Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2010, №56

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

1

УДК 303.732.4 
 
UDC 303.732.4 
 
СЕМАНТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ 
МОДЕЛИ ГЛОБАЛЬНОЙ СЕЙСМИЧЕСКОЙ 
АКТИВНОСТИ ПРИ СМЕЩЕНИИ ГЕОГРАФИЧЕСКОГО И МАГНИТНОГО ПОЛЮСА  
 

SEMANTIC INFORMATION MODEL OF THE 
GLOBAL SEISMIC ACTIVITY IN RELATION 
TO DISPLACEMENT OF GEOGRAPHICAL 
AND MAGNETIC POLES 

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 положения небесных тел и 
смещения географического и магнитного полюса   
 

Dependence of seismic activity parameters on celestial 
bodies’ positions and geographical and magnetic poles 
displacement is examined on the basis of semantic 
information models 

Ключевые слова: АСТРОСОЦИОТИПОЛОГИЯ, 
ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ,  СЕМАНТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ МОДЕЛИ,  ЗЕМЛЕТРЯСЕНИЕ, ПРОГНОЗ, ГЕОГРАФИЧЕСКИЙ ПОЛЮС, МАГНИТНЫЙ ПОЛЮС 

Keywords:  ASTROSOCIOTYPOLOGY, COMPUTATIONAL EXPERIMENT, SEMANTIC INFORMATION MODELS, EARTHQUAKE FORECAST, 
GEOGRAPHICAL POLES, MAGNETIC POLES 

 
Введение 
В работах /1-4/ была развита модель прогнозирования землетрясений 
по астрономическим данным, опирающаяся на теорию и модели астросоциотипологии /5-7/. Эти модели обеспечивают многопараметрическую типизацию (обобщение) конкретных землетрясений, описанных астрономическими данными, и формирование обобщенных образов (классов) землетрясений, в которые они объединяются по их магнитуде и глубине гипофокуса.  Моделирование сейсмических событий осуществлялось по параметру сходства между описаниями конкретных землетрясений и обобщенными образами классов на основе системы искусственного интеллекта 
«Эйдос-астра» /8-9/. База данных землетрясений была сформирована на 
основе оперативного сейсмологического каталога ГС РАН /10/, содержащего 65541 запись событий землетрясений, произошедших в различных 
регионах мира в период с 1 января 1993 года по 20 ноября 2008 г.  
Была обнаружена зависимость параметра сходства от магнитуды, 
глубины очага (гипофокуса) и числа землетрясений, происходящих ежедневно на нашей планете, как в месячном, так и в 2-3 дневном прогнозе.   
В работе /4/ представлены результаты прогнозирования параметров 
сейсмической активности по астрономическим данным на основе семантических информационных моделей с использованием всемирной базы землетрясений /11/, была исследована совокупность 128320 событий землетрясений с магнитудой 
4
≥
mb
, произошедших на нашей планете в период 
с 9 февраля 1963 года по 31 декабря 2006 г (всего 16032 дня). Полученные 

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

2

в работе /4/ результаты находятся в согласии с данными /1-3/, что позволяет расширить область применения развитых в этих работах моделей. Как 
было установлено, увеличение длины ряда с 5082 до 16032 дней и числа 
событий с 65541 до 128320 позволяет существенно поднять как среднее так 
максимальное значение параметра сходства категории магнитуда.  
Это означает, что с увеличением количества событий и длины временного ряда исследуемых сейсмический событий (землетрясений) возрастает степень когерентности данных и достоверность прогнозирования событий по астрономическим данным. По мнению авторов это происходит за 
счет улучшения условий для подавления шума при увеличении объема выборки и подтверждает, что воздействие небесных тел является фактором, 
существенно влияющим на формирование умеренных и сильных землетрясений. Эти результаты согласуются с известными моделями прогнозирования землетрясений /12-14/.  
Вместе с тем, по-видимому, среди факторов, влияющих на глобальную сейсмическую активность Земли, следует учесть не только внешние 
для нее космические факторы, такие как приливное воздействие, но и 
внутренние, чисто Земные, такие, как смещение географического и магнитного полюсов. В настоящей работе исследованы семантические информационные модели, содержащие данные о сейсмических событиях /11/, 
астрономические параметры небесных тел, параметры смещения географического полюса по данным /15/, а также параметры магнитного  поля 
земли, полученные вблизи магнитных полюсов, из всемирной базы /16/. 
Установлено, что добавление в информационную модель данных по магнитному полю и смещению географических полюсов позволяет увеличить 
достоверность прогноза землетрясений, что указывает на существование 
глобальных общепланетарных механизмов формирования сейсмических 
событий.                
 
