Математическое обеспечение системы принятия решений в планировании и организации учебного процесса в вузе Текст научной статьи по специальности «Науки об образовании»

УДК 007, 519 Истомин Андрей Леонидович,

проректор по учебной работе Ангарской государственной технической академии (АГТА), к. т. н., доцент, тел. (3955) 67-88-45, e-mail: [email protected]

Бадеников Артем Викторович, ректор Ангарской государственной технической академии, к. т. н., доцент, тел. (3955) 67-89-06, e-mail:[email protected]

Балакирев Валентин Сергеевич, профессор кафедры технической кибернетики и автоматики Московского государственного университета инженерной экологии,

д. т. н., профессор, тел. (495) 267-12-67

МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ

ПРИНЯТИЯ РЕШЕНИЙ В ПЛАНИРОВАНИИ И ОРГАНИЗАЦИИ УЧЕБНОГО ПРОЦЕССА В ВУЗЕ

A.L. Istomin, A. V. Badenikov, V.S. Balakirev

SYSTEM DECISION SOFTWARE IN PLANNING HIGHER EDUCATIONAL PROCESS

Аннотация. Предложена комплексная математическая модель задачи оптимизации планирования учебного процесса в вузе, реализованная в двухуровневой системе принятия решений.

Ключевые слова: вуз, учебный процесс, оптимизация.

Abstract. The complex optimization mathematical model of the university educational process planning in two-level system decision is offered.

Keywords: higher education, educational process, optimization.

Введение

Современный вуз представляет собой сложную организационно-экономическую систему, эффективность функционирования которой существенно зависит от качества управления этой системой. Традиционно сложилось, что сбор информации в вузе, а также задачи ее обобщения и осмысления и, самое главное, оптимизации возлагаются на управленческий персонал. При управлении вузом органы управления опираются на большие объемы информации, отражающие основные стороны функционирования вуза. Процесс поиска оптимального или просто приемлемого в каком-либо смысле, управления вузом в этих условиях носит интуитивный характер и осуществляется методом «проб и ошибок», что часто приводит не только к значительным материальным потерям, но и к потере качества подготовки специалистов.

В вузе одновременно протекает большое число процессов, различающихся как по своему назначению, так и по основным показателям. В то же время характер управленческих решений, принимаемых в вузе, масштаб последствий от принятия решений позволяют выделить в качестве основного учебный процесс. Именно учебный процесс обеспечивает выполнение уставных задач вуза; на учебный процесс направляются основные ресурсы; от организации учебного процесса зависят основные показатели функционирования вуза, его эффективность и качество подготовки специалистов.

Широкое внедрение ЭВМ в практику управления вузом позволило значительно улучшить качество организации и планирования учебного процесса, в том числе с помощью решения оптимизационных задач на базе математических моделей. В последние годы были достигнуты значительные практические результаты в области системного исследования отдельных технологических процессов, протекающих в вузе. С помощью математических методов решались задачи проектирования учебных планов, появилось большое количество автоматизированных систем составления расписания занятий, на базе ЭВМ разработаны автоматизированные системы учета контингента студентов, расчета заработной платы и стипендий и т. д. Вместе с тем надо признать, что управление различными процессами в вузах до сих пор носит разрозненный характер, принципы системного анализа используются недостаточно, автоматиза-

Информатика, вычислительная техника и управление. Приборостроение. Метрология. Информационно-измерительные приборы и системы

ция в вузе в основном сводится к внедрению автоматизированных рабочих мест управленческого персонала, отсутствует общесистемная проработка целей управления, принятие решений в вузе осуществляется без учета экономических факторов. Зачастую при наборе студентов на первый курс, формировании учебных планов, распределении ресурсов между подразделениями, составлении расписания занятий господствуют не экономические, а «образовательно-педагогические» критерии, ориентированные на то, чтобы «любой ценой» под плановые цифры, далекие подчас от экономической оправданности, обеспечить «требуемую» подготовку специалистов с высшим образованием. Вот почему на нынешнем этапе развития работ по совершенствованию управления в высшей школе особую важность приобретают работы, посвященные формализованному планированию и организации учебного процесса в вузе на основе экономических критериев, современных методов теории управления и оптимизации. Пока теоретические основы такого рода задач в управлении учебным процессом в вузе разработаны недостаточно. В этой связи актуальными становятся разработка и внедрение моделей, методов и алгоритмов информационной поддержки принятия решений при планировании и организации учебного процесса в вузе, обеспечивающих его экономическую эффективность.

