Поле цифровой дидактики - Вклад [ru]

Мировая сейсмическая активность за последние 30 дней

2026-04-14T09:09:26Z

PolezhaevaMA:

= Мониторинг мировой сейсмической активности =

== Общая информация ==
* '''Авторы:''' Студентки группы [[Категория:ИНДОР-211]] - [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ВИЗУАЛИЗАЦИЯ
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# СТАТИСТИКА

print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:Магнитура.png|thumb|center|1000px|Динамика магнитуды за последние 30 дней]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
[[Файл:Глубина очага.png|thumb|center|1000px|Глубина очага землетрясения]]
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
[[Файл:Широта эпицентра.png|thumb|center|1000px|Широта эпицентра]]
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || 549
|-
| Максимальная магнитуда || 7.5 М
|-
| Средняя магнитуда || 4.86 М
|-
| Максимальная глубина || 650 км
|-
| Минимальная глубина || 6 км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые технологии ==
{| class="wikitable" style="width: 100%;"
|-
! style="width: 20%;" | Компонент
! style="width: 25%;" | Технология
! style="width: 55%;" | Назначение
|-
| '''API''' || USGS FDSN Web Service || Получение данных о землетрясениях в реальном времени
|-
| '''Язык программирования''' || Python || Основной язык разработки
|-
| '''HTTP-запросы''' || Requests || Отправка запросов к API и получение ответов
|-
| '''Обработка данных''' || Pandas || Структурирование, фильтрация и анализ данных
|-
| '''Визуализация''' || Matplotlib || Построение графиков магнитуды, глубины и широты
|-
| '''Работа с JSON''' || json || Парсинг ответов API
|-
| '''Работа с данными''' || datetime || Вычисление временных интервалов
|-
| '''Формат хранения''' || CSV || Сохранение результатов для дальнейшего анализа
|}

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:ИНДОР-211]]
[[Категория:Работы ИНДОР-211]]

Анализ президентских выборов в России (2018)

2026-04-14T07:07:25Z

PolezhaevaMA:

= Анализ президентских выборов в России (2018) =

== Общая информация ==
* '''Авторы:''' Студентки группы [[Категория:ИНДОР-211]] - [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
* '''Дата исследования:''' 13 апреля 2026
* '''Источник:''' Russian Presidential Elections 2018 Voting Data
* '''Платформа:''' Kaggle
* '''Дата публикации:''' 30 апреля 2018 г.

=== Исходные данные ===

* '''Файл:''' voting_data_eng.csv (8.9 MB)
* '''Структура:''' 94 487 строк (избирательных участков), 23 столбца
* '''Регионов:''' 85
* '''Ссылка:''' https://www.kaggle.com/datasets/valenzione/russian-presidental-elections-2018-voting-data

== Описание исследования ==

=== Цель ===
Проанализировать результаты президентских выборов в России 2018 года на уровне избирательных участков и регионов.

=== Задачи ===
# Выявить распределение голосов между кандидатами
# Сравнить явку избирателей по регионам
# Определить регионы-лидеры по количеству голосов за Путина
# Найти связь между явкой и поддержкой основного кандидата

=== Гипотеза ===
На участках с более высокой явкой доля голосов за основного кандидата выше, чем на участках с низкой явкой.

== Используемые технологии ==

{| class="wikitable"
! Технология !! Назначение
|-
| R 4.5.3 || Язык программирования
|-
| RStudio || Среда разработки
|-
| dplyr || Обработка и агрегация данных
|-
| ggplot2 || Визуализация (создание графика)
|-
| tidyr || Преобразование форматов данных
|-
| scales || Форматирование процентов
|}

== Программный код ==

<syntaxhighlight lang="R">
# АНАЛИЗ ПРЕЗИДЕНТСКИХ ВЫБОРОВ В РОССИИ 2018

library(dplyr)
library(ggplot2)
library(readr)
library(tidyr)
library(scales)

# 1. ЗАГРУЗКА ДАННЫХ
votes <- read_csv("voting_data_eng.csv")

# 2. ПРЕДОБРАБОТКА
votes_clean <- votes %>%
mutate(
total_voters = `Number of voters enlisted`,
Putin_votes = `Putin Vladimir Vladimirovich`,
Putin_share = Putin_votes / total_voters,
Grudinin_share = `Grudinin Pavel Nikolaevich` / total_voters,
Zhirinovskiy_share = `Zhirinovskiy Vladimir Volfovich` / total_voters,
Sobchak_share = `Sobchak Ksenia Anatolyevna` / total_voters,
Yavlinskiy_share = `Yavlinskiy Gregory Alekseivich` / total_voters,
turnout = `Number of valid ballot papers` / total_voters
) %>%
filter(total_voters >= 10, Putin_share <= 1, Putin_share >= 0)

