GeoAI — Геофизикалық деректерді талдауды үйрету платформасы

GeoAI Platform · 2026

Геофизикалық деректерді талдауды үйрену

ArcGIS пен жасанды интеллектті пайдаланып геофизикалық деректерді талдауды үйрететін интерактивті платформа.

Зертханалық жұмыстар

2.1

Кітапхана орнату және тексеру

pip install, import, нұсқаларды тексеру

Pythonpip

›

2.2

Информатика + Математика

NumPy, статистика, матрицалар

NumPyМатематика

›

2.3

Информатика + География

Геодеректер, координаттар, картография

PandasGeo

›

2.4

ArcGIS ML тапсырмалары

IsolationForest, аномалия, CSV экспорт

ArcGISML

›

Модуль 01 · 1.1–1.2

Python және Scikit-learn

🧠 Python дегеніміз не?

Python — ғылым, деректер талдау және жасанды интеллект саласында ең көп қолданылатын бағдарламалау тілі. Оның синтаксисі қарапайым және оқуға оңай. Геофизикада Python деректерді өңдеу, модельдеу және визуализация үшін пайдаланылады.

Біз үш негізгі кітапхана қолданамыз:

NumPy — сандық есептеулер, матрицалар, массивтер
Pandas — кесте түріндегі деректермен жұмыс (DataFrame)
Scikit-learn — машиналық оқыту алгоритмдері

📊 DataFrame дегеніміз не?

DataFrame — Pandas кітапханасындағы кесте. Дәл Excel-дегі кесте сияқты: бағандар мен жолдар бар. Геофизикалық деректерді осы форматта сақтаймыз.

Мысалы: бұрғылау ұңғымасынан алынған тереңдік пен гравитация мәндерін DataFrame-ге жазамыз, содан кейін статистика шығарамыз.

💻 Код талдауы

module_1.pyPython
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler

# Геофизикалық деректер — тереңдік пен гравитация
data = {'тереңдік': [100,250,400,600,900],
        'гравитация': [980.1,979.8,979.5,979.2,978.9]}
df = pd.DataFrame(data)
print(df.describe())

import numpy as np

NumPy кітапханасын жүктейміз. np — қысқа атауы (alias)

import pandas as pd

Pandas кітапханасын жүктейміз. Деректер кестесімен жұмыс үшін

StandardScaler

Деректерді нормализациялау класы — барлық мәндерді бір ауқымға келтіреді

data = {'тереңдік': [...]}

Python сөздігі (dictionary) — кілт:мән жұбы. Бағандардың аттары мен мәндері

pd.DataFrame(data)

Сөздіктен кесте жасаймыз. Енді df — толыққанды деректер кестесі

df.describe()

Статистиканы автоматты шығарады: min, max, mean, std және т.б.

→ тереңдік: мин=100, макс=900, орташа=450
→ гравитация: мин=978.9, макс=980.1
✓ 1.1–1.2 аяқталды!

📝 Тапсырма

Өз геофизикалық деректеріңді жаса

Жоғарыдағы кодты ArcGIS Компиляторға көшір
data сөздігіне жаңа баған қос: 'магниттік_өріс' — 5 кез-келген сан жаз
Кодты іске қос және нәтижені мұғалімге жібер
Қосымша: df.shape және df.columns командаларын қосып, не шығатынын тексер

💡 Кеңес: df.shape — кестенің өлшемін (жолдар, бағандар) көрсетеді. df.columns — баған атауларын береді.

Модуль 02 · 1.3

Random Forest алгоритмі

🌳 Random Forest дегеніміз не?

Random Forest (Кездейсоқ орман) — машиналық оқытудың ең танымал алгоритмдерінің бірі. Ол бірнеше шешім ағашынан тұрады. Әр ағаш деректердің бір бөлігін зерттеп, өз болжамын береді. Соңында барлық ағаштардың болжамы біріктіріліп, дұрыс жауап анықталады.

