Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2011, №66
Покупка
Основная коллекция
Издательство:
Кубанский государственный аграрный университет
Наименование: Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета
Год издания: 2011
Кол-во страниц: 576
Дополнительно
Вид издания:
Журнал
Артикул: 641092.0001.99
ББК:
УДК:
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 1 УДК 521.937+537.67+550.2+550.385.1+303.732.4 UDC 521.937+537.67+550.2+550.385.1+303.732.4 СЕМАНТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ МОДЕЛИ ВЛИЯНИЯ СОЛНЕЧНЫХ ПЯТЕН НА СЕЙСМИЧЕСКУЮ АКТИВНОСТЬ, ДВИЖЕНИЕ ПОЛЮСА И МАГНИТНОЕ ПОЛЕ ЗЕМЛИ SEMANTIC INFORMATION MODELS OF THE SUNSPORTS IMPACT ON THE EARTH SEISMIC ACTIVITY, POLAR MOTION AND MAGNETIC FIELD Трунев Александр Петрович к. ф.-м. н., Ph.D. Alexander Trunev Cand.Phys.-Math.Sci., 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 исследовано влияние солнечных пятен на сейсмическую активность, магнитное поле и движение полюса Земли Dependence of the Earth seismic activity, magnetic field and polar motion on the sunspots number is examined on the basis of semantic information models Ключевые слова: ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ, ДВИЖЕНИЕ ПОЛЮСА ЗЕМЛИ, СЕЙСМИЧЕСКАЯ АКТИВНОСТЬ, МАГНИТОСФЕРА, НУТАЦИЯ, ПРЕЦЕССИЯ, СЕМАНТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ МОДЕЛИ Keywords: COMPUTATIONAL EXPERIMENT, EARTH POLAR MOTION, EARTHQUAKE, MAGNITOSPHERE, NUTATION, PRECESSIONSUNSPOTS, SEMANTIC INFORMATION MODELS Введение Солнечные пятна, открытые китайскими астрономами еще до нашей эры, являются одним из показателей солнечной активности. Согласно су ществующим представлениям, солнечные пятна возникают в результате взаимодействия плазмы с магнитным полем /1/. Ежедневное число пятен меняется от 0 до >300, а их диаметр может превышать 80000 км. Темпера тура пятен изменяется в пределах 3000-4500 К, что делает их заметными на фоне высокой температуры окружающей среды (около 5780К). Эти обра зования могут служить индикатором солнечной активности, так как связа ны, с одной стороны, с вариациями потока солнечной радиации и вспыш ками на Солнце, а с другой – с изменением полярности солнечного маг нитного диполя /1/. Оба фактора весьма значимы для земного магнетизма, поскольку могут вызвать магнитные бури и полярные сияния. Установле но, что солнечные пятна связаны с циклами солнечной активности,
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 2 влияющими на погоду, а также, на здоровье и поведение людей, социаль ные и экономические процессы, и технические системы /2-6/. В силу важности этого влияния было разработано несколько крите риев для описания, как самих солнечных пятен, так и магнитных бурь. В настоящее время эти критерии уже используются в средствах массовой информации с целью предсказания космической погоды, наряду с обыч ными прогнозами погоды /6-7/. В настоящей работе на основе системы искусственного интеллекта «Эйдос-астра» /8/ с использованием данных /9-12/ построена информаци онная модель влияния солнечных пятен на сейсмические события с магни тудой 4 ≥ b m , магнитное поле и движение полюса Земли. Обсуждается модель взаимодействия магнитных полей Солнца и Земли, в которой ис точником возмущений геомагнитного поля служит дипольное излучение небесных тел, индуцированное солнечными пятнами. Задача о распознавании категорий событий Рассмотрим задачу распознавания категорий по астрономическим данным /13-16/. Имеется множество событий Е, которому ставится в соот ветствие множество категорий Кi. Событиями можно считать, например, землетрясения, происходящие на нашей планете ежедневно, а категориями – число одно- (А), двух- (В) или трехкратных событий (С), магнитуда ко торых лежит в заданном интервале. Каждое такое событие характеризуется моментом времени и географическими координатами места его происхож дения. По этим данным можно построить матрицу, содержащую координа ты небесных тел, например углы долготы, широты и расстояния. Будем считать, что заданы частотные распределения Ni – число событий, имею щих отношение к данной категории Кi.