# 3. ГРАФИК 1: КРУГОВАЯ ДИАГРАММА
pie_data <- votes_clean %>%
summarise(
Путин = sum(Putin_votes),
Грудинин = sum(`Grudinin Pavel Nikolaevich`),
Жириновский = sum(`Zhirinovskiy Vladimir Volfovich`),
Собчак = sum(`Sobchak Ksenia Anatolyevna`),
Явлинский = sum(`Yavlinskiy Gregory Alekseivich`)
) %>%
pivot_longer(everything(), names_to = "candidate", values_to = "votes") %>%
mutate(percentage = votes / sum(votes) * 100)

p1 <- ggplot(pie_data, aes(x = "", y = percentage, fill = candidate)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y", start = 0) +
geom_text(aes(label = paste0(round(percentage, 1), "%")),
position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = c("#1E88E5", "#E53935", "#FFC107", "#8E24AA", "#43A047")) +
labs(title = "Распределение голосов по кандидатам") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))

ggsave("graph1_pie.png", p1, width = 8, height = 8, dpi = 300)

# 4. ГРАФИК 2: ЯВКА ПО РЕГИОНАМ
turnout_by_region <- votes_clean %>%
group_by(region_name) %>%
summarise(turnout = mean(turnout) * 100) %>%
arrange(desc(turnout)) %>% head(20)

p2 <- ggplot(turnout_by_region, aes(x = reorder(region_name, turnout), y = turnout, fill = turnout)) +
geom_bar(stat = "identity") +
scale_fill_gradient(low = "lightblue", high = "darkblue") +
coord_flip() +
labs(title = "Топ-20 регионов по явке", x = "", y = "Явка (%)") +
theme_minimal()

ggsave("graph2_turnout.png", p2, width = 10, height = 8, dpi = 300)

# 5. ГРАФИК 3: ПУТИН vs ЯВКА
p3 <- ggplot(votes_clean, aes(x = turnout * 100, y = Putin_share * 100)) +
geom_point(alpha = 0.1, size = 0.5, color = "steelblue") +
geom_smooth(method = "lm", color = "red", se = TRUE) +
labs(title = "Зависимость доли Путина от явки",
x = "Явка (%)", y = "Доля Путина (%)") +
theme_minimal()

ggsave("graph3_putin_turnout.png", p3, width = 10, height = 6, dpi = 300)

# 6. ГРАФИК 4: ГОЛОСА ЗА ПУТИНА ПО ГОРОДАМ
cities_data <- votes_clean %>%
group_by(region_name) %>%
summarise(votes = sum(Putin_votes) / 1000) %>%
arrange(desc(votes)) %>% head(20)

p4 <- ggplot(cities_data, aes(x = reorder(region_name, votes), y = votes, fill = votes)) +
geom_bar(stat = "identity") +
scale_fill_gradient(low = "lightcoral", high = "darkred") +
coord_flip() +
labs(title = "Голоса за Путина по городам (тыс.)", x = "", y = "Тысяч голосов") +
theme_minimal()

ggsave("graph4_cities.png", p4, width = 12, height = 8, dpi = 300)

# 7. СТАТИСТИКА
total_stats <- votes_clean %>%
summarise(
Путин = round(mean(Putin_share) * 100, 1),
Грудинин = round(mean(Grudinin_share) * 100, 1),
Жириновский = round(mean(Zhirinovskiy_share) * 100, 1),
Явка = round(mean(turnout) * 100, 1)
)

cor_putin_turnout <- cor(votes_clean$Putin_share, votes_clean$turnout)

print(total_stats)
print(paste("Корреляция Путин ↔ Явка:", round(cor_putin_turnout, 3)))
</syntaxhighlight>

== Результаты ==

=== График 1. Распределение голосов по кандидатам ===
[[Файл:graph1_candidates_distribution.png|thumb|center|500px|Круговая диаграмма распределения голосов по кандидатам]]

'''Анализ:'''
* Путин — 79.2% голосов
* Грудинин — 12.1%
* Жириновский — 5.9%
* Собчак — 1.7%
* Явлинский — 1.1%

=== График 2. Явка по регионам ===
[[Файл:graph2_turnout_by_region.png|thumb|center|800px|Топ-20 регионов по явке избирателей]]

'''Анализ:'''
* Самые высокие показатели явки: Чеченская Республика (95%), Дагестан (92%), Тыва (90%)
* Самые низкие: крупные города (Москва — 65%, Санкт-Петербург — 68%)

=== График 3. Зависимость доли голосов за Путина от явки ===
[[Файл:graph3_putin_vs_turnout.png|thumb|center|800px|Корреляция явки и доли голосов за Путина]]

'''Анализ:'''
* Корреляция: '''+0.929''' (очень сильная положительная)
* На участках с высокой явкой доля Путина значительно выше

=== График 4. Количество голосов за Путина по городам ===
[[Файл:graph4_putin_votes_by_city.png|thumb|center|800px|Топ-20 регионов по числу голосов за Путина]]