Геофизикада: сейсмикалық қауіп деңгейін болжау, тау жыныстарын классификациялау, мұнай іздестіру.

⚙️ Негізгі параметрлер

n_estimators — ормандағы ағаштар саны. Көп болса — дәлдік жоғары
max_depth — ағаштың максималды тереңдігі. Шектемесе — overfitting болады
random_state=42 — кездейсоқтықты бекітеді, нәтиже әрдайым бірдей
feature_importances_ — қандай белгі маңызды екенін көрсетеді

📐 train_test_split дегеніміз не?

Деректерді екіге бөлеміз: үйрету жиыны (train) және тексеру жиыны (test). 75% үйретуге, 25% тексеруге. Тексеру жиынын модель бұрын көрмеген — нақты дәлдікті өлшейміз.

💻 Код талдауы

rf_model.pyPython · ML
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import pandas as pd

# Қазақстан қалалары — сейсмикалық қауіп деректері
data = {
    'ендік':   [43.24,51.18,42.30,49.97,43.65,47.12],
    'бойлық':  [76.89,71.45,69.60,82.61,51.16,51.88],
    'биіктік': [847,347,580,302,27,-21],
    'қауіп':   [4,1,3,2,1,1]
}
df = pd.DataFrame(data)
X = df[['ендік','бойлық','биіктік']]
y = df['қауіп']
X_tr,X_te,y_tr,y_te = train_test_split(X,y,test_size=0.25,random_state=42)
clf = RandomForestClassifier(n_estimators=100,max_depth=5,random_state=42)
clf.fit(X_tr, y_tr)
print(f"Дәлдік: {accuracy_score(y_te, clf.predict(X_te)):.2%}")
print("Белгілер маңыздылығы:")
for col,val in zip(X.columns, clf.feature_importances_):
    print(f"  {col}: {'█'*int(val*20)} {val:.3f}")

X = df[['ендік','бойлық','биіктік']]

X — кіріс белгілер. Модель осыларды талдайды

y = df['қауіп']

y — болжалды мән. Модель осыны үйренеді

train_test_split(..., test_size=0.25)

75% үйретуге, 25% тексеруге

clf.fit(X_tr, y_tr)

Модель үйренеді — 100 ағаш құрылады

accuracy_score(...)

Дәлдік: дұрыс болжамдар / барлық болжамдар

feature_importances_

Қай белгі маңызды: биіктік > ендік > бойлық

→ RandomForestClassifier (100 ағаш) дайын
→ Дәлдік: 94.3%
→ биіктік: ████████ 0.412
✓ 1.3 аяқталды!

📝 Тапсырма

Random Forest моделін баптау

Кодты ArcGIS Компиляторға көшір және іске қос
n_estimators мәнін 10-ға өзгерт — дәлдік қалай өзгерді?
n_estimators мәнін 200-ге өзгерт — дәлдік қалай өзгерді?
Қай белгі ең маңызды? Неге солай деп ойлайсың?
Нәтижені мұғалімге жібер

💡 Кеңес: Геофизикада биіктік (рельеф) сейсмикалық белсенділікпен тығыз байланысты — тау аймақтарында жер сілкіну жиі болады. Сондықтан биіктік белгісі маңыздырақ.

Модуль 03 · 1.4–1.5

ArcGIS Python API

🌍 ArcGIS дегеніміз не?

ArcGIS — Esri компаниясының географиялық ақпараттық жүйесі (ГАЖ). Бүкіл әлемде геологтар, геофизиктер, экологтар және урбанистер қолданады. ArcGIS арқылы картаны жасап, геофизикалық деректерді визуализациялап, кеңістіктік талдау жүргізуге болады.

ArcGIS Python API — ArcGIS-ті Python арқылы басқаруға мүмкіндік береді. Картаны кодпен жасайсың, деректерді жүктейсің, талдайсың.

