Засорина Ю. И.
Научная станция Российской академии наук в г. Бишкеке, г. Бишкек, Кыргызстан
МЕТОДЫ ЛАБОРАТОРНОГО И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ИЗУЧЕНИЯ И ВЫЯВЛЕНИЯ РАЗЛОМНЫХ СТРУКТУР
Тянь-Шань представляет собой сейсмически активный транспрессионный орогенный пояс, характеризующуюся высокой сейсмической опасностью. Несмотря на длительную историю исследований, многие разломные структуры в его пределах остаются недостаточно изученными. В настоящей работе приводится обзор современных подходов к идентификации разломов на основе данных дистанционного зондирования Земли, включая цифровые модели рельефа, гиперспектральные данные и температуру поверхности Земли, а также методов машинного обучения и лабораторного моделирования. Лабораторное моделирование рассматривается как самостоятельный инструмент изучения деформаций поверхности, связанных с разломообразованием, так и как потенциальный источник, являющийся основой для алгоритмов машинного обучения. Рассмотренные методы представляют собой интерес для изучения активных разломных структур горных систем подобного типа, где уточнение геометрии разломов имеет важное значение для оценки сейсмической опасности.
ЖАРАКА ТҮЗҮЛҮШТӨРҮН ИЗИЛДӨӨДӨ ЖАНА ИДЕНТИФИКАЦИЯЛООДО ЛАБОРАТОРИЯЛЫК АНАЛОГДУК МОДЕЛДӨӨ ЖАНА НЕЙРОНДУК ТАРМАКТАРГА НЕГИЗДЕЛГЕН ЫКМАЛАР
Түндүк Тянь-Шань тоосу жогорку сейсмикалык коркунуч менен мүнөздөлгөн, транспрессиялык орогендик система болуп саналат. Изилдөөлөрдүн узак тарыхына карабастан, көптөгөн жарака түзүлүштөрү жетиштүү деңгээлде картага түшүрүлгөн эмес. Бул макалада космостон зонддоо маалыматтарына, санариптик бийиктик моделдерине (DEM), машиналык окутуу ыкмаларына жана лабораториялык аналогдук моделдөөгө негизделген жаракаларды аныктоонун заманбап ыкмалары каралгам. Макалада DEM маалыматтарынан алынган морфотектоникалык линеаменттерди, гиперспектралдык сүрөттөрдү, жер бетинин температурасы боюнча маалыматтарды жана жаракаларды автоматтык аныктоо үчүн колдонулган машиналык окутуу алгоритмдерин пайдалануу талкууланат. Лабораториялык аналогдук моделдөө жаракалар менен байланышкан жер бетинин деформацияларын изилдөөнүн өз алдынча куралы катары, ошондой эле машиналык окутуу алгоритмдери үчүн окутуучу маалыматтарды түзүүнүн мүмкүн болгон булагы катары каралат. Каралган ыкмалар окшош тоо системаларындагы активдүү жарака түзүлүштөрүн изилдөө үчүн өзгөчө мааниге ээ, анткени аларды так мүнөздөө сейсмикалык коркунучту баалоо үчүн зарыл.
METHODS OF LABORATORY AND NEURAL NETWORK MODELLING FOR THE STUDY AND IDENTIFICATION OF FAULT STRUCTURE
Tian Shan is a seismically active transpressional orogenic belt characterized by high level of seismic hazard. Despite a long history of investigation, many fault structures remain insufficiently mapped. This paper reviews contemporary approaches to fault identification based on remote sensing data, digital elevation data, machine learning methods, and laboratory analogue modelling. This paper discusses the use of DEM-derived morphotectonic lineaments, hyperspectral imagery, land surface temperature data, supervised machine learning algorithms for automated fault detection. Laboratory analogue modelling is considered both as an independent tool for studying fault-related surface deformation and as a potential source of training data for machine learning algorithms. The reviewed methods are of particular relevance for the study of active fault structures in similar mountain systems, where improved fault geometry characterization is essential for seismic hazard assessment.