Планирование и организация

учебного процесса в вузе

В соответствии с логико-временной последовательностью принятия решений при организации учебного процесса в вузе можно выделить следующие основные подзадачи, каждая из которых может рассматриваться как обособленный объект управления:

1) планирование контингента студентов, в том числе установление плана приема и формирование контингента студентов 1 -го курса;

2) планирование содержания, форм и методов подготовки специалистов (график учебного процесса, учебные планы образовательных программ);

3) распределение материальных, трудовых и финансовых ресурсов при планировании учебного процесса;

4) составление расписания учебных занятий.

Рассмотрим эти подзадачи планирования

учебного процесса, определим их экономический смысл и элементы, оказывающих на них влияние.

Контингент студентов является важнейшим экономическим показателем эффективности учебного процесса. От контингента студентов зависит

штатное расписание ППС, суммарная нагрузка преподавателей, количество групп и потоков, требуемое количество аудиторий в расписании занятий, единиц литературы в фондах библиотеки, объем государственного финансирования обучения бюджетных студентов, объем средств, поступивших от обучающихся на платной основе, и т. д. При известном контингенте студентов на всех курсах, кроме первого, планирование контингента студентов сводится к нахождению плана приема студентов на первый курс. Зачастую при формировании плана приема вузы используют наиболее простой принцип управления «от достигнутого», когда план устанавливается на основе плана предшествующего периода с некоторой корректировкой по всем или отдельным образовательным программам. Основные недостатки принципа планирования от достигнутого уровня достаточно очевидны: новый план, с одной стороны, повторяет возможно несовершенную структуру прошлого плана, а с другой, может оказаться неосуществимым, как в силу внутренних обстоятельств, например из-за недостатка ресурсов, так и в силу внешних, например отсутствия спроса на ту или иную образовательную программу. Поэтому наибольший интерес вызывает подход к планированию, известный как оптимальное планирование. Следовательно, нахождение плана приема студентов на первый курс, экономически выгодного для вуза, является важнейшей задачей в планировании учебного процесса.

Учебные планы образовательных программ задают учебную нагрузку обучающихся, объем учебных поручений кафедр, определяют затраты на организацию учебного процесса, задают качество подготовки специалиста. Составление учебных планов в вузах осуществляется специалистами высокой квалификации, требует значительных трудозатрат и зачастую производится под влиянием субъективных предпочтений. Следовательно, процесс составления учебных планов в вузе, основанный на опыте и интуиции работников высшей школы, нуждается в серьезном совершенствовании и научном обосновании принимаемых решений. Поэтому задача автоматизированного проектирования учебного плана с учетом накладываемых ресурсных ограничений, требований, задаваемых ФГОС и вузом, также является важнейшей задачей в планировании учебного процесса.

Расписание занятий определяет загрузку учебных площадей вуза, конкретизирует учебную нагрузку ППС и последовательность прохождения дисциплины по видам занятий в течение семестра, рабочей недели; оно определяет учебную работу

студентов во время аудиторных и самостоятельных занятий. Имея расписание, можно в полном объеме оценить затраты на реализацию учебного процесса. Вопросами разработки автоматизированных расписаний так или иначе занимаются многие вузы, но трудности остаются: программы несовершенны, пригодны лишь для вузов, для которых разрабатывались, трудно переносятся на другие вузы, не позволяют учесть все требования к расписанию. Кроме того, главный недостаток традиционной схемы составления расписания занятий в том, что она не предусматривает обратной связи между расписанием занятий, ресурсами вуза и экономическими показателями его реализации.