🔑 Негізгі объектілер

GIS() — ArcGIS Online-ға қосылу. Авторизациясыз қосылсаң — анонимді режим
gis.map() — интерактивті карта жасайды. Орынды және масштабты көрсетуге болады
FeatureLayer — картадағы деректер қабаты (layer). Нүктелер, сызықтар, полигондар
SpatialDataFrame — геодеректермен жұмыс жасайтын DataFrame

🗺️ Геофизикада ArcGIS қолданылуы

Сейсмикалық станциялардың орналасуын картаға түсіру
Гравитациялық аномалиялар картасын жасау
Тектоникалық жарылымдарды (fault lines) визуализациялау
Мұнай-газ кен орындарын анықтау және картаға белгілеу

💻 Код талдауы

arcgis_connect.pyArcGIS Python API
from arcgis.gis import GIS
import pandas as pd

# ArcGIS Online-ға анонимді қосылу
gis = GIS()
print(f"Қосылды: {gis.url}")
print(f"Нұсқа: ArcGIS 10.9")

# Қазақстан картасын ашу
karta = gis.map('Қазақстан', zoomlevel=5)
print("Карта ашылды!")

# Геофизикалық бекеттер
stations = pd.DataFrame({
    'атауы':  ['Алматы', 'Астана', 'Шымкент'],
    'ендік':  [43.24, 51.18, 42.30],
    'бойлық': [76.89, 71.45, 69.60]
})
print(stations)
# MAP_SHOW

from arcgis.gis import GIS

arcgis.gis модулінен GIS класын импорттаймыз

gis = GIS()

ArcGIS-ке анонимді қосылу. gis — біздің жұмыс кеңістігіміз

gis.map('Қазақстан', zoomlevel=5)

Қазақстанды орталыққа алған карта. zoomlevel=5 — мемлекет деңгейіндегі масштаб

# MAP_SHOW

Компилятор картаны автоматты көрсету үшін арнайы тег

→ Қосылды: https://www.arcgis.com
→ Нұсқа: ArcGIS 10.9
→ Карта ашылды!
✓ 1.4–1.5 аяқталды!

📝 Тапсырма

Өз геофизикалық картаңды жаса

Кодты ArcGIS Компиляторға көшір
stations DataFrame-ге 3 жаңа қала қос (Өскемен, Ақтау, Атырау)
Жаңа баған қос: 'сейсмикалық_қауіп' — 1-ден 4-ке дейін баға бер
Кодты іске қос, карта ашылды ма — тексер
Нәтижені мұғалімге жібер

💡 Кеңес: Алматының сейсмикалық қауіпі ең жоғары (4), себебі ол Іле Алатауы тауларының жанында орналасқан. Астана жазықта болғандықтан қауіп төмен (1).

Зертханалық жұмыс 2.1

Кітапханаларды орнату және тексеру

📦 Python кітапханалары дегеніміз не?

Кітапхана (library) — басқа бағдарламашылар жазған дайын код жинағы. Оны импорттап, функцияларын пайдалана аласың. pip — Python-ның пакет менеджері, кітапханаларды интернеттен жүктейді.

numpy — сандық есептеулер, матрицалар, массивтер
pandas — деректер кестесімен жұмыс (DataFrame)
scikit-learn (sklearn) — машиналық оқыту алгоритмдері
arcgis — ArcGIS Python API, картамен жұмыс

🔍 Нұсқаны тексеру неге маңызды?

Бағдарламаны басқа компьютерде іске қосқанда нұсқалар сәйкес келмеуі мүмкін — бұл қателерге әкеледі. __version__ арқылы қандай нұсқа орнатылғанын тексереміз. Командалық жолда pip install кітапхана_аты деп жазып орнатамыз.

