Алгоритмы нечеткой логики при интерпретации геолого-геофизических данных тема диссертации и автореферата по ВАК РФ 25.00.10, кандидат физико-математических наук Богоутдинов, Шамиль Рафекович

  • Богоутдинов, Шамиль Рафекович
  • кандидат физико-математических науккандидат физико-математических наук
  • 2007, Москва
  • Специальность ВАК РФ25.00.10
  • Количество страниц 139
Богоутдинов, Шамиль Рафекович. Алгоритмы нечеткой логики при интерпретации геолого-геофизических данных: дис. кандидат физико-математических наук: 25.00.10 - Геофизика, геофизические методы поисков полезных ископаемых. Москва. 2007. 139 с.

Оглавление диссертации кандидат физико-математических наук Богоутдинов, Шамиль Рафекович

Введение.

Обоснование постановки задачи.

Научная новизна.

Практическая ценность работы.

Апробация работы.

Выполнение работы.

Глава 1. Поиск аномалий на временных рядах с использованием нечеткой математики (одномерный вариант).

1.1. Алгоритм DRAS.

1.1.1. Локальный уровень. Выпрямляющие функционалы.

1.1.2. Глобальный уровень. Выделение потенциально-аномальных участков записи.

1.1.3. Глобальный уровень. Выделение аномальных участков.

1.1.4. Замечания.

1.2. Автоматизация выбора параметров алгоритма DRAS.

1.2.1 Нечеткие сравнения действительных чисел.

1.2.2. Нечеткое сравнение числовой совокупности с числом.

1.2.3. Нечеткая экстремальность.

1.2.4 Выбор вертикального уровня аномальности в алгоритме DRAS.

1.3. Алгоритм FLARS.

1.3.1. Глобальный уровень. Выделение аномальных участков.

1.3.2. Глобальный уровень. Построение нечеткого ореола аномальных участков записи.

1.3.4. Замечания.

1.4. Алгоритм "модифицированный" DRAS (DRASm) и FLARS (FLARSm).

1.4.1. Вертикальное деление.

1.4.2. Горизонтальное деление.

1.4.3. Границы сигнала.

1.5. Односторонние DRASr и FLARSr.

1.5.1. Односторонние выпрямляющие функционалы.

1.5.2. Односторонний DRAS (DRASr).

1.5.3. Односторонний FLARS (FLARSr).

1.6. Выпрямления 2-ого уровня.

1.7. Выделение высокочастотных аномалий на геоэлектрических и гравитационных временных рядах.

1.7.1. Анализ записей аномалий естественного потенциала на вулкане JIa Фурнез (о.

Реюньон, Франция).

1.7.2. Предварительная обработка записей сверхпроводящих гравиметров.

1.8. Выводы.

Глава 2. Алгоритмы нечеткой логики при интерпретации физических полей (многомерный случай).

2.1. Кластеризация в метрических пространствах.

2.1.1. Меры близости в конечных метрических пространствах.

2.1.2. Математический кластер.

2.2. Семейство алгоритмов "Роден".

2.2.1 Глобальный "Роден".

2.2.2. Локальный "Роден".

2.2.3. Обобщенный "Роден".

2.3. Алгоритм "Монолит".

2.4. Сравнение разработанных алгоритмов с альтернативными методами кластеризации!

2.5. Применение методов кластеризации для разбраковки решений, получаемых методом локальной линейной псевдоинверсии ("Эйлеровой деконволюции").

2.5.1. Постановка задачи. Метод деконволюции Эйлера.

2.5.2. Исследование на модельных аномальных полях, создаваемых совокупностями призм.

2.5.3. Интерпретация магнитных аномалий залива Сан-Мало.

2.6. Применение алгоритма "Монолит" для анализа геолого-геофизических данных „

2.6.1. Анализ интерферограмм.

2.6.2. Анализ изрезанности рельефа в районе Нижнеканского массива.

2.7. Выводы.

Рекомендованный список диссертаций по специальности «Геофизика, геофизические методы поисков полезных ископаемых», 25.00.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Алгоритмы нечеткой логики при интерпретации геолого-геофизических данных»

Обоснование постановки задачи.

Создание новых методов накопления и анализа геофизических данных, наряду с новыми методами их интерпретации, является важным направлением в современной геофизике и геоинформатике. Начиная с 60-х годов 20-ого столетия, геологи и геофизики стали переходить от графического к цифровому представлению данных наблюдений и результатов интерпретации. В аппаратурном отношении это соответствовало переходу от аналогового представления результатов к цифровому. Использование цифрового представления допускает автоматическую обработку. Существенной рост эффективности оперирования с исходными данными привел к бурному развитию методов распознавания образов, экспертных систем, сравнительных математических методов и распределенных баз данных.

