РОССИЙСКАЯ АКАДЕМИЯ НАУК

Институт проблем передачи информации

 

 

 

СЕТЕВАЯ АНАЛИТИЧЕСКАЯ ГИС

ГеоПроцессор 2.0

 

 

 

 

 

 

 

 

ТЕХНОЛОГИЯ РЕШЕНИЯ ЗАДАЧ В ПРИМЕРАХ

 

 

 

 

 

 

 

 

 

 

 

 

МОСКВА

 

2007

 

 

АННОТАЦИЯ

 

В руководстве кратко изложены принципы геоинформационного подхода к исследованию пространственных данных и описаны примеры применения сетевой ГИС ГеоПроцессор 2.0. Рассмотренные примеры относятся к решению достаточно сложных исследовательских задач в науках о Земле. Вместе с тем примеры являются иллюстрацией выполнения различных операций анализа пространственной информации. Мы надеемся, что данное руководство упростит пользователю освоение инструментария ГИС ГеоПроцессор 2.0.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Руководитель проекта: Д.т.н. Гитис Валерий Григорьевич,  

127994  Москва, ГСП-4, ИППИ РАН, Каретный пер. 19

тел. 699-50-96;

e-mail: gitis@iitp.ru ,

http://www.iitp.ru/projects/geo

http://www.geo.iitp.ru
СОДЕРЖАНИЕ

 

 

1. Методы геоинформационного исследования

2. Основы технологии 

    2.1. Типы аналитических задач

    2.2. Подход к решению задач с неполной информацией.

3. Примеры решения задач

    3.1 Пространственный прогноз геофизических характеристик

    3.2. Пространственный прогноз сейсмической опасности

3.3. Раздельный региональный прогноз нефтегазовых месторождений

    3.4. Оценка максимального ущерба

Литература

 4

 4

 4

 5

 6

 6

11

15

21

25

 

 

 

 

 

 


 

1. Методы геоинформационного исследования

 

Функциональность аналитических ГИС ориентирована в основном на решение двух типов задач: (1) Просмотр многодисциплинарной географической информации (ГИ), оценивание связей между ее компонентами и (2) Нахождение многомерных зависимостей в ГИ, прогнозирование, обнаружение и распознавание целевых стационарных и и динамических свойств изучаемой среды. При решении этих задач широко используются три метода: Визуальное исследование, Аналитические преобразования и  Правдоподобный вывод [1].

Цели визуального исследования состоят в выявлении пространственного образа свойств и объектов исследуемой территории и в выполнении картографических измерений. Например, операции разработанных в ИППИ РАН сетевых ГИС ГеоПрпоцессор 2.0 и ГеоТайм II позволяют динамически управлять картографическими слоями, закраской, размерами пиктограмм, толщиной линий, параметрами анимации 3D растров, получением многослойных разрезов, измерением значений сеточных полей и атрибутов векторных данных, динамически выделять на карте группы объектов в скользящем временном интервале (например, эпицентры землетрясений), динамически выделять на карте области, сходные по комплексу свойств с выбираемыми пользователем эталонами, и т.д.

Аналитические преобразования позволяют получить новые тематические и пространственно-временные свойства ГИ с помощью заранее заданных операторов. Наиболее важными являются следующие типы преобразований: (1) Сеточные слои  Сеточный слой, (2) Сеточные слои и Векторные слои  Атрибуты векторного слоя, (3) Векторный слой  Сеточный слой, (4) Векторные слои  Атрибуты векторного слоя.

Методы правдоподобного вывода позволяют найти заранее неизвестное операторы аналитического преобразования. К задачам правдоподобного вывода относятся оценивание зависимостей и отношений между свойствами исследуемой среды и ее сущностями, прогнозирование целевых свойств среды, обнаружение целевых объектов, прогнозирование пространственно-временных процессов. Для решения этих задач используются аппарат многомерного статистического анализа, методы распознавания образов, имитационное моделирование и методы искусственного интеллекта.