Задача о распознавании категорий событий в поле центральных 
сил 
Рассмотрим задачу распознавания категорий по астрономическим 
данным /1-4, 7/. Имеется множество событий A, которому ставится в соответствие множество категорий Ci. Событием можно считать регистрацию 
землетрясения сейсмологической станцией, а категорией – его магнитуду, 
лежащую в определенном интервале и глубину гипофокуса. В геофизике 
событием будем называть любое измерение геофизических параметров – 
магнитного поля, ориентации оси вращения, температуры,  скорости и т.п., 
путем многопараметрической типизации (обобщения) которых  формируются обобщенные образы категорий (классы). Каждое такое событие характеризуется моментом времени и географическими координатами места 
его происхождения. По этим данным можно построить матрицу, содержащую координаты небесных тел, например углы долготы и расстояния.  Бу

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

3

дем считать, что заданы частотные распределения Ni – число событий, 
имеющих отношение к данной категории Ci.  
Определим число случаев реализации событий данной категории, 
которое приходится на заданный интервал изменения астрономических 
параметров, 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. Нормированная переменная определяется через угловую и 
радиальную координаты следующим образом: 

≤
≤
+
−
−

≤
≤
=
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 интегральной информативностью (ИИ).  
Каждой категории можно сопоставить вектор информативности астрономических параметров размерности 2mk0, составленный из элементов 
матрицы информативности, путем последовательной записи столбцов, соответствующих нормированной координате, в один столбец, т.е.  

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

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

4

С другой стороны, процесс идентификации, распознавания и прогнозирования может рассматриваться как разложение вектора распознаваемого объекта в ряд по векторам категорий (классов распознавания) /9/. Этот 
вектор, состоящий из единиц и нулей, можно определить по координатам 
небесных тел, соответствующих 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 – значение 0. Перечисление координат осуществляется последовательно, для 
каждого небесного тела.      
В случае, когда система векторов (3) является полной, можно точно 
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 векторов (3) точная процедура заменяется распознаванием или разложением в ряд с некоторой погрешностью. При этом уровень сходства данных события с той или иной категорией можно определить по величине 
скалярного произведения вектора (4) на вектор (3), т.е. в координатной 
форме: 

∑
=
=

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, который определяется следующим образом /6/: 

%
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; 
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; 

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

5

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. При 
этом ошибки 1-го и 2-го рода (ошибки ложной идентификации и ложной 
неидентификации) приводят к уменьшению параметра сходства. Очевидно, что параметр сходства должен удовлетворять критерию простой проверки 