В настоящее время в геофизике все шире используются методы искусственного интеллекта, основанные на нечеткой математике и логике "нечетких множеств", позволяющие автоматизировать экспертную обработку информации и разрабатывать новые методы интерпретации геолого-геофизических данных [1, 120, 85, 49, 48]. Объясняется это, по крайней мере, двумя причинами.

Во-первых, работа с большими объемами геофизических данных, в частности, их интерпретация и совместный анализ, с одной стороны требуют высокой квалификации специалиста. С другой стороны это оказывается часто практически нереализуемо ввиду огромных объемов данных, подлежащих обработке. Работа на уровне хорошего эксперта редко может быть сведена к некоторому аналитическому процессу, поддающемуся формальному описанию на языке обычной математики. Тем не менее, эта деятельность поддается алгоритмизации. Так возникает необходимость создания алгоритмов, ориентированных на моделирование деятельности специалиста-эксперта в той или иной области (сейсмологии, гравиметрии, магнитометрии и т.д.).

Нечеткая математика и нечеткая логика обладают достаточными возможностями для моделирования человеческих представления и рассуждений, позволяя дать строгое математическое описание в действительности расплывчатых экспертных суждений и преодолеть, таким образом, семантический барьер между человеком, суждения и оценки которого, как правило, приближенные, качественные и нечеткие, и компьютером, способным выполнять только четкие инструкции.

Во-вторых, нечеткая математика является формальным аппаратом, способным наиболее адекватно учесть не только мнения экспертов, но и нечеткость данных.

Действительно, в геологии и геофизике мы почти всегда имеем дело с приближенными величинами. Последнее обстоятельство свидетельствует о естественности нечеткого подхода к геофизике, поскольку информации в ней изначально присущ расплывчатый и неполнозаданный характер.

Цель работы.

Целью данной работы является:

1) создание принципиально новых алгоритмов, базирующихся на нечеткой логике и нечеткой математике, для анализа многомерных стационарных и одномерных динамических массивов геофизических данных;

2) программная реализация этих алгоритмов, демонстрация их эффективности на синтетических и реальных данных;

3) выделение источников аномалий потенциальных полей в Нижнеканском массиве и в заливе Сен-Мало;

4) автоматизированное выделение аномалий на геоэлектрических временных рядах и снимках радарной интерферометрии для мониторинга активности вулканов JIa Фурнез (о. Реюньон) и Этна (о. Сицилия).

Постановка задач.

Цель работы определила постановку следующих конкретных задач:

1) разработка основанных на нечеткой математике алгоритмов поиска сигналов (DRAS, DRASm, DRASr, FLARS, FLARSm, FLARSr) в одномерных рядах данных;

2) применение разработанных алгоритмов к реальным данным (обработка данных электротеллурического мониторинга вулкана JIa Фурнез и мировой сети сверхпроводящих гравиметров GGP Network);

3) разработка алгоритмов выделения плотных областей (семейство "Роден", "Монолит") в многомерных массивах геофизических данных;

4) исследование эффективности разработанных алгоритмов на синтетических примерах;

5) применение разработанных алгоритмов при интерпретации магнитных данных для залива Сен-Мало и Нижнеканского массива;

6) применение алгоритма "Монолит" при обработке интерферограмм с вулкана Этна.

7) применение алгоритма "Монолит" для изучения рельефа в районе Нижнеканского массива.

Основные результаты, выносимые на защиту:

1) На основе нечеткой логики созданы и программно реализованы две серии алгоритмов (DRAS и FLARS) для изучения одномерных динамических геофизических массивов (временных рядов);

2) В рамках нечеткой математики разработаны и программно реализованы семейство алгоритмов под общим названием "Роден" и алгоритм "Монолит" для выделения плотных областей в многомерных стационарных геофизических массивах;

3) Создан принципиально новый алгоритм интерпретации космических снимков Земли "Монолит", позволяющий выделять кластеры на основе анализа временного ряда снимков радарной интерферометрии;

4) Эффективность и перспективность предложенных методов и алгоритмов продемонстрирована на примере выделения источников реальных аномалий потенциальных полей (Сен-Мало, Нижнеканский массив) и выделения аномалий на геоэлектрических (вулкан Ла Фурнез) и на гравитационных (сеть сверхпроводящих гравиметров) временных рядах. Алгоритм "Монолит" успешно применен к анализу активности вулкана Этна.