Среди задач, которые приходится решать в процессе планирования и организации учебного процесса, важнейшее место занимают задачи распределения ресурсов, так как от их решения также зависит экономическая эффективность учебного процесса (вуз может обладать огромными ресурсами, но распоряжаться ими крайне нерационально, и наоборот, вуз, способный оптимизировать имеющиеся ресурсы, может нормально функционировать даже при их недостатке). Из множества видов ресурсов, необходимых для обеспечения учебного процесса, важнейшими являются профессорско-преподавательский состав и фонд учебных помещений, используемый в учебном процессе. Именно от использования этих видов ресурсов в первую очередь зависят «затратность» учебного процесса и его качество. Поэтому необходим научный подход и формализованные методы, позволяющие находить наилучшее распределение ресурсов в вузе как с точки зрения качества учебного процесса, так и с экономической точки зрения.

Очевидно, что перечисленные выше задачи не могут решаться изолированно друг от друга, поскольку они взаимно влияют друг на друга. Поэтому для получения решений необходим интегрированный подход. Но чтобы реализовать такой подход, необходимо выявить возможные способы расчленения процесса принятия решений на несколько этапов, чтобы построить адекватные модели выработки отдельных решений, найти эффективные алгоритмы их решения, отладить программы для ЭВМ, построить механизмы взаимодействия результатов решений между разными подзадачами, обеспечить количественную оценку решения подзадач учебного процесса.

Математическая модель задачи

В работе предложена математическая модель задачи оптимального планирования учебного

процесса в вузе в комплексе рассмотренных выше задач на базе интегрированного подхода. Из множества различных критериев эффективности планирования учебного процесса была выбрана прибыль вуза, связанная с подготовкой специалистов, поскольку прибыль вуза как никакой другой показатель наиболее полно отражает эффективность учебного процесса, объем и качество предоставляемых образовательных услуг, состояние производительности труда, уровень себестоимости, четко отражает сопоставимость и соизмеримость его результатов с затратами ресурсов.

Поскольку общая задача оптимального планирования учебного процесса в вузе характеризуется большой размерностью переменных, предложен метод декомпозиции исходной задачи на подзадачи меньшей размерности, позволяющий найти решение исходной задачи за счет распределения процедур решения между двумя уровнями иерархии. На нижнем уровне решаются локальные задачи оптимизации со своим критерием оптимальности и известными ограничениями без обмена информацией с верхним уровнем и другие локальные задачи. На верхнем уровне решается глобальная задача оптимального планирования учебного процесса.

К локальным задачам отнесены: 1) нахождение плана приема студентов в вуз, при котором доход вуза будет наибольшим; 2) нахождение оптимальной структуры ППС, при которой затраты на использование ППС будут наименьшими; 3) нахождение оптимальной структуры учебных помещений, при которой затраты на использование учебных помещений будут наименьшими.

В каждой , -й локальной задаче находится

~ * ~

вектор оптимальных решений хг , принадлежащий Д , такой что соответствующий локальный критерий £ (х ) достигает на нем экстремума например максимума, т. е.

тах £ (х,) = /(х*), хг е Д, Д = Д П и,, (1)

х

где Д - множество допустимых решений локальной задачи; и - множество допустимых решений, заданных глобальной задачей.