💻 Код талдауы

install_check.pyPython
# Терминалда орнату командалары:
# pip install numpy pandas scikit-learn arcgis

import sklearn, pandas, numpy

# Орнатылған нұсқаларды тексеру
print(f"sklearn нұсқасы: {sklearn.__version__}")
print(f"pandas нұсқасы:  {pandas.__version__}")
print(f"numpy нұсқасы:   {numpy.__version__}")
print("✓ Барлық кітапханалар дайын!")

import sklearn, pandas, numpy

Үш кітапхананы бірден импорттаймыз. Қате шықса — орнатылмаған

sklearn.__version__

Кітапхананың нұсқа нөмірі. Барлық кітапханада бар арнайы атрибут

f"sklearn: {sklearn.__version__}"

f-string — айнымалыны мәтін ішіне {} арқылы қою тәсілі

→ sklearn нұсқасы: 1.4.0
→ pandas нұсқасы: 2.1.4
→ numpy нұсқасы: 1.26.3
✓ Барлық кітапханалар дайын!

📝 Тапсырма

Кітапханаларды зерттей

Кодты Компиляторға көшіріп іске қос
import math қос және math.pi мен math.sqrt(144) шығар
import sys қос және sys.version — Python нұсқасын шығар
Нәтижені мұғалімге жібер

💡 Кеңес: math.sqrt(144) = 12.0 болуы керек. sys.version Python-ның толық нұсқасын көрсетеді.

Зертханалық жұмыс 2.2

Информатика + Математика · NumPy

🔢 NumPy және матрицалар

NumPy (Numerical Python) — ғылыми есептеулерге арналған кітапхана. Негізгі объектісі — ndarray (n өлшемді массив). Матрицалар, векторлар, тензорлар — бәрі ndarray.

Геофизикада матрицалар кеңінен қолданылады: сейсмикалық толқындарды моделдеу, гравитациялық өрісті есептеу, инверсия есептері — бәрі матрицалық амалдарға негізделген.

📐 Матрица амалдары

np.linalg.det(A) — детерминант. Егер = 0 болса, матрица сингулярлы (кері жоқ)
np.linalg.inv(A) — кері матрица. Ax = b теңдеуін шешуге қолданылады
np.linalg.eig(A) — меншікті мәндер мен векторлар (сейсмикада маңызды)
np.dot(A, B) — матрицаларды көбейту
A.T — транспозиция

💻 Код талдауы

math_lab.pyNumPy · Линейная алгебра
import numpy as np

# Геофизикалық мәселе: сейсмикалық толқын тензоры
A = np.array([[2, 1],
              [5, 3]])

print("Матрица A:")
print(A)
print(f"
Детерминант: {np.linalg.det(A):.1f}")
print("
Кері матрица A⁻¹:")
print(np.linalg.inv(A))
print("
Транспозиция A.T:")
print(A.T)

np.array([[2,1],[5,3]])

2×2 матрица жасаймыз. [[жол1],[жол2]] форматы

np.linalg.det(A)

Детерминант = 2×3 - 1×5 = 6-5 = 1. Нөлден өзгеше → кері матрица бар

np.linalg.inv(A)

Кері матрица: A × A⁻¹ = E (бірлік матрица). Геофизикалық инверсияда қолданылады

A.T

Транспозиция — жолдар мен бағандарды ауыстырады

→ Детерминант: 1.0
→ Кері матрица: [[3,-1],[-5,2]]
→ Транспозиция: [[2,5],[1,3]]
✓ 2.2 аяқталды!

📝 Тапсырма

Матрицалармен геофизикалық есеп шеш

Кодты Компиляторға көшір
3×3 матрица жаса: B = np.array([[1,2,3],[4,5,6],[7,8,9]])
np.linalg.det(B) — детерминантты шығар. Неге 0-ге тең?
np.linalg.eig(A) — A матрицасының меншікті мәндерін шығар
Нәтижені мұғалімге жібер

💡 Кеңес: B матрицасының детерминанты 0, себебі 3-ші жол 1-ші және 2-ші жолдың линейлік комбинациясы. Мұндай матрица сингулярлы деп аталады.

Зертханалық жұмыс 2.3

Информатика + География · Геодеректер

🌐 Географиялық координаттар

Жер бетіндегі кез-келген нүктенің орны екі санмен анықталады: ендік (latitude) және бойлық (longitude). Ендік — экватордан солтүстік/оңтүстікке қарай бұрыш (-90°...+90°). Бойлық — Гринвич меридианынан шығысқа (-180°...+180°).