%
100
)
1
(
=
=
i
i N
S
 
В работах /5-6/ и других было показано, что процедура распознавания по параметру сходства (6), реализованная в системе искусственного 
интеллекта «Эйдос-астра» /8/,  является устойчивой как относительно объема выборки, так и относительно числа ячеек модели. Математическое 
обоснование этой процедуры дано в монографии /9/. Причина, по которой 
оказывается возможным идентифицировать подмножества (категории) событий различной даже случайной природы, используя астрономические 
параметры, достаточно очевидна. Ведь фактически идентифицируются 
распределения, которые образуются при модулировании исходных распределений астрономическими параметрами /5/. В некоторых случаях этого 
достаточно, чтобы осуществить распознавание категорий. 
Технология моделирования сейсмической активности 
Исследуемая база данных сейсмических событий была сформирована на основе базы данных Международного сейсмологического центра 
(ISC) /11/,  содержащей 20489816 записей регистрации различными сейсмостанциями событий землетрясений, произошедших на нашей планете в 
период с 1 января 1961 года по 31 декабря 2006 г.  
 В состав системы «Эйдос-астра» /8/ входят программные интерфейсы, позволяющие объединять разрозненные данные /11/ в единую базу 
данных, выделять различные сегменты данных, производить необходимые 
вычисления  со всеми исследованными базами исходных данных. С применением данного программного интерфейса из исходных данных /11/ было образовано несколько различных БД для исследования влияния астрономических параметров на магнитуду и глубину гипофокуса, на ежедневное число землетрясений, а также на средние параметры сейсмической активности. В настоящей работе исследована совокупность 128320 событий 
землетрясений с магнитудой 
4
≥
mb
, произошедших на нашей планете в 
период с 9 февраля 1963 года по 31 декабря 2006 г (всего 16032 дня).  
В качестве астрономических параметров были использованы долгота 
и расстояние от Земли до десяти небесных тел – Солнца, Луны, Марса, 
Меркурия, Венеры, Юпитера, Сатурна, Урана, Нептуна и Плутона, и долгота Северного Узла Луны. Астрономические параметры вычислялись на 
каждый день в фиксированной точке с географическими координатами 

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

6

Гринвича в 12:00 GMT в топоцентрической системе координат. Отметим, 
что выбор этой точки не является существенным для решаемого класса задач.  
Кроме того, в модели были использованы координаты географического полюса – xEOP, yEOP /15/, а также данные по вертикальной компоненте 
магнитной индукции - Bz, полученные вблизи Северного магнитного полюса на станции Resolute Bay (IAGA Code: RES;  lat: 74.69;  long: 265.105) 
/16/. Отметим, что параметр Bz достаточно точно отражает не только ежедневную вариацию магнитного поля, обусловленную, например, солнечной активностью, но и величину смещения магнитного полюса, поскольку 
он получен путем измерения магнитного поля на станции с фиксированными географическими координатми.       
Из астрономических параметров, координат географического полюса, параметра индукции магнитного поля Bz и категорий сейсмической активности была создана база данных, содержащая 16032 записи с обобщенной информацией о ежедневной сейсмической и геофизической активности Земли.   
Решение прямой задачи включает в себя нормирование входных параметров и приведение их к одному масштабу изменения в интервале 
(0;360), разбиение интервалов на М частей, вычисление матрицы абсолютных частот и информативности, в соответствии с формулами  (1-2). Отметим, что в системе «Эйдос-астра» реализован режим автоматического синтеза нескольких семантических информационных моделей, в которых число ячеек принимает 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 достоверности идентификации категорий по астрономическим данным в каждой 
модели.  Решение этой задачи по данным /10/ было рассмотрено в работах 
/1-3/, а по данным /11/ в работе /4/.  
 
Параметр сходства категорий магнитуды 
В исходной БД /11/ сейсмические события характеризуются магнитудой mb, которой можно сопоставить категорию магнитуды – таблица 1. 
Поскольку события с одной и той же магнитудой могут повторяться в один 
день, каждому значению магнитуды сопоставляется несколько типов категорий, а именно: 
A – событие с магнитудой mb повторяется один раз; 
B – событие с магнитудой mb повторяется два раза; 
C  – событие с магнитудой mb повторяется три раза. 

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

7

Кроме того, можно рассмотреть случай, когда, например,  категория 
А усекается, путем отбрасывания некоторых событий. Таким образом, бы
ла образована категория 
59
42
,
≤
≤
=
i
A
AA
i
i
.  
На рис. 1 и в таблице 1 представлен параметр сходства категории 
магнитуда в трех информационных моделях: 
• M160(G) – содержит только астрономические параметры; 
• M160(G,EOP) – астрономические параметры и координаты 
географического полюса xEOP, yEOP; 
• M160(G,EOP,Bz) – астрономические параметры, координаты 
географического полюса и параметр индукции магнитного поля. 
Таблица 1. Параметр сходства категории магнитуда в трех моделях 
Категория 
M160(G) 
M160(G,EOP) 
M160(G,EOP,Bz) 
Число случаев 
A40-Mb=4,0 
-18,593 
-15,505 
-19,975 
1362