Все операции анализа сопровождаются интерактивной визуализацией. Тесное взаимодействие методов аналитического и визуального исследований обеспечивает основу пространственного и пространственно-временного когнитивного моделирования, существенно упрощает понимание исследуемого материала и тем самым увеличивает эффективность получения решений.

 

2. Основы технологии

 

2.1. Типы аналитических задач

 

Сложность решения задач геоинформационного анализа существенно зависит от полноты имеющейся информации .

Задачи с полной информацией состоят в выявлении качественных особенностей ГИ с помощью визуализации, в вычислении новых свойств ГИ с помощью заранее известных преобразований и в оценивании стандартных статистических характеристик ГИ.

Задачи с неполной информацией возникают при решении задач прогноза, в которых требуется более глубокое исследование географических сущностей, их свойств и связей между ними. Решение этих задач основано на комплексном анализе ГИ. Необходимость комплексного анализа обусловлена взаимодействием исследуемых процессов, невозможностью прямых измерений их ключевых характеристик, недостаточным объемом наблюдений и воздействием на результаты измерений шумов. Для получения устойчивых однозначных решений необходимо совместно обрабатывать все доступные данные и экспертное знание.

 

2.2. Подход к решению задач с неполной информацией.

 

Высокая неопределенность в имеющихся знаниях и данных, которые используются при решении задач пространственно-временного прогноза с неполной информацией, не позволяет оставаться в рамках чисто математических методов. В этих условиях наилучшее решение задачи может быть получено за счет комплексного использования всей доступной информации. Эта информация включает в себя исходные данные, знания предметной области, экспертные решения и некоторое предположение о связи рассматриваемого свойства с характеристиками исследуемой среды, сформулированное в виде причинно-следственной модели. 

Применение математических критериев для оценки качества версии решения требует выполнения ряда предположений, которые чаще всего в таких задачах трудно считать обоснованным. Компромиссное решение состоит в проверке условий соответствия полученного результата с причинно-следственной моделью, предложенной экспертом в предметной области.

Будем считать, что решение не опровергает модель, если выполняются следующие три условия:

·      Совместимость: результат не опровергается на имеющихся данных.

·      Значимость: критерий качества решения на контрольных примерах значимо показывает на наличие причинно-следственной связи.

·      Непротиворечивость: результат может быть объяснен и обоснован с помощью имеющихся знаний и данных.

Все три условия оценки качества версии прогноза не являются формальными, хотя для их проверки используются формальные процедуры.

Условие совместимости означает отсутствие грубых ошибок прогноза по отношению к имеющимся экспериментальным фактам. Условие значимости связано с методом нахождения прогнозирующей функции. Обычно зависимость между прогнозируемой величиной и данными ищется путем оптимизации некоторой целевой функции на выборке примеров (учебная выборка). Значимость найденной зависимости проверяется по значению целевой функции на выборке примеров, которые не использовались при обучении (контрольная или тестовая выборка). Чем ближе значение целевой функции на контрольной выборке к оптимуму, тем больше значимость найденной зависимости.

Анализ результатов на непротиворечивость по отношению к предложенной причинно-следственной модели приводит к необходимости использовать классическую методологию решения прогнозных задач экспертами. Обычно специалисты при прогнозе используют два метода построения рассуждений:

·      построение логических высказываний о связи исследуемого свойства геологической среды с признаками,

·      прогноз свойств среды по аналогии с прецедентом.

 

Идея технологии решения задач с неполной информацией состоит в следующем. Специалист формулирует модель, объясняющую возможные причины прогнозируемого явления. При региональном прогнозе нефтегазовых месторождений, например, это объяснение возможных причин того, отчего где-то есть нефтематеринские толщи, где-то газ, а где-то пусто. Дальше аналитик пытается подобрать данные, вычислить по исходным данным признаки, которые можно объяснить с точки зрения модели. Затем строится многомерное решающее правило по выборке прецедентов (желательно, чтобы оно было достаточно простым). Дается прогноз.

Таким образом, действия аналитика состоят  в следующем. Формулируется причинно-следственная модель, производится подгонка решения по имеющимся данным и выборке примеров так,  чтобы результат не противоречил предложенной модели, дается объяснение результата в терминах предметной области.