Модели локальных задач сформулированы следующим образом:

1-я локальная задача (нахождение оптимального плана приема студентов в вуз) [1, 2]: максимизировать

Информатика, вычислительная техника и управление. Приборостроение. Метрология. Информационно-измерительные приборы и системы

С1

11 = ЕЕЦ 11I ь,/(ь,;)^,+

1=1 1=1 -X

С, +С1,

п т _ _ 1 1

+ЕЕЦ,С I /Ь;а,уь, +

1=1 1=1 С*

С1 +С1

п т * и _

ЕЕЦ I (Ь, -С)/(Ь,;,,+

1=1 1=1 С

п т _ _ х

ЕЕ Ц1С I / Ь ; ^ ^ Щ +

1=1 1=1 С +С

п т х

ЕЕЦС I /Ь,^ тах

(2)

1=1 *=1 при условиях

С1 +С1

Е ЕЕ ЕЕ к С, + )]< е,

1=1 ,=1 р= п т к

ЕЕЕ[ а. С + ср )]< ь,

V = 1, w.

1=1 ,=1 р=1

(3)

(4)

(5)

С > 0, с![ > 0. 1= 1, п. , = 1, т.

где Ср - количество бюджетных студентов на 7-й образовательной программе (1 = 1, п). у-й форме обучения (, = 1, т). р -го года обучения (р = 1, к); Ср - количество коммерческих студентов на 7-й образовательной программе, у-й формы обучения, р -го года обучения; Ц - государственное финансирование на подготовку бюджетного студента 7-го года обучения на 7-й образовательной программе по у-й форме обучения;

Ц1 - оплата за обучение на коммерческой основе студента 1-го года 7-й образовательной программы у-й формы обучения; а . - коэффициент приведения численности обучающихся на , -й форме обучения к численности студентов очной формы обучения; q - предельно допустимый приведенный

контингент студентов; Ьу - объем v -го ресурса (V = 1, w). а^. - норма расхода v -го ресурса на

подготовку одного студента по 1 -й образовательной программе на , -й форме обучения.

В отличие от существующих моделей формализованного планирования приема студентов в вуз, где для нахождения оптимального плана используются детерминированные линейные модели, в настоящей работе предложена принципиаль-

но новая модель задачи оптимизации плана приема студентов вуз, в которой реализована вероятностная оценка эффективности плана. Модель задачи основывается только на располагаемой априорной информации, а решение задачи оптимизации состоит в максимизации математического ожидания целевой функции на определенном интервале времени. Это связано с тем, что в задаче формирования приема студентов его планирование происходит в условиях неопределенности, когда спрос на образовательные программы неизвестен или представляет собой случайную величину.

В выражении (2) символом Ь^ обозначен

вероятный спрос на 7-ю образовательную программу у-й формы обучения, который представляет собой случайную переменную, подчиненную закону нормального распределения с плотностью /(Ъу; ^; а ), математическим ожиданием ^

и стандартным отклонением а .

Нахождение оптимального плана приема заключается в определении количества бюджетных Су1 и коммерческих С1 мест на каждую образовательную программу, каждой формы обучения, при которых суммарная ожидаемая прибыль вуза максимальна.

При решении задачи все переменные считаются непрерывными.

Особенностью задачи (2)-(5) является то, что она содержит нелинейную целевую функцию (2), что относит ее к классу задач нелинейного программирования. Но, поскольку целевая функция (2) является сепарабельной, нелинейную целевую функцию можно заменить кусочно-линейными функциями, аппроксимирующими

на интервале изменения переменных С1 и С1,

1= 1, п . , = 1, т . В результате приближенная задача становится задачей линейного программирования, которая может быть решена симплексным методом.

2-я локальная задача (нахождение оптимальной структуры ППС) [3]:

максимизировать

п т к

/2 =-

ЕЕЕЕ ЗгН7]р (1 + ^УВП / ППС ЗУВП )

7=1 у =1 р=1 г=1

х (1 + НЕСН /100) ^ тах при условиях и связях

(6)

ЕрГЩр = Q,JP . 1= 1, п . , = 1, т . р = 1, к . (7)

Г=1

х

еёёёнр < нч

,=1 у=1 р=1 г=1 п m k s

ЕЕЕЕЗ ЩР < фот ,

(8)

(9)

,=1 у=1 р=1 г=1 т

2ЁЁЁнГР -ЕЕЕЩр <0, ,=1,п, (10)