== Выводы ==

=== Подтверждение гипотезы ===
Гипотеза о положительной связи между явкой и поддержкой основного кандидата '''подтвердилась'''. Коэффициент корреляции 0.929 указывает на очень сильную зависимость.
=== Практическая значимость ===
* Разработан воспроизводимый R-рецепт для анализа выборов
* Создана методика визуализации электоральной статистики
* Результаты могут использоваться для политологических исследований

== Используемые источники ==
* Kaggle - Russian Presidential Elections 2018 Voting Data: https://www.kaggle.com/datasets/valenzione/russian-presidental-elections-2018-voting-data
* Документация R: https://www.r-project.org/
* Документация ggplot2: https://ggplot2.tidyverse.org/

[[Категория:ИНДОР-211]]
[[Категория:Работы ИНДОР-211]]
[[Категория:RRecipe]]
[[Категория:BigDataWorks]]

Мировая сейсмическая активность за последние 30 дней

2026-04-14T06:50:47Z

PolezhaevaMA:

Анализ президентских выборов в России (2018)

2026-04-14T06:46:28Z

PolezhaevaMA:

= Анализ президентских выборов в России (2018) =

== Общая информация ==
* '''Авторы:''' Студентки группы [[Категория:ИНДОР-211]] - [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
* '''Дата исследования:''' 13 апреля 2026
* '''Источник:''' Russian Presidential Elections 2018 Voting Data
* '''Платформа:''' Kaggle
* '''Дата публикации:''' 30 апреля 2018 г.

=== Исходные данные ===

* '''Файл:''' voting_data_eng.csv (8.9 MB)
* '''Структура:''' 94 487 строк (избирательных участков), 23 столбца
* '''Регионов:''' 85
* '''Ссылка:''' https://www.kaggle.com/datasets/valenzione/russian-presidental-elections-2018-voting-data

== Описание исследования ==

=== Цель ===
Проанализировать результаты президентских выборов в России 2018 года на уровне избирательных участков и регионов.

=== Задачи ===
# Выявить распределение голосов между кандидатами
# Сравнить явку избирателей по регионам
# Определить регионы-лидеры по количеству голосов за Путина
# Найти связь между явкой и поддержкой основного кандидата

=== Гипотеза ===
На участках с более высокой явкой доля голосов за основного кандидата выше, чем на участках с низкой явкой.

== Используемые технологии ==

{| class="wikitable"
! Технология !! Назначение
|-
| R 4.5.3 || Язык программирования
|-
| RStudio || Среда разработки
|-
| dplyr || Обработка и агрегация данных
|-
| ggplot2 || Визуализация (создание графика)
|-
| tidyr || Преобразование форматов данных
|-
| scales || Форматирование процентов
|}

== Программный код ==

<syntaxhighlight lang="R">
# АНАЛИЗ ПРЕЗИДЕНТСКИХ ВЫБОРОВ В РОССИИ 2018

library(dplyr)
library(ggplot2)
library(readr)
library(tidyr)
library(scales)

# 1. ЗАГРУЗКА ДАННЫХ
votes <- read_csv("voting_data_eng.csv")

# 2. ПРЕДОБРАБОТКА
votes_clean <- votes %>%
mutate(
total_voters = `Number of voters enlisted`,
Putin_votes = `Putin Vladimir Vladimirovich`,
Putin_share = Putin_votes / total_voters,
Grudinin_share = `Grudinin Pavel Nikolaevich` / total_voters,
Zhirinovskiy_share = `Zhirinovskiy Vladimir Volfovich` / total_voters,
Sobchak_share = `Sobchak Ksenia Anatolyevna` / total_voters,
Yavlinskiy_share = `Yavlinskiy Gregory Alekseivich` / total_voters,
turnout = `Number of valid ballot papers` / total_voters
) %>%
filter(total_voters >= 10, Putin_share <= 1, Putin_share >= 0)

# 3. ГРАФИК 1: КРУГОВАЯ ДИАГРАММА
pie_data <- votes_clean %>%
summarise(
Путин = sum(Putin_votes),
Грудинин = sum(`Grudinin Pavel Nikolaevich`),
Жириновский = sum(`Zhirinovskiy Vladimir Volfovich`),
Собчак = sum(`Sobchak Ksenia Anatolyevna`),
Явлинский = sum(`Yavlinskiy Gregory Alekseivich`)
) %>%
pivot_longer(everything(), names_to = "candidate", values_to = "votes") %>%
mutate(percentage = votes / sum(votes) * 100)

p1 <- ggplot(pie_data, aes(x = "", y = percentage, fill = candidate)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y", start = 0) +
geom_text(aes(label = paste0(round(percentage, 1), "%")),
position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = c("#1E88E5", "#E53935", "#FFC107", "#8E24AA", "#43A047")) +
labs(title = "Распределение голосов по кандидатам") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))

ggsave("graph1_pie.png", p1, width = 8, height = 8, dpi = 300)

