной записи столбцов, со
ответствующих нормированной координате, в один столбец, т.е.  

0
2
1
,
mk
s
I
c
s
jk
ijk
is
≤
≤
=
=
                               (3) 

С другой стороны, процесс идентификации и распознавания может 

рассматриваться как разложение вектора распознаваемого объекта в ряд по 

векторам категорий (классов распознавания) /9/. Этот вектор, состоящий из 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

4

единиц и нулей, можно определить по координатам небесных тел, соответ
ствующих дате и месту происхождения события  l  в виде 

≤
≤

=
∆
≤
≤
∆
−
=

0
2
1
,0

,
)
(
)1
(
,1

mk
s

s
jk
x
j
l
x
x
j
a
jk
ls
    (4) 

Таким образом, если нормированная координата небесного тела из 

данных по объекту исследуемой выборки попадает в заданный интервал, 

элементу вектора придается значение 1, а во всех остальных случаях – зна
чение 0. Перечисление координат осуществляется последовательно, для 

каждого небесного тела.      

В случае, когда система векторов (3) является полной, можно любой 

вектор (4) представить в виде линейной комбинации векторов системы (3). 

Коэффициенты этого разложения будут соответствовать уровню сходства 

данного события с данной категорией. В случае неполной системы векто
ров (3) точная процедура заменяется распознаванием. При этом уровень 

сходства данных события с той или иной категорией можно определить по 

величине скалярного произведения вектора (4) на вектор (3), т.е. 

∑
=
=

0
2

1
)
(
1
mk

s
is
ls
i
l
il
c
A
a
c
a
K

                               (5) 

Отметим, что возможны четыре исхода, при которых можно истинно 

или ложно отнести или не отнести данное событие к данной категории. 

Для учета этих исходов распознавание категорий в системе искусственного 

интеллекта «Эйдос-астра» /8/ осуществляется по параметру сходства, ко
торый определяется следующим образом /5-7/: 

%
100
)
(
1

1
⋅
−
−
+
=
∑
=

N

l
il
il
il
il
i
F
BF
T
BT
N
S
                    (6) 

Si – достоверность идентификации «i-й» категории; 

N – количество событий в распознаваемой выборке; 

BTil– уровень сходства «l-го» события с «i-й» категорией, к которой 

он был правильно отнесен системой; 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

5

Til – уровень сходства «l-го» события с «i-й» категорией, к которой 

он был правильно не отнесен системой; 

BFil – уровень сходства «l-го» события с «i-й» категорией, к которой 

он был ошибочно отнесен системой; 

Fil – уровень сходства «l-го» события с «i-й» категорией, к которой 

он был ошибочно не отнесен системой. 

При таком определении параметр сходства изменяется в пределах от 

-100% до 100%, как обычный коэффициент корреляции в статистике. Оче
видно, что параметр сходства должен удовлетворять критерию простой 

проверки 

%
100
)
1
(
=
=
i
i N
S
 
В работах /5-6/ и других было показано, что процедура распознава
ния по параметру сходства (6), реализованная в системе искусственного 

интеллекта «Эйдос-астра» /8/,  является устойчивой как относительно объ
ема выборки, так и относительно числа ячеек модели. Математическое 

обоснование этой процедуры дано в монографии /9/. Причина, по которой 

оказывается возможным идентифицировать подмножества (категории) со
бытий различной даже случайной природы, используя астрономические 

параметры, достаточно очевидна. Ведь фактически идентифицируются 

распределения, которые образуются при модулировании исходных распре
делений астрономическими параметрами /3-4/. В некоторых случаях этого 

достаточно, чтобы осуществить распознавание категорий. Эту задачу мож
но сравнить с разложением солнечного света призмой. Свет представляет 

собой смесь случайных электромагнитных колебаний, но после прохожде
ния призмы свет разлагается в спектр категорий цвета. При этом случайная 

природа самого света не меняется.  

   

Технология моделирования сейсмической активности 

 
База данных землетрясений была сформирована на основе оператив
ного сейсмологического каталога ГС РАН /10/, содержащего 65541 запись 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

6

событий землетрясений, произошедших в различных регионах мира в пе
риод с 1 января 1993 года по 20 ноября 2008 г.  

 Из исходной базы было образовано несколько различных БД для ис
следования влияния астрономических параметров на магнитуду и глубину 

гипофокуса, на ежедневное число землетрясений и на их локализацию /1
2/, а также на средние параметры сейсмической активности.  Эти парамет
ры можно определить следующим образом.    