Предложенная специалистом причинно-следственная модель может обсуждаться и может быть оспорена. В результате может быть предложена другая модель. Для новой модели ищется новая версия решения. Сравнение версий производится специалистом на основании критериев совместимости, значимости и непротиворечсивости.

Компьютер дает количественное представление модели эксперта. Без модели искать решение с помощью компьютера очень просто, но это неправильно, так как математически задача прогноза не определена.

 

3. Примеры решения задач

 

3.1 Пространственный прогноз геофизических характеристик

 

Проблема: пространственный прогноз (экстраполяция) поля гравитационных аномалий.

Регион: Центральная Европа.

Метод: непараметрический регрессионный анализ.

 

       На Рис. 1. показан исследуемый регион. Можно видеть в окне списка слоев (слева), что среди сеточных слоев отображаются 2 слоя: высоты рельефа и сверху модель освещенности рельефа. Модель освещенности рельефа сделана полупрозрачной. Поэтому черно-белые тона модели освещенности подсвечены снизу раскраской слоя высот рельефа.

 

 

Рис 1. Карта исследуемого региона.

 

       На Рис. 2 показана карта гравитационных аномалий в редукции Буге. Видно, что слой аномалий известен только для части региона.

 

 

Рис. 2. Слой гравитационных аномалий в редукции Буге.

 

 

Для экстраполяции слоя гравитационных аномалий Y надо найти зависимость значений Y от других сеточных слоев. Известно, что гравитационные аномалии коррелированны с высотами Земли.

       Данная версия не поддерживает автоматический выбор наилучших признаков.

       Поэтому признаки выбираются пользователем.

Для выбора остальных слоев можно оценить их взаимной коэффициенты корреляции с Y  опции MapðStatistics:

Corr(Y,Elevation model) = - 0.78

Corr(Y,Aeromagnetic anomalies) = 0.26

Corr(Y,Geoid) = - 0.42

Corr(Y,Heat flow) = - 0.33

Corr(Y,Crustal velocities) = - 0.61

 

      Видим, что наиболее информативным признаком являются рельефа. Учитывая, что поле гравитационных аномалий существенно более сглаженное, чем поле высот рельефа, произведем сглаживание рельефа с окном радиуса 6 км. Второй признак можно выбрать такой, который, будучи коррелирован с Y, слабо коррелирован со сглаженными высотами рельефа.

       Кроме этого, при выборе признаков необходимо принимать во внимание знания о физике связей признаков между собой. Выбрали 3 признака: сглаженные высоты рельефа, аэромагнитные аномалии и геоид.

      

       Перед тем, как искать решение основной задачи, представляет интерес проанализировать поле коэффициента корреляции между сеточным слоем гравитационных аномалий в редукции Буге и высотами рельефа вычисленное со скользящим окном радиуса R=10 км (Рис.3). На рисунке обращают на себя внимание достаточно большие связные зоны с величинами положительных (более 0.3) и отрицательных (менее –0.3) коэффициентов корреляции. Этот факт, безусловно, требует отдельного исследования.

 

 

 

Рис. 3.

 

       Рассмотрим технологию нахождения регрессии гравитационных аномалий по сглаженным высотам поверхности земли, аэромагнитным аномалиям и геоиду. Выполним следующие действия:

1.       В опции MapðNew Areas строим зону (полигон) для учебной выборки ( на рисунке треугольная зона слева)

2.       В опции TransformðLine filter выполним операцию Nearness c малым значением R=1 км. В результате будет построен сеточный слой M, значения которого внутри зоны равны 1, а вне зоны быстро убывают до 0.