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 3 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. 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 информативностей согласно /13-19/ 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 гральной информативностью (ИИ). Каждой категории можно сопоставить вектор информативности ас трономических параметров размерности 2mk0, составленный из элементов
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 4 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, распознавания и прогно зирования может рассматриваться как разложение вектора распознаваемо го объекта в ряд по векторам категорий (классов распознавания) /13-19/. Этот вектор, состоящий из единиц и нулей, можно определить по коорди натам небесных тел, соответствующих дате и месту происхождения собы тия 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 качестве астрономических параметров были ис пользованы долгота, широта 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 геогра фическими координатами Гринвича в 12:00 GMT в топоцентрической сис теме координат. Отметим, что выбор этой точки не является существен ным для решаемого класса задач. При создании моделей в настоящей работе были использованы дан ные ежедневного числа солнечных пятен по наблюдениям американских астрономов /9/ – параметр RADAILY, данные по индукции магнитного по ля Земли /10/, данные по сейсмическим событиям /11/, а также координаты географического полюса – X, Y /12/. Данные по индукции магнитного поля были взяты со следующих 23 станций (приведены только IAGA коды):
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 5 GNA, GUA, IRT, KAK, MMB, RES, THL, DRV, HER, FUG, ABG, HON, CLF, LRV, SOD, AAE, AAA, TAN, SJG, AIA, TUC, BNG, MBO. Без ограничения общности можно заменить координату любого не бесного тела иным исследуемым параметром, например, координатами и скоростью движения полюса Земли, компонентами вектора индукции маг нитного поля /13, 16/, гравитационным потенциалом /15/ или числом пятен на Солнце, как в данной задаче. В частности, в работах /16-18/ была построена модель линейной рег рессии с использованием комбинаций астрономических параметров, ха рактеризующих влияние каждого небесного тела. Структура приведенных ниже комплексов вытекает из аналогии электромагнитных и гравитоэлек тромагнитных (GEM) явлений /17/ с учетом влияния солнечных пятен /18/: 10 ,..., 2,1 , sin cos sin cos sin cos cos sin sin cos cos sin 3 2 1 = + = = − = − = i LAT LON LAT k R LON LAT k Q P R R LON LAT k Q P R R LAT Q P i e i i e i i i i i i i i e i i i i i i i e i i i i ϑ ϑ ϑ ϑ (5) Здесь RADAILY 0 + = i i Q Q , Q0i – интегральный параметр, описывающий предисторию влияния солнечных пятен на магнитосферу данного небесного тела; долгота (LON), широта (LAT) и расстояние (R) определяется для каждого из 10 небесных тел; 0 439291 , 23 = e ϑ - угол наклона земной оси относительно нормали к орбитальной плоскости. От метим, что данные для расстояний от Земли до небесных тел вычисляются в формулах (5) в астрономических единицах. Параметры (5) были исполь зованы в настоящей работе наряду с астрономическими параметрами. В случае, когда система векторов (3) является полной, можно любой вектор (4) точно представить в виде линейной комбинации векторов сис
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 6 темы (3). Коэффициенты этого разложения будут соответствовать уровню сходства данного события с данной категорией. В случае неполной систе мы векторов (3) точная процедура заменяется распознаванием или разло жением в ряд с некоторой погрешностью. При этом уровень сходства дан ных 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 (6) 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 /13-16/: % 100 ) ( 1 1 ⋅ − − + = ∑ = N l il il il il i F BF T BT N S (7) 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; 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. Очевид