# 4. ГРАФИК 2: ЯВКА ПО РЕГИОНАМ
turnout_by_region <- votes_clean %>%
group_by(region_name) %>%
summarise(turnout = mean(turnout) * 100) %>%
arrange(desc(turnout)) %>% head(20)

p2 <- ggplot(turnout_by_region, aes(x = reorder(region_name, turnout), y = turnout, fill = turnout)) +
geom_bar(stat = "identity") +
scale_fill_gradient(low = "lightblue", high = "darkblue") +
coord_flip() +
labs(title = "Топ-20 регионов по явке", x = "", y = "Явка (%)") +
theme_minimal()

ggsave("graph2_turnout.png", p2, width = 10, height = 8, dpi = 300)

# 5. ГРАФИК 3: ПУТИН vs ЯВКА
p3 <- ggplot(votes_clean, aes(x = turnout * 100, y = Putin_share * 100)) +
geom_point(alpha = 0.1, size = 0.5, color = "steelblue") +
geom_smooth(method = "lm", color = "red", se = TRUE) +
labs(title = "Зависимость доли Путина от явки",
x = "Явка (%)", y = "Доля Путина (%)") +
theme_minimal()

ggsave("graph3_putin_turnout.png", p3, width = 10, height = 6, dpi = 300)

# 6. ГРАФИК 4: ГОЛОСА ЗА ПУТИНА ПО ГОРОДАМ
cities_data <- votes_clean %>%
group_by(region_name) %>%
summarise(votes = sum(Putin_votes) / 1000) %>%
arrange(desc(votes)) %>% head(20)

p4 <- ggplot(cities_data, aes(x = reorder(region_name, votes), y = votes, fill = votes)) +
geom_bar(stat = "identity") +
scale_fill_gradient(low = "lightcoral", high = "darkred") +
coord_flip() +
labs(title = "Голоса за Путина по городам (тыс.)", x = "", y = "Тысяч голосов") +
theme_minimal()

ggsave("graph4_cities.png", p4, width = 12, height = 8, dpi = 300)

# 7. СТАТИСТИКА
total_stats <- votes_clean %>%
summarise(
Путин = round(mean(Putin_share) * 100, 1),
Грудинин = round(mean(Grudinin_share) * 100, 1),
Жириновский = round(mean(Zhirinovskiy_share) * 100, 1),
Явка = round(mean(turnout) * 100, 1)
)

cor_putin_turnout <- cor(votes_clean$Putin_share, votes_clean$turnout)

print(total_stats)
print(paste("Корреляция Путин ↔ Явка:", round(cor_putin_turnout, 3)))
</syntaxhighlight>

== 5. Результаты ==

=== График 1. Распределение голосов по кандидатам ===
[[Файл:graph1_candidates_distribution.png|thumb|center|500px|Круговая диаграмма распределения голосов по кандидатам]]

'''Анализ:'''
* Путин — 79.2% голосов
* Грудинин — 12.1%
* Жириновский — 5.9%
* Собчак — 1.7%
* Явлинский — 1.1%

=== График 2. Явка по регионам ===
[[Файл:graph2_turnout_by_region.png|thumb|center|800px|Топ-20 регионов по явке избирателей]]

'''Анализ:'''
* Самые высокие показатели явки: Чеченская Республика (95%), Дагестан (92%), Тыва (90%)
* Самые низкие: крупные города (Москва — 65%, Санкт-Петербург — 68%)

=== График 3. Зависимость доли голосов за Путина от явки ===
[[Файл:graph3_putin_vs_turnout.png|thumb|center|800px|Корреляция явки и доли голосов за Путина]]

'''Анализ:'''
* Корреляция: '''+0.929''' (очень сильная положительная)
* На участках с высокой явкой доля Путина значительно выше

=== График 4. Количество голосов за Путина по городам ===
[[Файл:graph4_putin_votes_by_city.png|thumb|center|800px|Топ-20 регионов по числу голосов за Путина]]

== Выводы ==

=== Подтверждение гипотезы ===
Гипотеза о положительной связи между явкой и поддержкой основного кандидата '''подтвердилась'''. Коэффициент корреляции 0.929 указывает на очень сильную зависимость.

Файл:Graph2 turnout by region.png

2026-04-14T06:33:14Z

PolezhaevaMA:

Файл:Graph1 candidates distribution.png

2026-04-14T06:32:11Z

PolezhaevaMA:

Файл:Graph3 putin vs turnout.png

2026-04-14T06:31:46Z

PolezhaevaMA:

Файл:Graph4 putin votes by city.png

2026-04-14T06:30:57Z

PolezhaevaMA:

Анализ президентских выборов в России (2018)

2026-04-14T06:25:57Z

PolezhaevaMA: Добавлен программный код

Анализ президентских выборов в России (2018)

2026-04-14T06:21:13Z

PolezhaevaMA:

Анализ президентских выборов в России (2018)

2026-04-14T01:46:02Z

PolezhaevaMA: заполнена основная информация по проекту, а также цели, задачи и гипотеза

Перемещение и миграция животных

2026-04-13T23:09:56Z

PolezhaevaMA: Полностью удалено содержимое страницы

Мировая сейсмическая активность за последние 30 дней

2026-04-13T23:08:05Z

PolezhaevaMA: добавлены технологии, добавлен 3 график, заполнены статистические результаты