3.       В  опции TransformðField combination выполним преобразование слоя M, в результате которого значения слоя внутри полигона станут равными значению поля гравитационных аномалий, а значения вне полигона окажутся неопределенными. Чтобы записать это преобразование обозначим слой M, как $1, а слой гравитационных аномалий, как $2. Тогда выражение имеет вид IF($1=1,$2,1/0). Выражение означает следующее: ЕСЛИ значение слой М равно 1, то заменить его соответствующим значением слоя гравитационных аномалий, в противном случае взять значение, равное единице, деленной на ноль. Значение в точке поля, полученное в  результате деления на 0, определяется в ГИС ГеоПроцессор как неопределенное.

4.       В опции MapðNew Sample только для видимой (определенной) части сеточного слоя М генерируем учебную выборку прецедентов. В результате получили выборку точек внутри полигона со значениями поля гравитационного поля.

5.       Строим по выборке примеров и трем полям признаков сеточное поле регрессии.

6.       Оцениваем коэффициент корреляции и ошибки аппроксимации между (1) гравитационными аномалиями внутри полигона и полем регрессии и (2) всем слоем гравитационных аномалий и полем регрессии.

7.       Строим разрез, чтобы визуально оценить качество аппроксимации гравитационных аномалий внутри полигона (на учебном материале) и вне полигона.

 

На Рис. 4. показан полигон и сгенерированная учебная выборка примеров.

 

 

Рис. 4.

 

       Количественными оценками качества решения являются коэффициент корреляции исходного поля и поля регрессии и ошибки аппроксимации.

 

Относительная ошибка аппроксимации определяется как

,

где              

N – число точек сетки, где померены оба значения, yn – значения зависимой переменной (в нашем случае гравитационные аномалии), f (xn)  значения поля регрессии.

 

На Рис. 5 показано поле регрессии по выбранным трем признакам. Коэффициент корреляции между полем гравитационных аномалий и полем регрессии равен 0.93, относительная ошибка аппроксимации равна 0.3216.  Линия AB показывает профиль разреза. В нижней части рисунка показан разрез поля гравитационных аномалий (синяя линия) и поля регрессии (красная линия). Синий интервал внизу показывает границы зоны, по которой производилось обучение, желтый интервал показывает качество экстраполяции поля регрессии на контрольном материале.

 

 

Рис.5

 


3.2. Пространственный анализ сейсмической опасности

 

Задача: выделение зон возможных очагов землетрясений с магнитудой M >6.

Регион: Северный Кавказ.

Метод: аналитические преобразования и вывод по функции предпочтения.

 

Решение задачи начинаем с формулировки причинно-следственной модели (экспертной гипотезы), которая качественно объясняет возможные причины возникновения очагов сильных землетрясений. Будем предполагать, что динамические процессы в данном регионе определяются конвергенцией Аравийской и Евразийской плит. Сильные землетрясений локализуются в областях пересечения неоднородностей земной коры с зонами активных надвиговых и сдвиговых разломов.

       На Рис. 6. показана модель рельефа региона Северного Кавказа. Желтыми линиями обозначены активные в кайнозое надвиговые разломы, голубыми –  активные в кайнозое сдвиговые разломы, кружками – эпицентры землетрясений с магнитудой M >6.

 

 

Рис. 6. Регион Северного Кавказа.

 

       В левом окне Рис. 6 можно видеть достаточно обширный список имеющихся геолого-геофизических данных. В качестве выборки прецедентов в нашем распоряжении имеются только выбора одного класса объектов, состоящая из относительно небольшого числа эпицентров землетрясений с M >6. В отличие от [Gitis,Гитис] мы не располагаем выборкой экспертных оценок значений максимальных ожидаемых землетрясений.

 

       Рассмотрим некоторые возможные признаки прогноза, которые соответствуют принятой причинно-следственной модели.

В опции TransformðFilter с помощью операции RMS вычислим среднеквадратичное отклонение высот рельефа поверхности земли в скользящем окне радиуса 15 км. На Рис.7 показан этот сеточный слой (назовем его RMS) и эпицентры с M >6. Можно видеть, что большинство эпицентров попадают к зонам, где  поле RMS принимает значения более 300 м.