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 7 но, что параметр сходства должен удовлетворять критерию простой про верки % 100 ) 1 ( = = i i N S Было показано, что процедура распознавания по параметру сходства (7), реализованная в системе искусственного интеллекта «Эйдос-астра» /8/, является устойчивой как относительно объема выборки, так и относитель но числа ячеек модели. Математическое обоснование этой процедуры дано в монографии /19/. 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 автоматического син теза нескольких семантических информационных моделей, в которых чис ло 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 досто верности идентификации категорий по астрономическим данным в каждой модели. Семантические информационные модели влияния солнечных пятен, магнитного поля и долготы на сейсмические события Технология моделирования сейсмических событий на основе систе мы «Эйдос-астра» подробна описана в работах /13-15/ и других. Исследуе мая база данных сейсмических событий была сформирована на основе ба зы данных Международного сейсмологического центра (ISC) /11/, содер жащей 20489816 записей регистрации различными сейсмостанциями со бытий землетрясений, произошедших на нашей планете в период с 1 янва ря 1961 года по 31 декабря 2006 г. Была исследована совокупность 128320 событий землетрясений с магнитудой 4 ≥ mb , произошедших на нашей
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 8 планете в период с 9 февраля 1963 года по 31 декабря 2006 г (всего 16032 дня). В исходной БД /11/ сейсмические события характеризуются магни тудой mb, которой можно сопоставить категорию магнитуды – таблица 1. Поскольку события с одной и той же магнитудой могут повторяться в один день, каждому значению магнитуды из заданного интервала сопоставляет ся 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. Для целей настоящего исследования было сформировано несколько информационных моделей, включая следующие: • M160(L,R) – содержит только астрономические параметры долготы и расстояния; • M160(RA,L,R) – содержит параметр RADAILY и астрономические параметры долготы и расстояния; • M170(RA,L,Р) – содержит параметр RADAILY, астрономические па раметры долготы и 12 параметров (5), вычисленных для Юпитера, Сатурна, Урана и Нептуна; • M170(В,L) – содержит астрономические параметры долготы и пара метры индукции магнитного поля на 13 станциях; • M120(В, Р) – содержит параметры индукции магнитного поля на 13 станциях и 12 параметров (5), вычисленных для Юпитера, Сатурна, Урана и Нептуна при Qi =1; • M160(L, Р68) – содержит астрономические параметры долготы и 12 параметров (5), вычисленных для Юпитера, Сатурна, Урана и Неп туна при Q0i =68; • M160(L, Р68) – содержит астрономические параметры долготы и 12 параметров (5), вычисленных для Юпитера, Сатурна, Урана и Неп туна при Q0i =365;