Участник:PolezhaevaMA

2026-04-13T23:05:36Z

PolezhaevaMA:

{{UserMGPU
|Field_of_knowledge=Математика, Информатика, Робототехника, Педагогика, Образование, Моделирование
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
|Working_On=Процесс отбора и появления новых пород, Обучение педагогов и учеников, Мировая сейсмическая активность за последние 30 дней
}}
----
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Файл:Широта эпицентра.png

2026-04-13T22:38:37Z

PolezhaevaMA:

Мировая сейсмическая активность за последние 30 дней

2026-04-13T22:35:08Z

PolezhaevaMA:

= Мониторинг мировой сейсмической активности =

== Общая информация ==
* '''Автор:''' Студент(ки) группы ИНДОР-211 - [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ВИЗУАЛИЗАЦИЯ
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# СТАТИСТИКА

print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:Магнитура.png|thumb|center|800px|Динамика магнитуды за последние 30 дней]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
[[Файл:Глубина очага.png|thumb|center|2000px|Глубина очага землетрясения]]
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
[[Файл:Широта эпицентра.png|thumb|center|2000px|Глубина очага землетрясения]]
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || (заполняется после выполнения)
|-
| Максимальная магнитуда || M (заполняется)
|-
| Средняя магнитуда || M (заполняется)
|-
| Максимальная глубина || (заполняется) км
|-
| Минимальная глубина || (заполняется) км
|-
| Средняя глубина || (заполняется) км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:ИНДОР-211]]
[[Категория:Исследовательские проекты]]
[[Категория:Анализ данных]]
[[Категория:Сейсмология]]

Мировая сейсмическая активность за последние 30 дней

2026-04-13T22:32:39Z

PolezhaevaMA:

= Мониторинг мировой сейсмической активности =

== Общая информация ==
* '''Автор:''' Студент(ки) группы ИНДОР-211 - [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ВИЗУАЛИЗАЦИЯ
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# СТАТИСТИКА

print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:Магнитура.png|thumb|center|800px|Динамика магнитуды за последние 30 дней]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
[[Файл:Глубина очага.png|thumb|center|2000px|Глубина очага землетрясения]]
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || (заполняется после выполнения)
|-
| Максимальная магнитуда || M (заполняется)
|-
| Средняя магнитуда || M (заполняется)
|-
| Максимальная глубина || (заполняется) км
|-
| Минимальная глубина || (заполняется) км
|-
| Средняя глубина || (заполняется) км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:ИНДОР-211]]
[[Категория:Исследовательские проекты]]
[[Категория:Анализ данных]]
[[Категория:Сейсмология]]

Файл:Глубина очага.png

2026-04-13T22:13:23Z

PolezhaevaMA:

Мировая сейсмическая активность за последние 30 дней

2026-04-13T22:11:26Z

PolezhaevaMA: Добавлены категории и график

= Мониторинг мировой сейсмической активности =

== Общая информация ==
* '''Автор:''' Студент(ки) группы ИНДОР-211 - [[User:PolezhaevaMA]] [[User:Самира Мохаммад]]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней
* '''Порог магнитуды:''' M ≥ 4.5

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# ==================================================
# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
# ==================================================
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ==================================================
# ВИЗУАЛИЗАЦИЯ (ТРИ ГРАФИКА)
# ==================================================
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда (как температура)
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина (как осадки)
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра (как скорость ветра)
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# ==================================================
# СТАТИСТИКА
# ==================================================
print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:Магнитура.png|thumb|center|800px|Динамика магнитуды за последние 30 дней]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
[[Файл:Магнитура.png|thumb|center|800px|Динамика магнитуды за последние 30 дней]]
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || (заполняется после выполнения)
|-
| Максимальная магнитуда || M (заполняется)
|-
| Средняя магнитуда || M (заполняется)
|-
| Максимальная глубина || (заполняется) км
|-
| Минимальная глубина || (заполняется) км
|-
| Средняя глубина || (заполняется) км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:ИНДОР-211]]
[[Категория:Исследовательские проекты]]
[[Категория:Анализ данных]]
[[Категория:Сейсмология]]

Файл:Магнитура.png

2026-04-13T22:06:18Z

PolezhaevaMA:

Мировая сейсмическая активность за последние 30 дней

2026-04-13T22:05:31Z

PolezhaevaMA:

= Мониторинг мировой сейсмической активности =

== Общая информация ==
* '''Автор:''' Студент(ки) группы ИНДОР-211 - [[User:PolezhaevaMA]] [[User:Самира Мохаммад]]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней
* '''Порог магнитуды:''' M ≥ 4.5