Личный вклад автора.

Большинство работ автора выполнено в авторских коллективах в рамках сотрудничества между ИФЗ РАН и Институтом Физики Земли в Париже и университетом Клермон-Феррана (Франция). Определяющий вклад автора заключается в разработке конкретных алгоритмов, их реализации в виде пакетов программ, их обосновании и апробировании на теоретическом и реальном материале.

Научная новизна

Известные алгоритмы выделения аномалий на временных рядах, как правило, базируются на статистическом и частотно-временном анализах [31,17,29]. В то же время разработанные в диссертации алгоритмы DRAS и FLARS представляют собой вариант моделирования процедуры поиска специалистом аномалий на записи методами нечеткой математики. Трактовка аномальности является свободным параметром этих алгоритмов: DRAS и FLARS способны работать с очень широким пониманием аномальности на временных рядах. В частности, они могут моделировать практически любое экспертное мнение по этому вопросу.

Классический кластерный анализ направлен на поиск подмножеств в многомерных массивах одновременно сочетающих в себе повышенную плотность и отделимость. В то же время в геофизических массивах данных часто значительно большее значение имеют сгущения (области только повышенной плотности). Алгоритмы "Роден" и "Монолит" нацелены именно на поиск таких областей, значительно расширяя тем самым рамки классического кластерного анализа.

Практическая ценность работы

В настоящее время алгоритм DRAS, используется в реальной системе электротеллурического мониторинга вулкана Ла Фурнез (о. Реюньон, Франция), развернутого лабораторией университета Клермон-Ферран под руководством Жака Злотники. Алгоритм выполняет следующие функции: распознавание на записи собственного электрического потенциала активных участков, определение начала и конца каждого активного участка по каждому из каналов записи (границ зон активности), выработку для каждой станции нечеткой меры активности и ранжирование станций и каналов согласно этой мере активности.

Алгоритм FLARS применялся при обработке записей остаточных вариаций поля силы тяжести в рамках мировой сети сверхпроводящих гравиметров GGP Network с целью поиска на них скачков, приводящих к смещению уровня и искажению длиннопериодных компонент этих записей. Алгоритм "Роден", применяемый совместно с методом деконволюции Эйлера, явился основой программного комплекса EURO, с помощью которого была проведена интерпретация потенциальных полей в районе Сен-Мало, Молуккском море (Индонезия), Каннском массиве.

Алгоритм "Монолит" также применялся при выборе решений, полученных методом Эйлера при интерпретации магнитных аномалий для района Нижнеканского массива.

Апробация работы

Результаты работы были представлены на международных и российских научных конференциях и совещаниях, в том числе на 28-ой, 30-ой, 33-ей и 34-ой сессиях Международного семинара им. Д.Г. Успенского «Вопросы теории и практики геологической интерпретации гравитационных, магнитных и электрических полей» (Киев -2001, Москва - 2003, Екатеринбург - 2006, Москва - 2007), на 17-ой и 18-ой международных конференциях CODATA (Baveno, Italy - 2000, Montreal, Canada -2002), AROPA Workshop. "Institute d'Europe (Luxembourg - 2001), III International Workshop on Magnetic, Electric and Electromagnetic Methods in Seismology and Yolcanology (Москва -2002), на Втором Международном симпозиуме «Геодинамика и геоэкологические проблемы высокогорных регионов» (Бишкек - 2002), на шестом семинаре научно-технического центра "Science and Computing" (Москва - 2003).

Основные результаты исследований по теме диссертационной работе изложены в 12 публикациях, в том числе в 10 статьях в реферируемых международных и российских журналах ("Earth and Planetary Science Letters ", "Geophysics", " Физика Земли ", "Кибернетика и системный анализ " и др.).

Выполнение работы

Работа выполнялась автором в лаборатории искусственного интеллекта Института физики Земли им. О.Ю. Шмидта Российской академии наук, а затем в лаборатории геоинформатики Геофизического центра Российской академии наук под руководством чл.-корр. РАН, проф., д.ф.-м.н. А.Д. Гвишиани и д.ф.-м.н. В.О. Михайлова, которым автор выражает свою признательность за постоянное внимание к проводившимся исследованиям. Автор выражает искреннюю благодарность сотрудникам ИФЗ РАН и ГЦ РАН, которые оказывали поддержку в проведении исследований: С.М.Агаяну, С.А.Тихоцкому, М.В.Родкину, Д.Ю.Шур, Е.М.Граевой, М.Д.Коваленко, Ю.С.Тюпкину,

B.Н.Морозову, В.Н.Татаринову, Э.О.Кедрову, Соловьеву А.А., а также А.В.Леденеву,

C.М.Лебедеву. Существенная часть результатов диссертации была получена автором в рамках совместных проектов ИФЗ РАН и ГЦ РАН с Парижским и Страсбургским институтами физики Земли и университетом Клермон-Феррана. Автор признателен своим французским коллегам Ж.Злотники, Ж.Бонину, Ж. Индереру, А. Гальдеано.