V у=1 р=! г=! У у = р=! г1 =

нгр > о, , = ГГП, у = ГШ, р = Гк, Г = 15, (11)

где НГ - количество ставок, занятых преподавателями г -й категории должностей ( г = 1, 5), обеспечивающих подготовку студентов р -го года обучения по , -й образовательной программе и по у -й форме обучения; Зг - затраты, связанные с использованием преподавателя г -й категории должностей; А,УВП7 ППС - коэффициент, учитывающий соотношение численности ставок учебно-вспомогательного персонала (УВП) и ППС; Зувп - средняя заработная плата УВП; н - норматив начислений на заработную плату (ставка единого социального налога); - объем учебной нагрузки по , -й образовательной программе, у -й формы обучения, р -го года обучения (рассчитывается исходя из рабочих учебных планов и контингента обучающихся); /5Г - норма учебной нагрузки в часах на одну ставку преподавателя г-й категории; 2 - заданное (лицензионный норматив) значение доли ставок преподавателей с учеными степенями или учеными званиями к общему

числу ставок преподавателей; Н^р - количество ставок, занятых преподавателями с учеными степенями г -й категории должностей (г = 1,5 ), обеспечивающих подготовку студентов р -го года обучения по , -й образовательной программе и по у -й форме обучения, (г с г , 5 с 5).

Нахождение оптимальной структуры ППС заключается в определении количества Н1 ставок, занятых преподавателями г -й категории должностей, обеспечивающих подготовку студентов р -го года обучения по , -й образовательной программе и по у -й форме обучения, при которых затраты на использование ППС минимальны.

Действительно, ограничение (7) контролирует выполнение учебной нагрузки по каждой образовательной программе, форме и году обучения. Условия (8) и (9) устанавливают контроль за тем, чтобы штат ППС не превысил нормативную численность, а затраты на использование ППС - фонд

заработной платы. Условия (10) отвечают за то, чтобы доля ставок преподавателей с учеными степенями и учеными званиями в общем количестве ставок преподавателей по всем программам была не меньше норматива.

Задача оптимизации (6)-(11) является задачей линейного программирования, которая решается симплексным методом.

3-я локальная задача (нахождение оптимальной структуры учебных помещений) [4]: максимизировать

£3 = -Е Э9Уя ^ тах

9=1

при условиях

Ё ел =1, 8=1 у,

9=1

Ё Х89Т8 < В • У9 , 9 = 1

(12)

(13)

(14)

8=1

х89 е {0,1}, 8 = 1, V, 9 = 1, к, (15)

где - количество учебных помещений 9 -й группы (9 = 1, к); Э - затраты на содержание одного учебного помещения 9 -й группы (эксплуатационные расходы, текущие ремонты, аренда, охрана и т. д.); Вд - фонд времени (или крайний

срок) использования учебных помещений 9 -й группы в неделю или две недели (зависит от типа расписания, принятого в вузе).

Будем считать, что все учебные помещения д-й группы являются идентичными, например лекционные аудитории, вмещающие до одной группы обучающихся, двух групп и т. д. Группа учебных помещений может состоять и из одного учебного помещения, если оно отличается от всех остальных по функциональным признакам, вместимости и прочим характеристикам, например специализированная лаборатория по отдельной дисциплине.

Учебные помещения разных групп могут быть не вполне взаимозаменяемыми по отношению к некоторым занятиям, т. е. персональная совместимость учебных помещений 9 -й группы

с занятиями из множества 0 = {Т, Т, } стеснена булевой V х к -матрицей Е = ||ея?||, каждый элемент которой е = 1 означает допустимость назначения занятия Т в учебное помещение д-й группы, а элемент вида е = 0 соответствует запрету на такое назначение (8 = 1, V, 9 = 1, к). Каждая строка матрицы Е содержит не менее чем один, отличный от нуля элемент, т. е. для каждого

к

к

5

Ш

Информатика, вычислительная техника и управление. Приборостроение. Метрология. Информационно-измерительные приборы и системы

занятия множества ^ подмножество совместимых с ним учебных помещений непусто.