 

 

Рис. 7. Карта среднеквадратичных отклонений высот рельефа поверхности земли в скользящем окне радиуса 15 км

 

На Рис. 8 показан сеточный слой близости к активным в кайнозое надвиговым разломам и эпицентры с M >6, вычисленный в опции TransformðLine filter с помощью операции Nearness при R=15 км.

 

 

 

Рис. 8. Карта сеточного слоя близости к активным в кайнозое надвиговым разломам.

 

В качестве примера рассмотрим построение решения с двумя признаками, которые не противоречат принятой модели: модуль градиента скорости вертикальных движений  за  постсарматское время (признак X1), и близость к активным в кайнозое надвиговым разломам  (признак X2), который вычисляется в опции TransformðLine filter с помощью операции Nearness при R=15 км. Мы полагаем, что при увеличении любого из признаков максимальная магнитуда ожидаемого землетрясения не уменьшается (гипотеза о монотонности связи).

Следует отметить, что задача очень плохо определена, т.к. отсутствуют примеры, зон для которых можно утверждать, что в них землетрясения с  магнитудой M >6 невозможны. С другой стороны существуют примеры эпицентров с магнитудой M >6 (например, эпицентр землетрясения в Каспийском море), для которых значения обоих признаков равны 0. Если учитывать этот прецедент, то согласно гипотезе монотонности следует, что очаги  с магнитудой M >6 возможны для любой точки региона. Это означает, что выбранных для решения признаков явно недостаточно, чтобы получить удовлетворительное решение.  

Поэтому в данном случае не будем пытаться по выбранным двум признакам построить правило, которое безошибочно выделяет все эпицентры с магнитудой M >6.  Будем следовать нескольким интуитивно понятным рекомендациям. (1.) Значения признаков, относящиеся к зонам очагов с магнитудой M >6 должны обладать объяснимыми с точки зрения принятой причинно-следственной модели особенностям. (2.) Возможность экстраполяции, состоящее в том, что правило, полученное для зон ВОЗ по небольшой части эпицентров, должно выделять области, которые покрывают большинство остальных эпицентров. (3.) И, наконец, в целом выделенные зоны с магнитудой M >6 должны покрывать достаточно малую часть региона.

В опции ToolsðMonotonicity analysis в качестве прецедентов выберем несколько эпицентров землетрясений,  которые позволяют получить зону сходства по предпочтению,  покрывающую большинство остальных эпицентров и соответствующую принятой  причинно-следственной модели. После этого выберем эти же точки в качестве учебной выборки в опции MapðNew Sample. Затем в опции TransformðMonotonicity field выполним операцию с параметрами Layer type: Monotonicity area, Approx. Error: 0.5. Логическое выражение, соответствующее решающему правилу, записывается в окне описания сеточных слоев (под окном карты).

На Рис. 9 показан результат. Карта построена из 4-х сеточных слоев: модель рельефа, над ней модель освещенности рельефа с прозрачностью 50%, далее слой Monotonicity area и, наконец, модель освещенности для этого слоя с закраской в красной палитре. Сеточные поля, из которых состоит карта, можно видеть в окне картографических слоев, а палитру верхнего слоя  - в окне закраски сеточных слоев.

 

 

Рис. 9. Зоны ВОЗ с с магнитудой M >6.

 

Решению соответствует правило, которое можно скопировать из окна описания сеточных слоев:

 

            Fields:

+Градиент скорости вертикальных тектонических движений

+Nearness of Надвиговые разломы, активные в кайнозое

Samples & Areas:

Sample smp

Criterion of a solving rule for approximation error mU=0.5 and level of confidence C=0.75:

(Градиент скорости вертикальных тектонических движений > 10.009908429436749) AND (Nearness of Надвиговые разломы, активные в кайнозое > -2.7755575615628914E-17)

  OR

(Градиент скорости вертикальных тектонических движений > 6.414678723753024) AND (Nearness of Надвиговые разломы, активные в кайнозое > 0.5509463027887569)

 

 

Это правило можно переписать в следующем виде:

ЕСЛИ

                         Градиент скорости вертикальных тектонических движений > 10.0

 И         Близость к Надвиговым разломам, активным в кайнозое, > 0

  ИЛИ

Градиент скорости вертикальных тектонических движений > 6.4

  И        Близость к надвиговым разломам, активным в кайнозое, >  0.55.