Похожие диссертационные работы по специальности «Геофизика, геофизические методы поисков полезных ископаемых», 25.00.10 шифр ВАК

Заключение диссертации по теме «Геофизика, геофизические методы поисков полезных ископаемых», Богоутдинов, Шамиль Рафекович

2.7. Выводы

Был разработан и применен новый алгоритм кластеризации "Роден" для отбора плотных кластеров среди эйлеровых решений. Алгоритм основан на формальном определении кластера, позволяющем построить эффективный алгоритм кластеризации, а наличие свободных параметров делает его достаточно гибким, позволяя выявлять широкий спектр кластеров с заданными свойствами.

Таким образом, был совершен переход от неформального к формальному отбору эйлеровых решений, что является шагом вперед в автоматизации процедуры отбора.

На модельном примере и для реальных данных при кластеризации новым методом успешно оконтуриваются аномалеобразующие тела. Разработанный метод имеет еще два преимущества:

- Найденные кластеры представляют решения, связанные с телами или их частями, делая возможным анализ различных кластеров эйлеровых решений в отдельности. Например, это позволяет вычислять средние параметры для отдельных аномалеобразующих тел.

- Аномальные точки, порождающие разные кластеры, обычно также составляют плотные кластеры. В результате, метод кластеризации позволяет выделить области, в которых влияние различных источников аномалии более явно. После этого появляется возможность повторной интерпретации данных для этих областей с использованием различных размеров окна, структурных индексов и т.д.

Также был разработан новый алгоритм поиска сгущений "Монолит", основанный на нечеткой математики. Наличие свободного параметра /, определяющего множество

А, дает возможность применять алгоритм к геолого-геофизическим данным различной природы. В работе рассмотрены только два успешных применения этого алгоритма: при обработке интерферограмм с вулкана Этна и анализе рельефа в районе Нижнеканского гранитоидного массива.

Заключение

Диссертационная работа подводит итог исследований автора 2000-2007 годов по различным аспектам обработке геолого-геофизических данных. Отправной точкой таких исследований послужило умение человека анализировать эти данные. Действительно, опытный исследователь, как правило, эффективно кластеризует, выделяет сгущения, трассирует, находит аномалии в двух-трехмерных массивах и на временных рядах небольших объемов. Эффективность человеческого анализа связана с "мягким" восприятием человеком свойств дискретности и стохастичности ("зашумленности"), а также с его способностью оперировать с нечетко очерченными понятиями и объектами. Цель работы - перенести это умение на большие размерности и большие объемы исходных данных. Технической основой алгоритмов явились нечеткая математика и нечеткая логика, поскольку они обладают достаточно большими выразительными возможностями для передачи человеческих представлений и рассуждений.

Общий результат состоит в том, что разработаны и программно реализованы новые алгоритмы для поиска сгущений в конечных метрических пространствах и для поиска аномалий на временных рядах, пригодные к решению широкого круга задач. Эффективность первой группы алгоритмов (DRAS, FLARS, модифицированный DRAS, односторонние алгоритмы) продемонстрирована при выделении аномалий на геоэлектрических (вулкан Jla Фурнез) и гравитационных (Global Geodynamics Project) временных рядах. Эффективность второй группы алгоритмов ("Роден", "Монолит") продемонстрирована на примере кластеризации Эйлеровых решений при интерпретации магнитных аномалий соответственно в заливе Сен-Мало (Франция) и Нижнеканском гранитоидном массиве, при обработке интерферограмм с вулкана Этна и при изучении рельефа в районе Нижнеканского массива.

Список литературы диссертационного исследования кандидат физико-математических наук Богоутдинов, Шамиль Рафекович, 2007 год

1. А.Д. Гвишиани, М. Диаман, В.О. Михайлов, А. Гальдеано, С.М. Агаян, Ш.Р. Богоутдинов, Е.М. Граева. Алгоритмы искусственного интеллекта для кластеризации магнитных аномалий. М.: Физика Земли, 2002, №7, с. 13-28.