Поясним смысл интерпретации задачи. Величина х е {0,1} есть показатель того, будет ли

назначено занятие Г в учебные помещения д -й группы. Так, если х = 1, то в расписании занятие Т^ будет проводиться в учебных помещениях д -й группы, если х&д = 0, то занятие не будет проводиться в учебных помещениях д -й группы. Условие (13) требует, чтобы все занятия были выполнены, а наложение условия целочисленности на х означает, что занятие Т может быть проведено только в одном учебном помещении, так как расписание реализуется без прерываний. Условие (14) означает ограничение на длину расписания или максимальный объем времени использования учебных помещений д -й группы.

Тогда (12) означает, что задача состоит в нахождении таких значений у . д = 1, к. при которых значение /3 (суммарные затраты на использование учебных помещений) минимально.

Следует отметить, что модель задачи (1 2)-(15) не учитывает взаимозависимости занятий. Однако общая практика составления расписаний занятий в вузах показывает, что общее число пар в расписании занятий в неделю или две недели в зависимости от расписания, принятого в вузе, много больше, чем число взаимозависимых или взаимосвязанных занятий у одних и тех же обучающихся или преподавателей.

Задача нахождения оптимальной структуры учебных помещений (12)-(15) сформулирована как задача целочисленного линейного программирования с булевыми переменными, принимающими значения 0 или 1, и является классической задачей дискретной оптимизации.

В глобальной задаче ищется максимум прибыли вуза, связанной с подготовкой обучающихся. Эта задача выступает как сумма целевых функций подзадач:

n m lj

P = ЕЕЦ 1 j V b; ъ ^ Щ +

i=\ j =1 _r

n m _ C1

j fb;wЩ +

i=\ j=\ C1

.. m Cij+C1 _

ХЕШ j b _C)f(bij;WnЩ

n m _ r

EXj J fb; ^ щ

i=1 j = 1 C 1 +C1

n m r

ЕХЦС J fb;^щ

i=1 j=1 n m к

к

(16)

+

i =1 j=1

+EEZ ц PCP ц pcp _

i=1 j=1 P=2 i=1 j =1 p=2

n m к s _

XXXX 3rHijp (1 + ^УВП/ППСЗУВП ) i=1 j=1 p=1 j=1

h

X(1 + hесн /100) _X э9у9.

q=1

В глобальной задаче находится управляющее воздействие (множество U = UU) по соот-

i

ветствующему вектору x* = {x*, x*, x*}, характеризующему найденные в локальных задачах оптимальные решения. При этом требуется, чтобы выполнялись все ограничения и достигал максимума

глобальный критерий оптимальности P(x*). Эту задачу можно представить в следующем виде:

maxP(x*), x* е D, (17)

и

x* = (x* : x* = Ajg max f (x,), x* е Dt, i = 1, 3) ,(18) где D - множество ограничений глобальной задачи, которые характеризуют взаимосвязь между отдельными локальными задачами как по входным и выходным переменным, так и по используемым ресурсам.

Для достижения оптимального решения глобальной задачи требуется неоднократно решать локальные задачи для разного множества

U = UUj, с помощью которого глобальная задача

i

влияет на локальные задачи. При заданных величинах управляющих воздействий, а следовательно,

заданном множестве U = UU в каждой локальной

i

задаче находится максимум своего локального критерия оптимальности и определяется значения

вектора x*, i = 1,3, которые затем передаются глобальной задаче для вычисления глобального критерия оптимальности. Таким образом, управлениями для локальных задач являются множества U , а решением глобальной задачи - совокупность

векторов x*, i = 1,3, получаемых после решения локальных задач оптимизации и доставляющих максимум глобальному критерию оптимальности.

nm

C

j

БИБЛИОГРАФИЧЕСКИМ СПИСОК

1. Истомин А. Л. Сумарокова Н. Н. Математическое обеспечение системы принятия решений при приеме студентов в вуз // Открытое образование. 2007. № 1. С. 16-20.