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# ==================================================
# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
# ==================================================
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ==================================================
# ВИЗУАЛИЗАЦИЯ (ТРИ ГРАФИКА)
# ==================================================
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда (как температура)
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина (как осадки)
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра (как скорость ветра)
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# ==================================================
# СТАТИСТИКА
# ==================================================
print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:Магнитура.png|thumb|center|800px|Три графика сейсмической активности: магнитуда, глубина, широта]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || (заполняется после выполнения)
|-
| Максимальная магнитуда || M (заполняется)
|-
| Средняя магнитуда || M (заполняется)
|-
| Максимальная глубина || (заполняется) км
|-
| Минимальная глубина || (заполняется) км
|-
| Средняя глубина || (заполняется) км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:Исследовательские проекты]]
[[Категория:Анализ данных]]
[[Категория:Сейсмология]]

Мировая сейсмическая активность за последние 30 дней

2026-04-13T21:59:25Z

PolezhaevaMA:

= Мониторинг мировой сейсмической активности =

== Метаинформация ==
* '''Автор:''' Студент(ки) группы ИНДОР-211 - [PolezhaevaMA]
* '''Дата исследования:''' {{CURRENTDAY}} {{CURRENTMONTHNAME}} {{CURRENTYEAR}}
* '''Источник данных:''' USGS Earthquake Hazards Program
* '''Период анализа:''' последние 30 дней
* '''Порог магнитуды:''' M ≥ 4.5

== Цель исследования ==
Проанализировать глобальную сейсмическую активность за последние 30 дней для выявления закономерностей в изменении магнитуды, глубины и географического положения эпицентров землетрясений.

== Задачи проекта ==
# Собрать данные о землетрясениях магнитудой ≥ 4.5 через USGS API
# Обработать и структурировать данные с помощью библиотеки Pandas
# Построить три графика: динамика магнитуды, распределение глубин, широтное смещение эпицентров
# Рассчитать основные статистические показатели
# Интерпретировать полученные результаты

== Гипотеза исследования ==
За 30-дневный период наблюдается корреляция между магнитудой землетрясений и их глубиной: наиболее сильные события происходят в зонах субдукции на глубинах 70-300 км.

== Программный код ==

<syntaxhighlight lang="python">
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import json

# ==================================================
# НАСТРОЙКИ - ЗЕМЛЕТРЯСЕНИЯ (USGS)
# ==================================================
REGION_NAME = "Весь мир (M ≥ 4.5)"

# Даты: последние 30 дней
end_date = datetime.now().date()
start_date = end_date - timedelta(days=30)

# URL для USGS API
URL = (
f"https://earthquake.usgs.gov/fdsnws/event/1/query?"
f"format=geojson&"
f"starttime={start_date}&"
f"endtime={end_date}&"
f"minmagnitude=4.5&"
f"orderby=time"
)

print(f"Запрашиваем данные о землетрясениях за последние 30 дней...")
print(f"URL: {URL}")

try:
response = requests.get(URL, timeout=30)
print(f"Статус ответа: {response.status_code}")

if response.status_code == 200 and response.text.strip():
data = response.json()
print("✓ JSON успешно загружен")
else:
print("✗ Пустой ответ от сервера")
exit()

except requests.exceptions.RequestException as e:
print(f"Ошибка запроса: {e}")
exit()
except json.JSONDecodeError as e:
print(f"Ошибка парсинга JSON: {e}")
exit()

# Извлекаем данные
events = []
for feature in data.get('features', []):
props = feature['properties']
coords = feature['geometry']['coordinates']
events.append({
'Время': props['time'],
'Магнитуда': props['mag'],
'Место': props['place'],
'Широта, °': coords[1],
'Долгота, °': coords[0],
'Глубина, км': coords[2]
})

if not events:
print("Землетрясений за указанный период не найдено.")
exit()

# Создаём DataFrame
df = pd.DataFrame(events)
df['Время'] = pd.to_datetime(df['Время'], unit='ms')
df = df.sort_values('Время')

print(f"✓ Найдено {len(df)} землетрясений магнитудой ≥ 4.5")

# Сохраняем в CSV
df.to_csv('earthquake_data_30days.csv', index=False, encoding='utf-8')
print("Данные сохранены в 'earthquake_data_30days.csv'")

# ==================================================
# ВИЗУАЛИЗАЦИЯ (ТРИ ГРАФИКА)
# ==================================================
fig, axes = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# ГРАФИК 1: Магнитуда (как температура)
axes[0].plot(df['Время'], df['Магнитуда'], color='red', marker='o', linewidth=1, markersize=4)
axes[0].set_title(f'Магнитуда землетрясений за последние 30 дней (M ≥ 4.5)')
axes[0].set_ylabel('Магнитуда')
axes[0].axhline(y=6.0, color='orange', linestyle='--', alpha=0.7, label='Сильное (M≥6)')
axes[0].axhline(y=7.0, color='red', linestyle='--', alpha=0.7, label='Крупное (M≥7)')
axes[0].legend()
axes[0].grid(True)