2. A.M. Колмогоров, С.В. Фомин. Элементы теории функция и функционального анализа. М., Наука, 1976,544с.

3. А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов. Нечеткие множества в моделях управления и искусственного интеллекта /Под ред. Д.А. Поспелова/.- М., Наука, 1986,312 с.

4. Абрамов А.В., Коробейников В.П., Сурков B.C. и др. Тектоническое строение Енисейского кряжа. Геология и геофизика, 1981, № 1, с. 48-58.

5. Аверкин А. Компьютерная версия толкового словаря по искусственному интеллекту. -1998.

6. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. Справ. Изд./ под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 606 стр.

7. Андерсон Е.Б., Любцева Е.Ф., Оганезов А.В. и др. Геофизические исследования Енисейского кряжа с целью поисков участков захоронения ВАО. Разведка и охрана недр, 1999, №9-10, с.61-63

8. Арефьев С.С. Эпицентральные сейсмологические исследования. М.: ИКЦ «Академкнига», 2003. - 375 е.: ил.

9. Аржанников С.Г., Гладков А.С., Семенов P.M. Позднечетвертичная геодинамика и импульсные тектонические движения в зоне влияния Канской системы разломов (юго-запад Сибирской платформы). Геология и геофизика, 2004, т.45, № 4, с. 430442.

10. Аронов В.И. Обработка на ЭВМ значений аномалий силы тяжести при произвольном рельефе поверхности наблюдений, -М.: Недра, 1976.

11. Бадц Т. Объектно-ориентированное программирование в действии. сПб.: CSV, 1997.

12. Бассвиль М., Банвениста А. Обнаружение измерения свойств сигналов и динамических систем. М, Мир, 1989,278с.

13. Боревич З.И., Шафаревич И.Р. Теория чисел. М., Наука, 1972,496с.

14. Борн Г. Форматы данных. Киев.: CSV, 1995.

15. Булычев А.А. Курс лекций по магниторазведке. // М.: МГУ.

16. Гамелин Т., Равномерные алгебры. М., Мир, 1973, 335с.

17. Гвишиани А.Д., Агаян С.М., Богоутдинов Ш.Р. Математические методы геоинформатики. I. Новый подход к кластеризации // Кибернетика и системный анализ —2002. —№2. —С. 104-122.

18. Гвишиани А.Д., Горшков А.И., Ранцман Е.Я., Систернас А., Соловьев А.А. Прогнозирование мест землетрясений в регионах умеренной сейсмичности М.: Наука, 1988.

19. Губерман Ш.А. Неформальный анализ данных в геологии и геофизике. М, Недра, 1987,261с.

20. Заде J1. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М., Мир, 1976,165с.

21. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе. В сб.: Классификация и кластер. М: Мир, 1980, с.208-247.

22. Канасевич Э.Р. Анализ временных последовательностей в геофизике, М., Недра, 1985,400с.

23. Кедров O.K. Сейсмические методы контроля ядерных испытаний, Москва, Саранск, 2005,412с.

24. Кедров O.K., Пермякова В.Е., Стеблов Г.М. Методы обнаружения слабых сейсмических явлений в пределах платформ. М., ОИФЗ РАН, 2000,101с.

25. Кушнир А.Ф. Мостовой С.В. Статистический анализ геофизических полей, Киев, Наукова думка, 1990,270с.

26. Кушнир А.Ф., Савин И.В. Статистические адаптивные алгоритмы автоматического обнаружения сейсмических сигналов. Часть И. Многомерный случай. Сб. Вычислительная сейсмология, вып. 17. М., Наука, 1984, с. 150-158.

27. Лебедев С.М. Поиск и коррекция скачков на записях сверхпроводящих гравиметров. Бакалаврская работа. Геологический факультет МГУ, М.: 2003г.

28. Левин Б.Р. Теоретические основы статистической радиотехники. М., Сов. радио, 1969

29. Мандель И.Д. Кластерный анализ. — М., Финансы и статистика, 1988. — 176 с.

30. Мейнджер Д. Java: основы программирования. Киев.: CSV, 1997.

31. Миркин Б.Г. Анализ качественных признаков и структур. М., Статистика, 1980, 319с.

32. Наймарк Б.М. Алгоритм для обнаружения сейсмического сигнала на фоне микросейсм // Вычислительная сейсмология; Вып.1,1966, с.5-9.

33. Никитин А.А. Статистические методы выделения геофизических аномалий. М., Недра, 1979,280с.

34. Олдендерфер М.С., Блэшфилд Р.К. Кластерный анализ. В кн. Факторный, дискриминантный и кластерный анализ. М., Финансы и статистика, 1989. - С. 139 -214.