Как известно, в сейсмологии широко используются энергетические 

оценки силы землетрясения, одной из которых является уравнение Гуттен
берга-Рихтера /14/: 

b
aMS
Es
+
=
10
log
 

где Es – сейсмическая энергия в джоулях, a = 1.5, b = 11.8, MS – маг
нитуда поверхностных волн. Используя это уравнение можно составить 

два энергетических критерия для оценки сейсмической активности на каж
дый день (эти определения отличаются от аналогичных, введенных в рабо
те /1/): 

   
∑

∑

=

=

=

i
i
i
n

n

i
i

aMPSP
H
U

aMPSP
E

)
exp(
ln

)
exp(
ln
n
2.36136

3
1

1
                                    (7) 

Здесь n, MPSP, H – число ежедневных событий, магнитуда и глубина 

гипофокуса каждого события соответственно. При таком определении па
раметры (7) изменяются в одной шкале. Определим среднюю магнитуду 

ежедневных событий в виде               

∑
=

i
i
n
a
MPSP
M
1
                                            (8) 

Отметим, что магнитуда MPSP рассчитывается по максимальной 

скорости смещения в объемных волнах  /10/. Из трех параметров (7-8) бы
ло образовано 45 категорий сейсмической активности – таблица 1. 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

7

ТАБЛИЦА 1. Категории сейсмической активности, абсолютная частота их 

встречаемости и максимальный параметр сходства       

KOD 
CATS 
ABS 
S_MAX, % 

1
A0-E=0 
362
-9.605

2
A1-E=1 
1928
-37.019

3
A2-E=2 
1183
-20.912

4
A3-E=3 
744
38.983

5
A4-E=4 
453
49.805

6
A5-E=5 
344
49.421

7
A6-E=6 
141
46.146

8
A7-E=7 
220
75.936

9
A8-E=8 
31
38.345

10
A9-E=9 
86
53.624

11
A10-E=10 
137
50.854

12
A20-E=11-E=20 
173
57.542

13
B0-U=0 
389
-13.074

14
B1-U=1 
1851
-32.437

15
B2-U=2 
1246
-12.785

16
B3-U=3 
739
28.199

17
B4-U=4 
455
51.124

18
B5-U=5 
275
50.278

19
B6-U=6 
268
53.806

20
B7-U=7 
110
62.876

21
B8-U=8 
62
48.741

22
B9-U=9 
142
50.915

23
B10-U=10 
61
51.204

24
B20-U=11-U=20 
204
52.375

25
C0-Ma=0 
46
46.180

26
C41-Ma=1.6-Ma=4.1 
104
38.956

27
C42-Ma=4.2 
63
16.343

28
C43-Ma=4.3 
165
-0.015

29
C44-Ma=4.4 
367
-27.216

30
C45-Ma=4.5 
546
-38.508

31
C46-Ma=4.6 
724
-45.789

32
C47-Ma=4.7 
753
-48.349

33
C48-Ma=4.8 
636
-40.118

34
C49-Ma=4.9 
526
-3.210

35
C50-Ma=5 
422
18.823

36
C51-Ma=5.1 
361
38.507

37
C52-Ma=5.2 
293
44.078

38
C53-Ma=5.3 
253
39.206

39
C54-Ma=5.4 
197
43.987

40
C55-Ma=5.5 
131
44.823

41
C56-Ma=5.6 
87
48.499

42
C57-Ma=5.7 
46
67.604

43
C58-Ma=5.8 
42
72.045

44
C59-Ma=5.9 
13
66.755

45
C60-Ma=6-Ma=6.9 
27
70.916

 
Всего случаев 
17406

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

8

 В качестве астрономических параметров были использованы долго
та и расстояние от Земли до десяти небесных тел – Солнца, Луны, Марса, 

Меркурия, Венеры, Юпитера, Сатурна, Урана, Нептуна и Плутона, и дол
гота Северного Узла Луны. Астрономические параметры вычислялись на 

каждый день в фиксированной точке с географическими координатами 

(36.61E; 55.08N) в 9:00 GMT в топоцентрической системе координат. От
метим, что выбор этой точки не является существенным для решаемого 

класса задач. Из астрономических параметров и категорий сейсмической 

активности была создана база данных – таблица 2.   