A41-Mb=4,1 
-8,208 
-5,448 
-7,362 
1580

A42-Mb=4,2 
-1,797 
0,993 
0,934 
1796

A43-Mb=4,3 
4,889 
8,250 
7,752 
2224

A44-Mb=4,4 
-4,445 
-1,930 
-2,027 
2744

A45-Mb=4,5 
-0,364 
0,716 
-0,140 
3358

A46-Mb=4,6 
8,102 
9,573 
8,900 
4119

A47-Mb=4,7 
11,303 
11,363 
9,578 
4768

A48-Mb=4,8 
13,381 
12,652 
11,214 
4954

A49-Mb=4,9 
17,503 
17,331 
16,008 
5008

A50-Mb=5 
26,141 
26,952 
24,753 
4904

A51-Mb=5,1 
29,802 
28,582 
25,574 
4582

A52-Mb=5,2 
25,101 
25,280 
22,211 
4134

A53-Mb=5,3 
30,307 
30,245 
28,191 
3563

A54-Mb=5,4 
28,031 
28,697 
26,795 
3010

A55-Mb=5,5 
24,238 
23,532 
22,688 
2367

A56-Mb=5,6 
32,491 
32,121 
31,139 
1940

A57-Mb=5,7 
31,689 
31,439 
30,717 
1460

A58-Mb=5,8 
28,160 
28,003 
27,846 
1179

A59-Mb=5,9 
24,738 
25,299 
24,705 
864

A60-Mb=6,0 
23,495 
23,873 
22,988 
656

A61-Mb=6,1 
29,394 
29,719 
29,672 
453

A62-Mb=6,2 
23,934 
24,791 
24,343 
319

A63-Mb=6,3 
35,651 
35,849 
35,507 
202

A64-Mb=6,4 
42,810 
42,797 
44,097 
137

A65-Mb=6,5 
55,802 
57,674 
60,501 
87 
A66-Mb=6,6-7,0 
63,169 
65,357 
67,766 
68 
B40-Mb=4,0 
28,361 
28,268 
30,290 
446

B41-Mb=4,1 
18,857 
19,805 
20,165 
660

B42-Mb=4,2 
9,046 
8,452 
8,179 
835

B43-Mb=4,3 
-6,859 
-6,084 
-9,191 
955

B44-Mb=4,4 
-14,986 
-12,157 
-15,705 
1099

B45-Mb=4,5 
-1,494 
1,128 
0,257 
1223

B46-Mb=4,6 
-1,678 
0,533 
-0,159 
1455

B47-Mb=4,7 
-1,317 
-1,172 
-1,871 
1612

B48-Mb=4,8 
3,926 
4,644 
2,945 
1817

B49-Mb=4,9 
3,783 
4,491 
4,802 
1636

B50-Mb=5 
15,492 
15,632 
15,572 
1428

B51-Mb=5,1 
13,093 
12,787 
12,390 
1206

B52-Mb=5,2 
22,413 
22,473 
22,553 
936

B53-Mb=5,3 
24,482 
23,816 
22,955 
617

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

8

B54-Mb=5,4 
21,194 
20,821 
19,912 
422

B55-Mb=5,5 
30,487 
30,712 
30,184 
261

B56-Mb=5,6 
33,408 
33,861 
34,219 
180

B57-Mb=5,7 
56,994 
57,037 
59,599 
93 
B58-Mb=5,8 
61,514 
64,016 
66,800 
73 
B59-Mb=5,9-6,4 
62,605 
64,548 
66,552 
69 
C40-Mb=4,0 
53,018 
55,308 
59,797 
130