35. Поспелов Д. Нечеткие множества в моделях управления и искусственного интеллекта. -М.: Наука, 1986.

36. Р.Дуда, П.Харт. Распознавание образов и анализ сцен, М.: Мир, 1976.

37. Серкеров С.А. Гравиразведка и магниторазведка: Учеб. для вузов. М.: ОАО «Издательство «Недра», 1999. - 437 е.: ил.

38. Серкеров С.А. Теория потенциала в гравиразведке и магниторазведке. М. Недра, 2000.-350 с.

39. Ту Дж., Гонсалес Д. Принципы распознавания образов. М., Мир, 1978,412с.

40. Ф. Хейс-Рог и др. Построение экспертных систем. М.: Мир, 1987.

41. Храмов А.Н., Гончаров Г.И., Комиссарова Р.А. и др. Палеомагнитология. Под ред. Храмова А.Н. Л.: Недра, 1982. - 312 с.

42. Чуй К. Введение в вейвлеты. М., Мир, 2001,412с.

43. Шур Д.Ю. Новые методы экспресс-интерпретации магнитометрических данных: опытно-методические исследования и примеры практического применения. -Бакалаврская работа, Геологический факультет МГУ, М.: 2001.

44. Эндрю А. Искусственный интеллект. М.: Мир, 1985.

45. Ягер Р. Нечеткие множества и теория возможностей. Последние достижения. М.: Радио и связь, 1986.

46. Agayan S.M., Gvishiani A.D., Graeva E.M., Diament M., Dubois J.-O., Galdeano A., Sailhac P. Fuzzy clustering for knowledge extraction. // Зёттаце COD ATA. Paris. 1999.

47. Ва1ё P., Brun J-P. Late Precambrian thrust and wrench zones in northern Brittany (France) //J. Struct. Geol. 1989.11. P. 391-405.

48. Barbosa V.C.F., Silva J.B.C., Medeiros W.E. Stability analysis and improvement of structural index estimation in Euler deconvolution // Geophysics. 1999. 64. P. 48-60.

49. Briole, P., D. Massonnet, and C. Delacourt, Post-eruptive deformation associated with the 1986-87 and 1989 lava flows of Etna detected by radar interferometry, Geophys. Res. Lett., 24, 37-40,1997.

50. Brun J.P., Bale P. Cadomian tectonics in northern Brittany 11 Geol. Soc. Spec. Publ. 1990. 51. P. 95-114.

51. Centre National d'Etudes Spatiales (CNES), Philosophic et mode d'emploi de la chame logicielle interferometrique DIAPASON, Toulouse, France, 1996.

52. Chantraine J., Chauvel J.-J., Bale P., Denis E., Rabu D. Le Впоуёпеп (Proterozoi'que эирёгзеиг a terminal) et I'orogenese cadomienne en Bretagne (France) // Bull. Geol. Soc. France. 1988. IV. P. 815-829.

53. Chantraine J., Egal E., Thieblemont D., Guerrot C. Le Goff E., Ballere M., Guennoc P. The cadomian active margin // Tectonophysics, 2000.

54. D. Crossley et al. Network of superconducting gravimeters benefits a number of disciplines. Eos, Transaction, American geophysical Union, Vol.80, No,11, March 16 1999, pp.121-126

55. D.V. Fitterman, Electrokinetic and magnetic anomalies associated with dilatant regions in layered Earth, J. Geophys. Res, 83 (1978) 5923-5928.

56. Delacourt, C., P. Briole and J. Achache, Tropospheric corrections of SAR interferograms with strong topography: Application to Etna, Geophys. Res. Lett., 25,2849-2852,1998.

57. Dubois J.O., Gvishiani A.D. Dynamic systems and dynamic classification problems in geophysical applications. Springer-Verlag Berlin. 1998.

58. Everitt B.S. Cluster Analysis, Halsted-Heinemann: London, 1980,170p.

59. F. Massenet, V.N. Pham, Experimental and theoretical basis of self-potential phenomena in volcanic areas with reference to results obtained on Mount Etna (Sicily), Earth Planet. Sci. Lett., 73(1985)415-429.

60. Fairhead J.D., Bennett K.J., Gordon R.N., Huang D. Euler: Beyond the "Black Box" // 64th Ann. Internat. Mtg. Soc. Expl. Geopys. Expanded Abstracts. 1994. P. 422-424.