ТАБЛИЦА. 2. Фрагмент базы данных категорий сейсмической ак
тивности  

ID 
NAME 
CATS1 
SUNLON
SUNDIST
MOONLON
MOONDIST

1
01.01.1993 
A5:B5:C54: 
280.9686024
0.983295322
13.61933091
0.002675829

2
02.01.1993 
A9:B9:C49: 
281.987777
0.983282741
25.80476273
0.002651433

3
03.01.1993 
A4:B4:C54: 
283.0068945
0.98327556
38.25244479
0.00262062

4
04.01.1993 
A4:B4:C58: 
284.0259499
0.983274028
51.03130743
0.0025854

5
05.01.1993 
A20:B20:C47:
285.04494
0.983278415
64.19429015
0.002548373

6
06.01.1993 
A10:B9:C53: 
286.0638619
0.983288965
77.76948406
0.002512519

7
07.01.1993 
A5:B4:C41: 
287.0827136
0.983305893
91.75147799
0.002480873

8
08.01.1993 
A7:B8:C51: 
288.1014941
0.983329361
106.0953152
0.002456135

9
09.01.1993 
A5:B4:C50: 
289.120205
0.98335945
120.7161776
0.002440254

10
10.01.1993 
A20:B20:C60:
290.1388518
0.983396142
135.4972702
0.002434135

  

Для проверки различных гипотез из астрономических параметров 

расстояний было образовано шесть гравитационных комплексов G1-G6: 

1) суммарный нормированный гравитационный потенциал вось
ми небесных тел -  Луны, Марса, Меркурия, Венеры, Юпитера, 

Сатурна, Урана, Нептуна; 

2) суммарный нормированный гравитационный потенциал семи 

небесных тел -  Луны, Марса, Меркурия, Венеры, Сатурна, 

Урана, Нептуна; 

3) суммарный нормированный гравитационный потенциал шести 

небесных тел -   Марса, Меркурия, Венеры, Сатурна, Урана, 

Нептуна; 

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

9

4) суммарный нормированный гравитационный потенциал пяти 

небесных тел -   Марса, Меркурия, Венеры, Урана, Нептуна; 

5) суммарный нормированный гравитационный потенциал четы
рех небесных тел -   Марса, Меркурия, Урана, Нептуна;  

6) суммарный нормированный гравитационный потенциал девяти 

небесных тел - Солнца, Луны, Марса, Меркурия, Венеры, 

Юпитера, Сатурна, Урана, Нептуна. 

Таким образом, по определению 

.6
,...,
1
,
M
,

1
min
,
max
,

max
,
=
=
−
−
=
∑
=
k
R
G

k
N

i
i

i
k
k
k

k
k
k
γ
ϕ
ϕ
ϕ
ϕ
ϕ
          (9) 

Здесь 
i
M
,
γ
– гравитационная постоянная и масса небесного тела со
ответственно. Отметим, что согласно (9) суммы ϕk являются положительно 

определенными, т.е. взяты с иным знаком, нежели гравитационные потен
циалы небесных тел в классической теории. Из этих комплексов были так
же образованы шесть других комплексов G7-G12, представляющих собой 

суточное изменение каждого из комплексов  G1-G6 соответственно. Таким 

образом,  параметры ϕk имеют размерность квадрата скорости, а комплек
сы Gk являются безразмерными.  

Решение прямой задачи включает в себя нормирование входных па
раметров и приведение их к одному масштабу изменения в интервале 

(0;360), разбиение интервалов на М частей, вычисление матрицы абсолют
ных частот и информативности, в соответствии с формулами  (1-2). Отме
тим, что в системе «Эйдос-астра» реализован режим синтеза нескольких 

семантических информационных моделей, в которых число ячеек прини
мает любое заданное значение М=2,3,...,173.  

Решение обратной задачи включает в себя распознавание категорий 

по заданным астрономическим параметрам, в соответствии с уравнениями 

(3-6). Частным случаем задачи распознавания является определение досто
верности идентификации категорий по астрономическим данным в каждой 

модели.  Решение этой задачи в случае исследуемой совокупности  собы

Научный журнал КубГАУ, №53(09), 2009 года 

http://ej.kubagro.ru/2009/09/pdf/09.pdf

10

тий землетрясений было рассмотрено в работах /1-2/.  В настоящей работе 

наряду с задачей идентификации был изучен вопрос повышения достовер
ности идентификации в частной семантической информационной модели.  

 На рис. 1-2 представлен параметр сходства для 12 категорий пара
метров сейсмической активности  Е и U в 10 моделях М6-М13, М24 и 

М12Opt. Последняя модель получена путем оптимизации модели М12  в 

соответствии с алгоритмом /11/.  

Рис. 1. Параметра сходства для 12 категорий параметра Е  

-80
-60

-40
-20

0
20

40
60

80
100

1
3
5
7
9
11

Е

S, %

M6

M7

M8

M9

M10

M11

M12

M12Opt

M13

M24

Рис. 2. Параметр сходства для 12 категорий параметра U

-80

-60

-40

-20

0

20

40

60

80

1
3
5
7
9
11

U

S, %

M6

M7

M8

M9

M10

M11

M12

M12Opt

M13

M24

 
 

 В результате разделения классов на типичную и нетипичную части с 

образованием новых классов, удается существенно повысить параметр 

сходства для плохо распознаваемых категорий – см. рис. 1-2.