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 9 • M160(L, ASP) – содержит астрономические параметры долготы и взаимные аспекты Солнца, Юпитера, Сатурна, Урана и Нептуна. • M170(RES,L,R) – содержит астрономические параметры долготы и расстояния и параметр индукции магнитного поля на станции RES; • M160(X,Y,L,R) – содержит астрономические параметры долготы и расстояния, и координаты географического полюса; • M160(X,Y,RES,L,R) – содержит астрономические параметры, коор динаты географического полюса и параметр индукции магнитного поля на станции RES. В таблице 1 представлен параметр сходства категории магнитуда в четырех информационных моделях, а на рис. 1 - аналогичный параметр сходства в семи перечисленных выше моделях. Из данных, приведенных в таблице 1 и на рис. 1 следует, что добавление в информационную модель параметра RADAILY – ежедневного числа солнечных пятен по наблюде ниям американских астрономов, приводит к понижению среднего и мак симального параметра сходства. Напротив, добавление параметра индук ции магнитного поля RES, связанного с ежедневной вариацией планетар ного магнитного поля приводит к росту как среднего, так и максимального параметр сходства. Следовательно, между параметрами RES и RADAILY нет однозначной связи в смысле их влияния на сейсмические события. Таблица 1. Параметр сходства категории магнитуда в четырех моделях Категория Число случаев M160(L,R)) M160(RA,L,R) M170(RA,L,P)) M170(RES,L,R) A40-Mb=4,0 1362 -18,593 -12,149 -14,462 -20,037 A41-Mb=4,1 1580 -8,208 -6,109 -3,077 -6,813 A42-Mb=4,2 1796 -1,797 -0,407 2,698 0,637 A43-Mb=4,3 2224 4,889 5,069 8,640 7,037 A44-Mb=4,4 2744 -4,445 -3,647 -1,136 -4,510 A45-Mb=4,5 3358 -0,364 0,486 3,546 1,890 A46-Mb=4,6 4119 8,102 7,114 2,359 8,161 A47-Mb=4,7 4768 11,303 7,139 1,431 10,887 A48-Mb=4,8 4954 13,381 8,852 2,838 12,764 A49-Mb=4,9 5008 17,503 10,799 6,597 15,614 A50-Mb=5 4904 26,141 19,409 11,462 22,451 A51-Mb=5,1 4582 29,802 20,595 14,006 26,773
Научный журнал КубГАУ, №66(02), 2011 года http://ej.kubagro.ru/2011/02/pdf/46.pdf 10 A52-Mb=5,2 4134 25,101 18,918 13,014 23,767 A53-Mb=5,3 3563 30,307 22,368 17,016 29,035 A54-Mb=5,4 3010 28,031 20,712 13,964 24,969 A55-Mb=5,5 2367 24,238 17,492 10,680 22,462 A56-Mb=5,6 1940 32,491 23,640 21,515 31,337 A57-Mb=5,7 1460 31,689 23,066 22,448 31,225 A58-Mb=5,8 1179 28,16 22,760 20,935 28,725 A59-Mb=5,9 864 24,738 19,841 18,139 25,450 A60-Mb=6,0 656 23,495 20,666 17,798 25,074 A61-Mb=6,1 453 29,394 25,123 22,496 29,190 A62-Mb=6,2 319 23,934 20,695 21,355 25,934 A63-Mb=6,3 202 35,651 28,722 28,901 36,412 A64-Mb=6,4 137 42,81 37,909 39,716 45,038 A65-Mb=6,5 87 55,802 47,917 51,895 62,048 A66-Mb=6,6-7,0 68 63,169 53,843 56,396 68,781 B40-Mb=4,0 446 28,361 18,736 23,423 30,855 B41-Mb=4,1 660 18,857 12,704 14,817 21,036 B42-Mb=4,2 835 9,046 6,722 6,265 9,861 B43-Mb=4,3 955 -6,859 -2,669 -8,075 -8,597 B44-Mb=4,4 1099 -14,986 -8,869 -10,093 -13,509 B45-Mb=4,5 1223 -1,494 -0,076 2,080 0,992 B46-Mb=4,6 1455 -1,678 -1,113 1,722 -0,022 B47-Mb=4,7 1612 -1,317 0,130 1,591 -1,349 B48-Mb=4,8 1817 3,926 4,190 5,574 3,183 B49-Mb=4,9 1636 3,783 3,855 2,818 5,508 B50-Mb=5 1428 15,492 11,992 11,574 16,131 B51-Mb=5,1 1206 13,093 10,956 9,329 12,782 B52-Mb=5,2 936 22,413 19,267 16,803 22,561 B53-Mb=5,3 617 24,482 20,240 17,872 22,979 B54-Mb=5,4 422 21,194 18,464 15,913 18,494 B55-Mb=5,5 261 30,487 23,114 26,050 31,170 B56-Mb=5,6 180 33,408 28,321 30,616 37,841 B57-Mb=5,7 93 56,994 47,736 52,339 60,019 B58-Mb=5,8 73 61,514 52,517 55,427 68,742 B59-Mb=5,9-6,4 69 62,605 54,655 59,161 68,168 C40-Mb=4,0 130 53,018 42,336 51,118 60,331 C41-Mb=4,1 259 35,327 27,456 34,395 40,927 C42-Mb=4,2 362 22,208 14,780 20,365 24,192 C43-Mb=4,3 436 21,621 15,521 18,421 24,474 C44-Mb=4,4 482 19,875 14,973 11,957 19,482 C45-Mb=4,5 468 11,685 9,127 8,575 10,782 C46-Mb=4,6 515 2,741 3,117 -0,391 1,491 C47-Mb=4,7 501 5,517 5,687 5,406 6,989 C48-Mb=4,8 450 10,42 9,536 8,836 12,503 C49-Mb=4,9 447 15,73 13,178 14,786 17,397 C50-Mb=5 356 20,558 16,937 15,841 22,289 C51-Mb=5,1 293 22,202 18,100 17,483 22,638 C52-Mb=5,2 166 35,702 30,512 31,979 38,506 C53-Mb=5,3-6,0 105 48,043 37,886 44,190 52,017 Среднее значение 1374 20,995 17,063 16,874 22,052