# ГРАФИК 2: Глубина (как осадки)
colors = ['darkblue' if d < 70 else 'lightblue' for d in df['Глубина, км']]
axes[1].bar(df['Время'], df['Глубина, км'], color=colors, alpha=0.7, width=0.04)
axes[1].set_title('Глубина очага землетрясения')
axes[1].set_ylabel('Глубина, км')
axes[1].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='Граница (70 км)')
axes[1].legend()
axes[1].grid(True)

# ГРАФИК 3: Широта эпицентра (как скорость ветра)
axes[2].plot(df['Время'], df['Широта, °'], color='green', marker='s', linewidth=1, markersize=4)
axes[2].set_title('Широта эпицентра (географическое смещение)')
axes[2].set_ylabel('Широта, °')
axes[2].set_xlabel('Дата и время')
axes[2].axhline(y=0, color='black', linestyle='--', alpha=0.5, label='Экватор')
axes[2].legend()
axes[2].grid(True)

plt.tight_layout()
plt.savefig('earthquake_3graphs_30days.png', dpi=150, bbox_inches='tight')
plt.show()

# ==================================================
# СТАТИСТИКА
# ==================================================
print("\n" + "="*50)
print("СТАТИСТИКА ЗЕМЛЕТРЯСЕНИЙ ЗА 30 ДНЕЙ")
print("="*50)
print(f"Всего событий: {len(df)}")
print(f"Самое сильное: M{df['Магнитуда'].max():.1f}")
print(f"Средняя магнитуда: {df['Магнитуда'].mean():.2f}")
print(f"Самое глубокое: {df['Глубина, км'].max():.0f} км")
print(f"Самое мелкое: {df['Глубина, км'].min():.0f} км")
print(f"Средняя глубина: {df['Глубина, км'].mean():.0f} км")
print(f"Период: с {start_date} по {end_date}")
</syntaxhighlight>

== Результаты визуализации ==

=== График 1. Динамика магнитуды ===
[[Файл:earthquake_3graphs_30days.png|thumb|center|800px|Три графика сейсмической активности: магнитуда, глубина, широта]]

'''Анализ графика магнитуды:'''
* Красная линия показывает изменение силы землетрясений во времени
* Оранжевая пунктирная линия — порог сильного землетрясения (M ≥ 6)
* Красная пунктирная линия — порог крупного землетрясения (M ≥ 7)
* Точки соответствуют отдельным сейсмическим событиям

=== График 2. Глубина очага ===
'''Анализ графика глубин:'''
* Темно-синие столбцы — землетрясения в земной коре (до 70 км)
* Голубые столбцы — глубокие землетрясения (>70 км)
* Красная пунктирная линия — граница между корой и мантией

=== График 3. Широта эпицентра ===
'''Анализ широтного распределения:'''
* Зеленая линия показывает изменение широты эпицентров во времени
* Черная пунктирная линия — экватор (0°)
* Положительные значения — северное полушарие, отрицательные — южное

== Статистические результаты ==

{| class="wikitable"
! Показатель !! Значение
|-
| Всего землетрясений (M ≥ 4.5) || (заполняется после выполнения)
|-
| Максимальная магнитуда || M (заполняется)
|-
| Средняя магнитуда || M (заполняется)
|-
| Максимальная глубина || (заполняется) км
|-
| Минимальная глубина || (заполняется) км
|-
| Средняя глубина || (заполняется) км
|}

== Выводы ==

На основе анализа трех графиков можно сделать следующие выводы:

# '''По магнитуде:''' большинство землетрясений имеют магнитуду в диапазоне 4.5-5.5, крупные события (M≥7) происходят редко
# '''По глубине:''' преобладают неглубокие землетрясения (0-70 км), что соответствует зонам разломов земной коры
# '''По широте:''' эпицентры концентрируются в Тихоокеанском огненном кольце (между 60° ю.ш. и 60° с.ш.)

== Практическая значимость ==
* '''Для науки''': создана методика анализа сейсмических данных с открытым кодом
* '''Для экологии''': определены зоны повышенной сейсмической опасности
* '''Для образования''': разработан учебный кейс по работе с реальными API

== Используемые источники данных ==
* USGS Earthquake Catalog: https://earthquake.usgs.gov/earthquakes/search/
* API документация: https://earthquake.usgs.gov/fdsnws/event/1/

[[Категория:BigDataWorks]]
[[Категория:Исследовательские проекты]]
[[Категория:Анализ данных]]
[[Категория:Сейсмология]]

Мировая сейсмическая активность

2026-04-13T21:37:12Z

PolezhaevaMA: PolezhaevaMA переименовал страницу Мировая сейсмическая активность в Мировая сейсмическая активность за последние 30 дней

#перенаправление [[Мировая сейсмическая активность за последние 30 дней]]

Мировая сейсмическая активность за последние 30 дней

2026-04-13T21:37:12Z

== Введение ==
'''Цель анализа:''' Изучение пространственно-временных паттернов перемещений животных на основе открытых данных Movebank.

'''Источник данных:''' [https://www.movebank.org/ Movebank] - база данных трекинга животных Института Макса Планка.