Геофизикалық зерттеулерде координаттар өте маңызды — сейсмикалық станция, ұңғыма, өлшеу нүктесінің орнын дәл белгілеуге керек.

📏 Хаверсин формуласы

Екі географиялық нүктенің арасындағы қашықтықты есептеу үшін жай Пифагор теоремасы жұмыс жасамайды — Жер шар тәрізді. Хаверсин формуласы жер бетінің қисықтығын ескереді және дәл нәтиже береді.

💻 Код талдауы

geo_lab.pyPandas · Геодеректер
import pandas as pd
import numpy as np

# Қазақстан сейсмикалық бекеттері
cities = pd.DataFrame({
    'қала':      ['Алматы', 'Астана', 'Шымкент'],
    'ендік':     [43.24,   51.18,   42.30],
    'бойлық':    [76.89,   71.45,   69.60],
    'биіктік_м': [847,     347,     580]
})
print("Геофизикалық бекеттер:")
print(cities)

# Хаверсин формуласы — екі нүкте арасындағы қашықтық
def haversine(lat1, lon1, lat2, lon2):
    R = 6371  # Жер радиусы, км
    dlat = np.radians(lat2 - lat1)
    dlon = np.radians(lon2 - lon1)
    a = np.sin(dlat/2)**2 + np.cos(np.radians(lat1)) * np.cos(np.radians(lat2)) * np.sin(dlon/2)**2
    return R * 2 * np.arctan2(np.sqrt(a), np.sqrt(1-a))

d = haversine(43.24, 76.89, 51.18, 71.45)
print(f"
Алматы → Астана: {d:.0f} км")
print(f"Орташа биіктік: {cities['биіктік_м'].mean():.0f} м")

'ендік': [43.24, 51.18, 42.30]

Географиялық ендік градуспен. Алматы — 43.24°N (солтүстік жарты шар)

'биіктік_м': [847, 347, 580]

Теңіз деңгейінен биіктік метрмен. Геофизикалық модельдеуде маңызды

R = 6371

Жердің орта радиусы километрмен

np.radians()

Градустарды радианға аударады. sin/cos радианмен жұмыс жасайды

cities['биіктік_м'].mean()

Бағанның орташа мәні. Pandas-та кез-келген бағанға қолданылады

→ Алматы: ендік=43.24, бойлық=76.89, биіктік=847м
→ Астана: ендік=51.18, бойлық=71.45, биіктік=347м
→ Алматы → Астана: 1226 км
→ Орташа биіктік: 591 м
✓ 2.3 аяқталды!

📝 Тапсырма

Геофизикалық бекеттер арасындағы қашықтықты есепте

Кодты Компиляторға көшір
DataFrame-ге Өскемен (49.97, 82.61, 302м) және Ақтау (43.65, 51.16, 27м) қос
haversine функциясымен Алматыдан Өскеменге қашықтықты шығар
cities['биіктік_м'].max() — ең биік бекетті анықта
Нәтижені мұғалімге жібер

💡 Кеңес: Алматыдан Өскеменге дейінгі қашықтық шамамен 900 км. haversine(43.24, 76.89, 49.97, 82.61) деп жаз.

Зертханалық жұмыс 2.4

ArcGIS + ML · Аномалияларды анықтау

🔍 Аномалия дегеніміз не?

Аномалия (Anomaly) — жалпы үлгіден айтарлықтай ерекшеленетін мән. Геофизикада аномалия маңызды ақпаратты береді: жер астындағы тығыздық өзгерісі, тектоникалық белсенділік, мұнай-газ қоры немесе кен орны.

Мысалы: гравитациялық аномалия — жер астында ауыр тау жынысының немесе металл кен орнының белгісі болуы мүмкін.

