КЫРГЫЗ РЕСПУБЛИКАСЫНДА ЖЕР ТИТИРӨӨЛӨРДҮ БОЖОМОЛДОО ЖАНА ЗЫЯНДЫ БААЛОО ҮЧҮН МАШИНАЛЫК ҮЙРӨНҮҮ ЫКМАЛАРЫ: ЫКМАЛАРДЫ САЛЫШТЫРМАЛУУ ТАЛДОО ЖАНА ИНТЕГРАЦИЯЛАНГАН СИСТЕМАНЫН КОНЦЕПТУАЛДЫК АРХИТЕКТУРАСЫ

Авторлор

С.В. Корякин Кыргыз Республикасынын Улуттук илимдер академиясынын Машина таануу, автоматика жана геомеханика институту
К.И. Сабирова Кыргыз-Герман колдонмо информатика институту
М.Н. Ишенбиева Кыргыз-Герман колдонмо информатика институту

##semicolon##

машиналык үйрөнүү##common.commaListSeparator## жер титирөөлөр##common.commaListSeparator## божомолдоо##common.commaListSeparator## зыянды баалоо##common.commaListSeparator## Кыргыз Республикасы##common.commaListSeparator## трансформерлер##common.commaListSeparator## SegFormer##common.commaListSeparator## убакыт катарлары##common.commaListSeparator## сейсмология

Аннотация

Бул макалада сейсмикалык маалыматтарды талдоо жана сейсмологиянын колдонмо маселелерин чечүү үчүн терең үйрөнүү ыкмаларын колдонуу каралат. Негизги көңүл жер титирөөлөрдүн параметрлерин кыска мөөнөттүү божомолдоого жана спутниктен алынган сүрөттөр боюнча кыйроолордун кесепеттерин баалоого бурулган. Иште Кыргыз Республикасы боюнча маалыматтар колдонулуп, ушул сыяктуу маселелер үчүн машиналык үйрөнүүнүн учурдагы ыкмалары талданат.

Убакыт катарларын иштетүү үчүн трансформердик моделдер жана бузулган аймактарды бөлүп көрсөтүү үчүн сүрөттөрдү сегментациялоо архитектуралары каралды. Татаал геологияны, маалыматтардын дисбалансын жана белгиленген спутник сүрөттөрүнүн чектелүү санын камтыган аймактык өзгөчөлүктөр, ошондой эле бул жааттагы учурдагы ыкмалардын жана чечимдердин кемчиликтери эске алынат.

Талдоонун негизинде өзгөчө кырдаалдарга чара көрүүнүн натыйжалуулугун жогорулатуу үчүн чечим кабыл алууну колдоо системасынын концепциясы сунушталды.

##submission.citations##

1. Институт сейсмологии НАН КР. Сейсмичность Кыргызстана: каталог и мониторинг. — Бишкек: НАН КР, 2023.

2. Абдрахматов К.Е., Стром А.Л. Современные движения земной коры Тянь-Шаня и сейсмическая опасность // Геотектоника. — 2006. — № 3. — С. 44–57.

3. Mousavi S.M., Beroza G.C. Machine learning in earthquake seismology // Science. — 2022. — Vol. 377. — DOI: 10.1126/science.abm4470.

4. МЧС КР. Концепция снижения рисков стихийных бедствий КР на 2022–2030 гг. — Бишкек, 2022.

5. Münchmeyer J. et al. Which picker fits my data? // JGR Solid Earth. — 2022. — Vol. 127. — DOI: 10.1029/2021JB023499.

6. Merghadi A. et al. Machine learning methods for landslide susceptibility // Earth-Science Reviews. — 2020. — Vol. 208.

7. Breiman L. Random Forests // Machine Learning. — 2001. — Vol. 45. — P. 5–32.

8. Asim K.M. et al. Earthquake prediction model using support vector regressor // Natural Hazards. — 2017. — Vol. 85.

9. Wang Q. et al. Seismic event prediction using LSTM neural networks // Seismological Research Letters. — 2020. — Vol. 91.

10. Vaswani A. et al. Attention Is All You Need // NIPS. — 2017. — Vol. 30. — P. 5998–6008.

11. Woollam J. et al. SeisBench — A Toolbox for Machine Learning in Seismology // Seismological Research Letters. — 2022. — Vol. 93.

12. Woo G. et al. Graph Neural Networks for Seismic Activity Forecasting // Earth and Space Science. — 2023. — Vol. 10.

13. He K. et al. Mask R-CNN // Proceedings of ICCV. — 2017. — P. 2961–2969.

14. Xie E. et al. SegFormer: Simple and Efficient Design for Semantic Segmentation // NeurIPS. — 2021. — Vol. 34.

15. Tan M., Le Q. EfficientDet: Scalable and Efficient Object Detection // CVPR. — 2020.

16. Gupta R. et al. Creating xBD: A Dataset for Assessing Building Damage from Satellite Imagery // CVPR Workshops. — 2019.

17. Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016.

18. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. — 1997. — Vol. 9.

19. Ridzwan N.S., Yusoff S.H. Machine learning for earthquake prediction: a systematic review (2017–2021) // Earth Science Informatics. — 2023. — Vol. 16.

20. USGS Earthquake Catalog. — URL: https://earthquake.usgs.gov/earthquakes/search/ (дата обращения: 01.03.2025).

21. Leema A., Balakrishnan P. et al. SeismoQuakeGNN: a hybrid framework for spatio-temporal earthquake prediction // Frontiers in Artificial Intelligence. — 2025. — Vol. 8. — DOI: 10.3389/frai.2025.1690476.

22. Norisugi R., Kaneko Y. et al. Machine learning-based prediction of meter-scale laboratory earthquakes // Nature Communications. — 2025.

23. Abebe W. et al. Earthquakes magnitude prediction using deep learning for the Horn of Africa // International Journal of Disaster Risk Reduction. — 2023.

24. Özdemir A. et al. Machine Learning Applications for Earthquake Magnitude Prediction in Western Turkey (1975–2024) // Applied Sciences. — 2025. — Vol. 15(20). — DOI: 10.3390/app152010909.

25. SEI/CMU. Improving Disaster Response with the xView2 Challenge. — Carnegie Mellon University SEI Report. — 2024. — URL: https://www.sei.cmu.edu/projects/xview-2-challenge/

26. Gupta A. et al. Forecasting Future Earthquakes with Machine Learning Models Based on Seismic Prediction Zoning // Applied Sciences. — 2025. — Vol. 15(24). — DOI: 10.3390/app152413116.

27. Чирягов, А. К. Методологические основы построения устойчивых моделей машинного обучения с использованием вероятностно-статистических методов / А. К. Чирягов, С. В. Корякин, К. Р. Карабакиров // Проблемы автоматики и управления. – 2026. – № 1(55). – С. 152-161. – EDN QLHKUW.