61. Ferretti, A., C. Prati, and F. Rocca, Multibaseline InSAR DEM reconstruction: The Wavelet approach, IEEE Trans. Geosci. Remote Sens., 37, 705-715,1999.

62. G. Petiau, Second generation of lead-lead chloride electrodes for geophysical applications, Pure Appl. Geophys. 157 (2000) 357- 382.

63. Galdeano A., Asfirane F., Truffert C., Egal E., Debeglia N. The aeromagnetic map of the French Cadomian belt // Tec-tonophysics. 2001.331(1-2). P. 99-108.

64. Gvishiani A., Dubois J.O. Artificial intelligence and dynamic systems for geophysical applications. — Berlin: Springer, 2002. — 347 p.

65. H. Delorme, Apport des deformations a la comprehension des mecanismes eruptifs : Le Piton de la Fournaise, these de speciality Univ. Pris VII, Paris, France, (1994) 613 pp.

66. Haries H.P., Joswig M. Signal detection by pattern recognition methods. A Twenty-Five Years Review of Basic Research. Edited by An U. Kerr. Dianne L. Carlson< Publisher, USA. 1985, p. 579-584.

67. Hinderer J., Rosat S., Crossley D., Amalvict M., Boy J.P. & Gegout P. (2002) Influence of different processing methods on the retrieval of gravity signals from GGP data // Bulletin d'Information des Marees Terrestress (BIM). 135. - P. 10653-10668.

68. Hood P. Gradient measurements in aeromagnetic surveying. // Geophysics. 1965.

69. J. Zlotnicki, J.L. Le Mouel, Possible electrokinetic origin of large magnetic variations at la Fournaise volcano, Nature, 343 (1990) 633-636.

70. J. Zlotnicki, J.L. Le Mouel, Y. Sasai, P. Yvetot, M.H. Ardisson, Self-Potential changes associated with the volcanic activity. Short-term signals associated with March, 9, 1998 eruption on La Fournaise volcano, Annali di Geofisica, 44-2 (2001) 335-354.

71. J. Zlotnicki, J.L. Le MouJl, Volcanomagnetic effects on Piton de la Fournaise volcano Re union Island), J. Geophys. Res. 93 (1988) 9157-9171.

72. J. Zlotnicki, S. Agayan, A. Gvishiani, Sh. Bogoutdinov. Telematics and artificial intelligence tools in monitoring of volcanoes. WISTCIS Newsletter, 2003, vol. 3, November 2002-May 2003, p.58-60.

73. J. Zlotnicki, V. Kossobokov, J.L. Le Mouel, Variation of frequency content of electromagnetic field at the approach and after the 21 July 1995, M=5.7, Yong Deng (China) earthquake, Tectonophysic, 334 (2001) 259-270.

74. J. Zlotnicki, Y. Nishida, Review on morphological insights of Self-Potential anomalies on volcanoes, Surveys in Geophysics, 24 (2003) 291-338.

75. J.E. Nyquist, C.E. Corry, Self-potential: the ugly duckling of environmental geophysics, Lead. Edge (2002)446-451.

76. J.F. Еёпа^ Structure et dynamique internes d'un volcan basaltique intraplaque oceanique: Le Piton de la Fournaise (lie de la Reunion). These d'Etat, Univ. Clermont II, Clermont-Ferrand, France(1987) 200pp.

77. J.P. Toutain, P. Bache'lery, P.A. Blum, J.L. Chemine'e, H. Delorme, L. Fontaine, P. Kowalski, P. Taochi, Real time monitoring of vertical ground deformations during eruptions at Piton de la Fournaise, Geophys. Res. Lett. 19-6 (1992) 553- 556.

78. K. Aki, V. Ferrazzini, Seismic monitoring and modelling of an active volcano for prediction, J. Geophys. Res. 105 (2000) 16617- 16640.

79. Keating P.B. Weighted Euler deconvolution of gravity data. // Geophysics. 1998.

80. L.A. Anderson, R.G. Johnson, Application of the self-potential method to geothermal exploration in Long Valley, California, J. Geophys. Res. 81 (1976) 1527- 1532.

81. L.Kaufmann, P.J. Rousseeuw. Finding groups in data. An introduction to cluster analysis. New Jersey, 2005,342р.

82. Lahaye Y., Blais S., Auvray В., Ruffet G. Le volcanisme fissural paleozoi'que du domaine nord-armoricain// Bull. Geol. Soc. France. 1995.166. P. 601-612.

83. Lanari, R., P. Lundgren, and E. Sansosti, Dynamic Deformation of Etna Volcano observed by satellite radar interferometry, Geophys. Res. Lett., 25,1541-1544,1998.