 ТО       возможны очаги с магнитудой M >6.

 

Это эквивалентно правилу:

ЕСЛИ

                         Градиент скорости вертикальных тектонических движений > 10.0

  ИЛИ

Градиент скорости вертикальных тектонических движений > 6.4

  И        Близость к надвиговым разломам, активным в кайнозое, >  0.55.

 ТО       возможны очаги с магнитудой M >6.

 

Учтем, что  близость к надвиговым разломам вычислялась с радиусом R=15 км. Близость вычисляется через расстояние по формуле . Тогда легко видеть, что близости 0.55 соответствует расстоянию 6.75 км. Перепишем правило в более понятной формулировке:

ЕСЛИ

                         Градиент скорости вертикальных тектонических движений > 10.0

  ИЛИ

Градиент скорости вертикальных тектонических движений > 6.4

  И        Расстояние до надвиговых разломов, активных в кайнозое, <  6.75.

 ТО       возможны очаги с магнитудой M >6.

 

 

       Полученное правило выделения очаговых зон с магнитудой M >6 является достаточно ясным. Оно не противоречит принятой модели. Но оно вполне может быть оспорено другим специалистом. В процессе дискуссии экспертами могут быть предложены примеры альтернативных зон или точек региона, для которых, по их мнению. очаги с магнитудой M >6 невозможны или маловероятны. В этом случае появляется возможность ставить задачу распознавания по двум выборкам примеров.

 

3.3. Раздельный региональный прогноз нефтегазовых месторождений

 

Задача: Раздельный прогноз нефтяных и газовых месторождений.

Регион: Западная Сибирь.

Методы: аналитические преобразования и распознавание образов.

 

Причинно-следственная модель. Идея модели: фазовое состояние углеводородов определяется историей тектонического развития, выраженной в особенностях строения земной коры и верхней мантии.

Для газовых месторождений характерно ухудшенное качество исходного органического вещества, обусловленное увеличенной скоростью осадконакопления, привносом большого количества  терригенного материала и формированием мощных (свыше 10 км) осадочных толщ. Мощное осадконакопление вызывает уплотнение пород фундамента, что приводит к увеличению их теплопроводности и увеличивает разогрев нижней части осадочной толщи. Увеличение плотности пород фундамента проявляется в увеличении скорости продольных сейсмических волн на поверхности фундамента.

Для нефтяных месторождений показательно высокое качество органического вещества, накапливающегося при средних скоростях осадконакпления, формирующих осадочную толщу сравнительно небольшой (до 5 км) мощности. Наличие относительно толстой консолидированной коры с хорошо развитым гранитным слоем способствует умеренному разогреву нижней части осадочного чехла и уменьшает влияние дегазации мантии.

Бесперспективными относительно нефтяных и газовых  месторождений являются части провинций с маломощным (до 1,5 км) осадочным чехлом.

 

 

 

Рис.10. Исследуемый регион. Кружки – газ, треугольники – нефть, квадраты – сухо.

 

При решении задачи использовались данные центра ГЕОН, ЗапСибНИГНИ, а также опубликованные материалы, представленные в виде карт в масштабе 1:2500000. Рассматривался следующий набор признаков: 

x1      - рельеф поверхности Мохоровичича,

x2      - рельеф поверхности нижнего слоя консолидированной коры,

x3      - рельеф поверхности промежуточного слоя консолидированной коры,

x4    - рельеф поверхности кристаллического фундамента,

x5    - рельеф поверхности складчатого фундамента,

x6    - толщина нижнего слоя консолидированной коры,

x7    - толщина промежуточного слоя консолидированной коры,

x8   - толщина верхнего слоя консолидированной коры,

x9   - толщина консолидированной части коры,

x10  - скорость продольных сейсмических волн на поверхности Мохоровичича,

     x11 - скорость продольных сейсмических волн на поверхности кристаллического

            фундамента,

     x12  - скорость продольных сейсмических волн на поверхности складчатого        фундамента,

x13  - глубина залегания кровли верхнемеловых отложений,

x14  - глубина залегания кровли сеноманских отложений,

x15  - глубина залегания кровли среднеюрских отложений,

x16  - глубина залегания подошвы плитного комплекса

x17  - аномалии магнитного поля (DTa)

x18  - разломы, ограничивающие грабен-рифтовые стируктуры.