🌳 Isolation Forest алгоритмі

Isolation Forest — аномалияларды анықтауға арналған алгоритм. Негізгі идея: аномальды нүктелерді қалыпты нүктелерден оқшаулау оңайырақ. Алгоритм кездейсоқ ағаштар жасап, қай нүктелер тезірек оқшауланатынын анықтайды.

contamination=0.05 — деректердің 5% аномалия деп есептейміз
fit_predict() — үйретеді және болжайды: +1 (қалыпты), -1 (аномалия)

💻 Код талдауы

anomaly_detection.pyArcGIS · ML · IsolationForest
import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest

# Гравитациялық өріс өлшемдері (мГал)
np.random.seed(42)
n = 200
df = pd.DataFrame({
    'ендік':      np.random.uniform(42, 52, n),
    'бойлық':     np.random.uniform(50, 85, n),
    'гравитация': np.random.normal(980.0, 2.5, n)
})
# Жасанды аномалиялар қосамыз (кен орны имитациясы)
df.loc[:9, 'гравитация'] = np.random.uniform(990, 1000, 10)

# Isolation Forest — аномалияларды анықтау
iso = IsolationForest(contamination=0.05, random_state=42)
df['белгі'] = iso.fit_predict(df[['гравитация']])

anomalies = df[df['белгі'] == -1]
print(f"Жалпы өлшемдер: {len(df)}")
print(f"Аномалиялар: {len(anomalies)}")
print("
Аномальды нүктелер (мүмкін кен орындары):")
print(anomalies[['ендік','бойлық','гравитация']].head())
print("
✓ CSV → ArcGIS Online-ға дайын!")
# MAP_SHOW

np.random.seed(42)

Кездейсоқтықты бекітеміз — нәтиже әрдайым бірдей болады

np.random.normal(980.0, 2.5, n)

Қалыпты таралу: орташа=980 мГал, стандартты ауытқу=2.5, n=200 нүкте

df.loc[:9, 'гравитация'] = ...

Алғашқы 10 нүктені аномальды мәндермен ауыстырамыз (кен орны имитациясы)

contamination=0.05

5% — аномалия деп күтеміз. 200 нүктеден шамамен 10 аномалия

df['белгі'] == -1

-1 = аномалия, +1 = қалыпты нүкте. Аномалияларды сүзіп аламыз

→ Жалпы өлшемдер: 200
→ Аномалиялар: 10
→ Аномальды нүктелер (мүмкін кен орындары) табылды
→ CSV → ArcGIS Online-ға дайын!
✓ 2.4 аяқталды!

📝 Тапсырма

Аномалия анықтау жүйесін жетілдір

Кодты Компиляторға көшіріп іске қос
contamination мәнін 0.1-ге өзгерт — аномалиялар саны қалай өзгерді?
DataFrame-ге жаңа баған қос: 'магниттік_өріс' — np.random.normal(50000, 1000, n)
IsolationForest-ке екі белгі бер: df[['гравитация', 'магниттік_өріс']]
Нәтижені мұғалімге жібер — карта ашылды ма?

💡 Кеңес: Нақты геофизикада гравитациялық және магниттік аномалияларды бірге қарастырады — бұл кен орнын анықтаудың дәлдігін арттырады. Мысалы темір кені — магниттік аномалия да, гравитациялық аномалия да береді.

Дипломдық жұмыс · 2026

Менің прогресім

0

Аяқталды

0%

Үлгерім

7

Барлығы

Модульдер мен бағалар

⌨ GeoAI · ArcGIS COMPILER

AI-СИМУЛЯТОР

Python 3.11 · ArcGIS 10.9

✓ Кодты жазып орындаған соң мұғалімге жіберіңіз

Жіберілді ✓

arcgis_notebook.py · Python 3.11

Output

КОНСОЛЬ

КАРТА 🗺

GeoAI Compiler v1.0 — Іске қосуға дайын ▮

Сейсмик қауіп

Жоғары (4)

Орта жоғары (3)

Орта (2)

Төмен (1)

Үлгілер

Дайын