84. M. Sato, H.M. Mooney, The Electrochemical Mechanism of Sulphide Self-Potentials, Geophysics, 25 (1960) 226-249.

85. Massonnet, D., and K. L. Feigl, Radar interferometry and its application to changes in the Earth's surface, Rev. Geophys., 36,441-500,1998.

86. Massonnet, D., P. Briolc, and A. Arnaud, Deflation of Mount Etna monitored by spaceborne radar interferometry, Nature, 375,567-570,1995.

87. Mike Perkowitz, Oren Etzioni. Towards adaptive Web sites: Conceptual framework and case study // Artificial Intelligence 118 (2000). pp. 245-275.

88. P. Briole, C. Deplus, P. Bachelery, J. Ammann, P. Catherine, P. Kowalski, T. Staudacher, Deformations associated with the 9 March 1998 eruption on Piton de la Fournaise volcano, submitted to J. Volcanol. Geotherm. Res. (2004).

89. Perroud H., Auvray В., Bonhommet N., Mace J., van Voo R. Paleomagnetizm and K-Ar dating of Lower Carboniferous dolerites dykes from northern Brittany // Geophys. J. Roy. Astr. Soc. 1986.87. P. 1-13-153.

90. R. F. Corwin, D.B. Hoover, The self potential method in geothermical exploration, Geophysics 44 (1979) 226-245.

91. Reid A.B., Allsop J.M., Giancer H., Millet A.J., Somerton I.W. Magnetic interpretation in three dimensions using Eiiler deconvolution // Geophysics. 1990. 55. P. 80-91.

92. Romeo G. Seismic signal detection and classification using artificial neural networks. Special issue on the workshop "Planning and procedures for GSETT-3", Erice, November 10-14,1993. Annali di Gcofisica. Vol. XXXVII, N. 3,1994, p. 343-353.

93. S. Michel, J. Zlotnicki, Self Potential and Magnetic Surveys. Tools to Investigate Faulting, Fluid Circulation and Eruptive Dynamism of Volcanoes : Example of La Fournaise (Reunion Island), J. Geophys. Res., 103 (1998) 17845-17857.

94. Slack H.A., Lynch V.M. Langan L. The geomagnetic gradiometer // Geophysics. 1967. XXII. P. 877-892.

95. Staudacher, La Fournni-v. Smithonian Institution, Bulletin of the Global Volcanism Network, 23-3 (1998)2-;.

96. Steenland N.C. Discuss!.>:i on: "The geomagnetic gradiometer" by Slack H.A., Lynch V.M., Langan L., 1967: Geophysics, XXII, 877-892 // Geophysics. 1968. XXIII. P. 680693.

97. T. Ishido, H. Mitzutani,Experimental and theoretical basis of electrokinetic phenomena in rock-water systems and is applications to geophysics, J. Geophys. Res. 86 (1981), 7631775.

98. T. Ishido, J.W. Pritchelt, Numerical simulation of electrokinetic potentials associated with subsurface fluid flow, J. (^ophys. Res., 104 (1996) 15247-15259.

99. Thompson D.T. EULi \r> I; A new technique for making computer-assisted depth estimates for magnetic d .,,.11 Geophysics. 1982.

100. Tryon R.C. Cluster Ann!;. >-is // Ann / Arb., Edw. Brothers. 1939.

101. V. Mikhailov, A. Galdcmo, M. Diament, A. Gvishiani, S. Agayan, S. Bogoutdinov, E. Graeva, and P. Sailhac. ' . plication of artificial intelligence for Euler solutions clustering. Geophysics. 2003, vol.!>no. 1, p.168-180.

102. Vidal P. L'evolution pov orogenique du Massif Armoricain: rapport de la geechronoloqie et de la gёochimie isotc;; que du strontium // Mem. Soc. Geol. Miner. Bretagne. 1980. 21. P. 162.

103. Y. Sasai, M. Uyeshima. . Zlotnicki, H. Utada, T. Kagiyama, T. Hashimoto, Y. Takahashi, Magnetic and electric I; : observations during the 2000 activity of Miyake-jima volcano, Central Japan, Earth Phi : . Sci. Lett., 203 (2002) 769-777.

104. Zadeh L. Fuzzy Sets / h f mnation and Control, 8(3), 1965, pp.338-53.

105. Zhang C., Mushayand. bvu M.F., Reid A.B., Fairhead J.D., Odegard M.E. Euler deconvolution of gravity cnsor gradient data // Geophysics. 2000.65. P. 512-520.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.