МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЗЕМЛЕТРЯСЕНИЙ И ОЦЕНКИ УЩЕРБА В КЫРГЫЗСКОЙ РЕСПУБЛИКЕ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ ПОДХОДОВ И КОНЦЕПТУАЛЬНАЯ АРХИТЕКТУРА ИНТЕГРИРОВАННОЙ СИСТЕМЫ

Авторы

С.В. Корякин Институт машиноведения, автоматики и геомеханики НАН КР
К.И. Сабирова Кыргызско-Германский институт прикладной информатики
М.Н. Ишенбиева Кыргызско-Германский институт прикладной информатики

Ключевые слова:

машинное обучение, землетрясения, прогнозирование, оценка ущерба, Кыргызская Республика, трансформеры, SegFormer, временные ряды, сейсмология

Аннотация

В данной статье рассматривается применение методов глубокого обучения для анализа сейсмических данных и решения прикладных задач сейсмологии. Основное внимание уделено краткосрочному прогнозированию параметров землетрясений и оценке последствий разрушений по спутниковым изображениям. В работе используются данные по Кыргызской Республике и анализируются существующие методы машинного обучения для подобных задач.

Рассмотрены трансформерные модели для обработки временных рядов и архитектуры сегментации изображений для выделения зон повреждений. Учитываются региональные особенности, включая сложную геологию, дисбаланс данных и ограниченность размеченных спутниковых изображений, а также недостатки существующих подходов и решений в данной области.

На основе анализа предложена концепция системы поддержки принятия решений для повышения эффективности реагирования на чрезвычайные ситуации.

Библиографические ссылки

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.