 

    Сеточные модели построены в сетке 30' по долготе и через 20' по широте.

 

Для решения выбраны те же признаки, что и в [1, 2]. Для их получения использованы достаточно простые преобразования «Сеточные слои  Сеточный слой».

Многомерное решающее правило искалось по методу распознавания по правилу ближайшего соседа, в котором принадлежность точки к тому или иному классу определяется по сходству значений признаков точки и эталонных объектов классов.

В качестве эталонных объектов в прогнозе на газ брались часть пунктов с газовыми меторождениями (1-й класс) и часть пунктов с нефтяными месторождениями плюс часть пунктов без месторождений (2-й класс). При прогнозе на нефть – аналогично.

Для прогноза газовых месторождений использованы признаки:

1.Глубина залегания кровли среднеюрских отложений, x15 (рис 11)

2.Полусумма скоростей продольных сейсмических волн на поверхности кристаллического (x11) и складчатого (x12) фундаментов, x19=(x11+ x12)/2. (рис. 12)

 

 

Рис. 11. Глубина залегания кровли среднеюрских отложений, x15,

1. Глубина залегания кровли средней юры, км*10.

2. Структурная карта по кровле заводоуковской свиты (по кровле средней юры)  

Западно-Сибирской плиты, масштаб 1:2 500 000, оригинал, ред. Нестеров И.И., 1984.

 

 

Рис. 12. Полусумма скоростей продольных сейсмических волн на поверхности кристаллического (x11) и складчатого (x12) фундаментов, x19=(x11+ x12)/2.

 

 

Рис. 13. Прогнозная карта газовых месторождений по методу ближайшего соседа

(параметры алгоритма: Metric: L2, R (sigm): 1.0)

 

 

 

 

 

Для прогноза нефтяных месторождений использованы признаки:

1.                 глубина залегания кровли среднеюрских отложений  (рис. 11)

2.                 глубина залегания кровли верхнемеловых отложений  (рис.14)

3.                  толщина верхнего слоя консолидированной коры  (рис. 15).

 

 

Рис. 14

1. Умноженная на 100 высота залегания кровли верхнего мела в километрах.

2. Структурная карта кровли занькиинской свиты и ее аналогов (по кровле верхнего мела) Западно-Сибирской плиты, масштаб 1:2 500 000, оригинал,ред. Нестеров И.И., 1975.

 

 

Рис. 15.

 1. Мощность среднего слоя консолидированной коры, км, [K12].

 2. Схема изопахит среднего слоя консолидированной коры, масштаб 1:5000 000,

 оригинал, Костюченко С.Л., 1988г.

 

 

Рис. 16. Прогнозная карта нефтяных месторождений по методу ближайшего соседа

(параметры алгоритма: Metric: L2, R (sigm): 1.0).

 

 

3.4. Оценка максимального ущерба

 

Задача: Оценка ущерба от максимального землетрясения.

Регион: Северный Кавказ.

Методы: аналитические преобразования.

 

            Рассмотрим пример оценки возможного ущерба от максимального землетрясения для городов Северного Кавказа с населением более 100000 человек. На Рис. 17. показана карта анализируемого региона и эпицентры землетрясений с  K >11.

 

 

Рис.17.

 

       Для решения использованы данные о пиковых ускорениях при землетрясениях [4] (ресурс получен через Центральный портал геоинформационной среды «Электронная Земля» http://eearth.viniti.ru). Карта пиковых ускорений показана на Рис. 18. Линии уровня значений пиковых ускорений визуально кажутся слишком вычурными. Возможно, это связано с не вполне адекватным конвертированием расчетных значений. Поэтому слой пиковых ускорений в опции TransformðField был сглажен с помощью операции Mean с радиусом R=10 км (Римс.19).