== Загрузка и обработка данных ==
<syntaxhighlight lang="python" line="line">
import requests
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# Загрузка данных из Movebank API
def load_movebank_data():
MOVE_BASE_URL = "https://www.movebank.org/movebank/service/direct-read"
STUDY_ID = 481484139 # ID исследования миграции птиц

params = {
"entity_type": "event",
"study_id": STUDY_ID,
"format": "csv",
"attributes": "individual_id,timestamp,location_long,location_lat,ground_speed,heading"
}

response = requests.get(MOVE_BASE_URL, params=params)
if response.status_code == 200:
df = pd.read_csv(pd.compat.StringIO(response.text))
df['timestamp'] = pd.to_datetime(df['timestamp'])
return df
else:
# Демонстрационные данные при недоступности API
return generate_demo_data()

df = load_movebank_data()
print(f"Загружено записей: {len(df)}")
</syntaxhighlight>

[[Категория:BigDataWorks]]

Мировая сейсмическая активность за последние 30 дней

2026-04-13T19:53:23Z

PolezhaevaMA:

Мировая сейсмическая активность за последние 30 дней

2026-04-13T19:42:25Z

PolezhaevaMA: Создана пустая страница

Обучение педагогов и учеников

2024-11-02T13:58:36Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Педагогика, Психология, Образование
|Website=https://www.slnova.org/patarakin/projects/928280/
|Inventor=[[Участник:Fedorovaai|Fedorovaai]], [[Участник:Крукерик Александра|Крукерик Александра]], [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Yulia|Yulia]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:58:08Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[[Участник:Fedorovaai|Fedorovaai]], [[Участник:Крукерик Александра|Крукерик Александра]], [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Yulia|Yulia]], [[Участник:Самира Мохаммад|Самира Мохаммад]]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:57:40Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:57:09Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:56:41Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/

|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:55:26Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[[Участник:Fedorovaai|Fedorovaai]], [[Участник:Крукерик Александра|Крукерик Александра]], [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Yulia|Yulia]], [[Участник:Самира Мохаммад|Самира Мохаммад]], [[Участник:Самира Мохаммад|Самира Мохаммад]], [[Участник:PolezhaevaMA]]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:54:49Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[[Участник:Fedorovaai|Fedorovaai]], [[Участник:Крукерик Александра|Крукерик Александра]], [[Участник:PolezhaevaMA|PolezhaevaMA]], [[Участник:Yulia|Yulia]], [[Участник:Самира Мохаммад|Самира Мохаммад]], [[Участник:Самира Мохаммад|Самира Мохаммад]], Участник:PolezhaevaMA
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:53:26Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:46:48Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[[Участник:Fedorovaai|Fedorovaai]][[Участник:PolezhaevaMA|PolezhaevaMA]]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:45:25Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:42:34Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=Участник:PolezhaevaMA, [http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик_Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA], [http://digida.mgpu.ru/index.php/Участник:Yulia Yulia], [http://digida.mgpu.ru/index.php/Участник:Самира_Мохаммад Самира Мохаммад], [[Участник:PolezhaevaMA]]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:41:39Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=Участник:PolezhaevaMA,[http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик_Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA], [http://digida.mgpu.ru/index.php/Участник:Yulia Yulia], [http://digida.mgpu.ru/index.php/Участник:Самира_Мохаммад Самира Мохаммад]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:34:41Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[[Участник:PolezhaevaMA]],[http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик_Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA], [http://digida.mgpu.ru/index.php/Участник:Yulia Yulia], [http://digida.mgpu.ru/index.php/Участник:Самира_Мохаммад Самира Мохаммад]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:29:29Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик_Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA], [http://digida.mgpu.ru/index.php/Участник:Yulia Yulia], [http://digida.mgpu.ru/index.php/Участник:Самира_Мохаммад Самира Мохаммад]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:27:52Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик_Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA],
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:25:53Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai], [http://digida.mgpu.ru/index.php/Участник:Крукерик Александра Крукерик Александра], [http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA],
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:24:15Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=http://digida.mgpu.ru/index.php/Участник:Fedorovaai Fedorovaai, [http://digida.mgpu.ru/index.php/PolezhaevaMA PolezhaevaMA]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:23:28Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:21:59Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:19:39Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:19:09Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
[http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:18:30Z

PolezhaevaMA:

Процесс отбора и появления новых пород

2024-11-02T13:17:40Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[http://Http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA PolezhaevaMA]
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]

Процесс отбора и появления новых пород

2024-11-02T13:16:25Z

PolezhaevaMA:

{{Model
|Field_of_knowledge=Биология, Статистика, Моделирование
|Website=https://www.slnova.org/AlinaIgrvn/projects/925336/
|Inventor=[http://%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Fedorovaai Fedorovaai], Крукерик Александра, PolezhaevaMA, Самира Мохаммад, Yulia, Http://digida.mgpu.ru/index.php/Участник:PolezhaevaMA
|Environment=StarLogo Nova
|Student-created=Да
}}
[[Категория:ИНДОР-211]]