Я, Садуов Алишер, научный руководитель Рустемова Шахмурата. Наш проект — «Разработка модели прогнозирования магнитуды землетрясений в Центральной Азии с использованием нейронных сетей и метода случайного леса как основы для системы раннего оповещения» — родился на стыке геофизики и искусственного интеллекта. Мотивация проста и важна: Центральная Азия с её активной сейсмотектоникой нуждается в инструментах, которые дополняют традиционные методы мониторинга и помогают выигрывать минуты для раннего оповещения.
Как мы писали проект и на что опирались
Мы начали с аккуратного сбора и чистки данных. В качестве базовых источников рассматривали региональные каталоги по Центральной Азии (EMCA — Earthquake Model Central Asia) и данные сети KZNET/KNDC, где допускается сопоставление локальных MLH-магнитуд с моментными Mw через известные преобразования на уровне каталога. Это позволило нам продумать единую шкалу, учесть неполноту каталога по слабым событиям и неоднородность по времени и пространству.
По моделям мы сознательно пошли «двумя путями»: (1) ансамблевые деревья, прежде всего Random Forest, как сильный базовый регрессор на табличных геофичах; (2) нейронные сети для нелинейных зависимостей и потенциальной интеграции с временными и волновыми признаками. Мировая литература последних лет подтверждает разумность такого дуального подхода для задач сейсмоопасности и раннего предупреждения: RF нередко даёт устойчивый «базовый уровень» точности, а глубокие сети выигрывают при наличии богатых признаков и мультиданных.
Трудности и как мы их решали
- Неоднородные шкалы магнитуды (MLH, mb, Ms, Mw). Решение — унификация через каталог-референт (EMCA), контроль систематик и кросс-проверка по региональным источникам.
- Неполнота и смещение выборки (редкие крупные события). Мы проектировали стратифицированные сплиты и регуляризацию, чтобы не «переучивать» модель на редкие экстремальные магнитуды. (Подход соответствует практике в недавних ML-работах по сейсмике.)
- Пространственно-временная автокорреляция. Использовали spatio-temporal split (разделение по зонам и периодам), чтобы честно оценивать обобщающую способность. Такая валидация рекомендуема для прогнозных сетей средней дальности.
Подготовка к защите и результаты маршрута
Шахмурат прошёл проверку на антиплагиат, в ноябре успешно защитил проект на городском этапе по естественно-математическому направлению (секция «Прикладная математика»), заняв 2 место. В декабре сдал тестирование по общеобразовательным предметам (по математике набрал проходной балл). Далее — республиканская экспертиза, которую тоже прошёл, и февральская республиканская защита в г. Актобе — получил грамоту. Эти шаги укрепили не только содержание, но и презентацию: мы отработали логику постановки задачи, прозрачность методики и корректную интерпретацию ограничений модели.
Международный этап: CASTIC-39, Хух-Хото (КНР)
Летом пришло приглашение на CASTIC-39 — один из самых крупных и престижных национальных научных конкурсов Китая с широкой международной программой; финал традиционно собирает сотни проектов, а лучшие получают путёвки на последующие международные соревнования. В 2025 году мероприятие проходило в августе в г. Хух-Хото — столице Автономного района Внутренняя Монголия.
Конкурс состоял из двух туров. В первом участники выполняли три индивидуальных инженерно-научных задания:
- Manufacturing and Testing of a Gas Detection Device (химия, физика, инженерия);
- Grain Storage System Design: Efficiency and Sustainability (сельское хозяйство, энергетика, экология, инженерия);
- Evaporative Cooling (инженерная теплофизика).
Во втором туре прошла панель “Special Award Mutual Selection Conference” — своего рода ярмарка возможностей: представители научных ассоциаций из Англии, Туниса, Египта, Люксембурга, Румынии, Чехии, Бразилии, Италии, Португалии, Малайзии, Сингапура и др. знакомились с проектами и вручали специальные приглашения и награды наиболее сильным. Завершилось всё торжественной церемонией с флагами — впечатлений масса, плюс полезные контакты для будущих международных коллабораций.
Зачем это всё школе и региону
Даже прототипные модели на данных Центральной Азии уже показывают прикладную ценность: улучшение детектирования и анализ закономерностей в каталоге — это кирпичики для раннего оповещения и осознанной сейсмобезопасности. Недавние работы демонстрируют, что сочетание нейросетей и качественных региональных данных усиливает надёжность компонент ЕЕW (например, улучшение P-волновой детекции для Алматинского региона) и среднесрочных сценариев риска. Для школьника участие в таком проекте — шаг из аудитории в реальную науку, где аккуратность данных и методики важнее «громких цифр».
Главное в нашей подготовке было не «угадать магнитуду», а сформировать правильную научную культуру: работать с открытыми каталогами, честно валидировать модели, фиксировать допущения и ограничения, а также уметь ясно объяснить свою работу неспециалисту. Шахмурат показал именно это — и потому уверенно прошёл путь от города до международного финала.