 

 

Рис.18.

 

 

Рис. 19.

 

Далее в опции TransformðField combination по сглаженному сеточному слою пиковых ускорений A по формуле I=(lgA-0.014)/0.3 [5] вычислено поле максимального балла землетрясений (Рис. 20).

 

Рис. 20.

 

Чтобы вычислить ущерб от сейсмических сотрясений, использованы данные по уязвимости застройки [5] (таблица 1). 

 

Таблица 1.  

Уязвимость сооружений от землетрясений

N

Тип  застройки

Код

Интенсивность сотрясения в баллах

7            8             9

1

Крупнопанельная

7КП

0.035

0.119

0.37

2

Крупнопанельная

7-8КП

0.035

0.119

0.37

3

Крупнопанельная

8КП

0.024

0.066

0.221

4

Кирпичная

БКЧ

0.103

0.37

0.757

5

Кирпичная

7КЧ

0.058

0.246

0.583

6

Кирпичная

8КЧ

0.04

0.152

0.439

7

Каркасная

7КС

0.04

0.117

0.471

8

Каркасная

8КС

0.029

0.103

0.336

9

Деревянная

ВД

0.035

0.134

0.404

 

 

В данном примере вычисления выполнены для крупнопанельной застройки 7КП (тип зданий выбран только для иллюстрации метода). Для этого в опции TransformðField combination  с помощью операции FunctionsðIntr(,,,,) по полю I вычислен сеточный слой V доли разрушения зданий типа 7КП: V=0 при I<7, V=3.5% при I=7, V=11.9% при I=8, V=37% при I=9. Кусочно-линейная функция данной операции конструируется в следующим образом: Intr($2,6,0,7,3.5,8,11.9,9,37). Результат операции представлен на Рис. 21.

 

 

Рис. 21.

 

Для получения окончательного результата в опции AttributesðCalculate вычислены доли разрушения застройки в 5 км окрестностях городов Северного Кавказа с населением более 100 000 человек. Вычисления выполнены  помощью операции Special functions:ðAVG($,R). Конкретный вид функции: AVG($<номер слоя доли разрушений в списке сеточных слоев>,5).  Полагая застройку сооружениями типа 7КП  однородной для выбранного размера зоны, можно принять результат в качестве оценки ущерба от максимального землетрясения. На Рис. 22 показаны сеточный слой разрушений построек 7КП в процентах, величинами кружков обозначены значения разрушений для городов. Внизу дано значение доли разрушения в г. Дербент, равное 27%.

 

 

Рис 22. Разрушения застройки 7КП от максимальных землетрясений в %.

 

 

 

Литература

 

1.   Гитис В.Г., Ермаков Б.В. Основы пространственно-временного прогнозирования в геоинформатике // М., ФИЗМАТЛИТ, 2004. 256 С.

2.   Gitis, V.G., Ermakov, B.V., Semov, V.N., Shchukin, Ju.K., Jurkov, E.F.GEO Expert System Application to Oil and Gas Resource Forecasting by the Deep Criteria (Example for West-Siberian Platform) // in A.G.Fabbri et J.J.Royer (eds) 3rd CODATA Conference on Geomathematics and Geostatistics. Sci. de la Terre, Ser. Inf. Nancy, 1994. 32. 653-666.

3.     Giardini, D., Grunthal, G., Shedlock, K., and Zhang, P. Global Seismic Hazard Map assembled by, GSHAPE. 1999.

4.     Trifunac, M.D. and Brady, A.G. On the correlation of seismic intensity with peaks of recorded strong ground motion // Bull. Seismol. Soc. Amer., 65. 1975. 139-162.

5.     Аптикаев Ф.Ф., Гитис В.Г., Кофф Г.Л., Фролова Н.И. 1997. Оценка сейсмической опасности и сейсмического риска (пособие для должностных лиц). М.: БСТС Центр. 53 с.