C41-Mb=4,1 
35,327 
36,118 
39,149 
259

C42-Mb=4,2 
22,208 
22,766 
24,794 
362

C43-Mb=4,3 
21,621 
22,491 
23,921 
436

C44-Mb=4,4 
19,875 
19,035 
20,244 
482

C45-Mb=4,5 
11,685 
11,468 
10,396 
468

C46-Mb=4,6 
2,741 
4,193 
1,167 
515

C47-Mb=4,7 
5,517 
8,352 
7,265 
501

C48-Mb=4,8 
10,420 
12,862 
12,103 
450

C49-Mb=4,9 
15,730 
16,235 
16,365 
447

C50-Mb=5 
20,558 
21,439 
22,122 
356

C51-Mb=5,1 
22,202 
23,067 
23,448 
293

C52-Mb=5,2 
35,702 
35,504 
37,099 
166

C53-Mb=5,3-6,0 
48,043 
50,344 
52,712 
105

Среднее значение 
20,995 
21,820 
21,564 
1374

Рис. 1. Параметр сходства категории магнитуда в трех моделях 

-30

-20

-10

0

10

20

30

40

50

60

70

80

A40-Mb=4,0

A44-Mb=4,4
A48-Mb=4,8

A52-Mb=5,2
A56-Mb=5,6
A60-Mb=6,0

A64-Mb=6,4
B40-Mb=4,0
B44-Mb=4,4

B48-Mb=4,8
B52-Mb=5,2
B56-Mb=5,6

C43-Mb=4,3

C47-Mb=4,7
C51-Mb=5,1

S, %

M160(G)

M160(G,EOP)

M160(G,EOP,Bz)

 
 
Из данных, приведенных на рис. 1 и в таблице 1 следует, что добавление геофизических параметров, связанных со смещением географического и магнитного полюса и с ежедневной вариацией планетарного магнитного поля приводит к росту как среднего, так и максимального параметр сходства. Однако этот рост не столь велик, как можно было бы ожидать, если бы механизм формирования землетрясений был автономным, 
зависящим только от местных условий. Фактически на долю геофизиче

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

9

ских параметров приходится не более 5-6%, причем их вклад увеличивается для сильных и многократно повторяющихся сейсмических событий. 
Ранее было показано /3-4/, что матрица информативности (2) может 
быть использована для выявления и визуализации когнитивных функциональных зависимостей в фрагментированных и зашумленных данных 
большой размерности в задачах прогнозирования климата и сейсмической 
активности. Кратко поясним суть этого метода. Матрица информативностей (2) рассчитывается на основе системной теории информации /9/ непосредственно на основе эмпирических данных и представляет собой таблицу, в которой столбцы соответствуют обобщенным образам классов, т.е. 
будущим состояниям моделируемой системы, строки – значениям факторов, влияющих на эту систему, а на пересечениях строк и столбцов находится количество информации, которое содержится в факте действия значения фактора, соответствующего строке, на переход системы в состояние, 
соответствующее столбцу. Максимальное количество информации, которое может быть в значении фактора, определяется числом будущих состояний моделируемой системы. Модуль количества информации отражает силу влияния значения фактора, а знак – направление этого влияния, т.е. 
то, способствует он или препятствует наступлению данного состояния. Если последовательности классов и значений факторов образуют порядковые 
шкалы или шкалы отношений, т.е. соответственно, на них определены отношения «больше-меньше» или, кроме того, единица измерения, начало 
отсчета и арифметические операции, то матрица информативностей допускает наглядную графическую визуализацию, традиционного для функций 
типа, когда значения факторов рассматриваются в качестве значений аргумента, а классы, о наступлении которых в этих значениях факторов содержится максимальное количество информации – в качестве значений функции. Другие классы, менее обусловленные данным значением фактора, а 
также те, наступлению которых это значение препятствует в большей или 
меньшей степени, также могут отображаться соответствующими цветами, 
и это также может представлять интерес, т.к. позволяет задействовать 
мощные способности человека к анализу изображений. Когнитивные 
функции, представляемые в форме матрицы информативностей, соответствуют очень общему виду функциональной зависимости: многозначной 
функции многих аргументов, т.к. каждое значение фактора влияет на все 
состояния моделируемого объекта, и каждое его состояние обусловлено 
всеми значениями факторов.  
На рис. 2-3 представлены фрагменты матрицы информативности модели M12(G,EOP), позволяющие оценить степень влияния параметров 
смещения географического полюса на категории сейсмической активности 
из таблицы 1. Было установлено, что параметры xEOP, yEOP влияют на категории магнитуды несимметрично и что их влияние сильнее проявляется в 
случае многократных событий.  

 Научный журнал КубГАУ, №56(02), 2010 года 
 

http://ej.kubagro.ru/2010/02/pdf/15.pdf
 

10