2. Истомин А. Л., Сумарокова Н. Н. Оптимальное планирование приема студентов в ВУЗ // Современные технологии. Системный анализ. Моделирование. 2010. № 2 (26). С. 148-155.

3. Истомин А. Л. Определение оптимальной структуры

профессорско-преподавательского состава вуза и его распределение среди образовательных программ // Системы управления и информационные технологии. 2010. № 4.1 (42). С. 154-158.

4. Истомин А. Л. Декомпозиция, агрегирование и локальная оптимизация в задаче построения расписания занятий в вузе // Современные проблемы информатизации : сб. тр. XV Междунар. науч. конф. СПИ-2010. Моделирование и социальные технологии. Воронеж, 2010. С. 183-185.

УДК 621.371 Башкуев Юрий Буддич,

д. т. н., профессор, зав. лабораторией геоэлектромагнетизма Отдела физических проблем Бурятского научного центра СО РАН, профессор кафедры «Телекоммуникационные системы» ИрГУПС, e-mail: [email protected]

Аюров Дашинима Баирович, научный сотрудник лаборатории геоэлектромагнетизма Отдела физических проблем Бурятского научного центра СО РАН, тел.: 89644053891, e-mail: [email protected]

Буянова Дарима Гармаевна, к. ф.-м. н., доцент, ведущий научный сотрудник лаборатории геоэлектромагнетизма Отдела физических проблем Бурятского научного центра СО РАН, тел.: (3012) 43-32-10, e-mail: [email protected]

СИСТЕМА АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ И АНАЛИЗА ДАННЫХ СПУТНИКА DEMETER

Yu.B. Bashkuev, D.B. Ayurov, D. G. Buyanova

THE DEMETER SATELLITE DATA AUTOMATED PROCESSING AND ANALYSING SYSTEM

Аннотация. Рассмотрена система автоматизированной обработки и анализа данных спутника DEMETER. Проведен анализ данных электрического датчика ICE на примере ионосферных сейсмоэлектромагнитных эффектов Култукского землетрясения 27 августа 2008 г.

Ключевые слова: спутник DEMETER, информационная система, база данных, землетрясения.

Abstract. The demeter satellite data automated processing and analysing system is considered. The analysis of electrical sensor ICE's data as an example of ionospheric seismo-electromagnetic effects of Kultuk's earthquake on August 27, 2008 is lead.

Keywords: DEMETER satellite, information system, database, earthquakes.

Введение

Спутник DEMETER - Detection of ElectroMagnetic Emissions Transmitted from Earthquake Regions был запущен 29 июня 2004 года на круговую полярную орбиту с наклонением 98,3° и высотой ~700 км и закончил работу в декабре 2010 г. Спут-

ник разработан в CNES (Centre National d'Etudes Spatiales) и контролировался из Тулузы (Франция). Спутник двигался по солнечно-синхронной орбите с параметрами: расстояние между соседними орбитами 2500 км в средних широтах, ночные полуорбиты приходятся на 22 LT, дневные полуорбиты - на 10 LT. Научные цели программы DEMETER: исследование возмущений ионосферы, связанных с сейсмической активностью, изучение до- и послесейсмиче-ских эффектов; изучение ионосферных возмущений, связанных с антропогенной деятельностью, и механизмов генерации этих возмущений; получение динамических данных о глобальном электромагнитном окружении Земли на высоте ~700 км. Для достижения этих целей DEMETER измерял шесть компонент электромагнитного поля в широком диапазоне частот и определял параметры плазмы: ионный состав, электронную концентрация и температуру, потоки энергичных электронов. Научное оборудование состояло из пяти инструментов: ICE измерял три компоненты электрического поля от постоянного тока (DC)

до 3,5 МГц; IMSC - три магнитных датчика прово-