Сравните любые знакомые вам предметы по следующим признакам технология: Сравните любые знакомые вам вещи (например рюкзак куртка калькулятор) по следующим признакам 1) потребительские качества 2) эстетические достоинства

Обществознание. Поурочные разработки. 9 класс. (Боголюбов Л. Н., Жильцова Е. И., Кинкулькин А. Т. и др.)

%PDF-1.6 % 615 0 obj > endobj 612 0 obj > endobj 614 0 obj >stream application/pdf

АО “Издательство “Просвещение”

Обществознание. Поурочные разработки. 9 класс. (Боголюбов Л. Н., Жильцова Е. И., Кинкулькин А. Т. и др.)

2014-01-16T16:32:39+04:00PScript5.dll Version 5.2.22015-06-11T15:04:55+03:002015-06-11T15:04:55+03:00Acrobat Distiller 10.0.0 (Windows)uuid:093a6fa3-773d-4266-b31e-d33ae2c6bd63uuid:fd675b89-f3c4-4e16-b05c-3810d403b8bc endstream endobj 794 0 obj > endobj 795 0 obj > endobj 330 0 obj > endobj 48 0 obj > endobj 798 0 obj > endobj 362 0 obj > endobj 331 0 obj > endobj 363 0 obj > endobj 394 0 obj > endobj 425 0 obj > endobj 456 0 obj > endobj 487 0 obj > endobj 518 0 obj > endobj 549 0 obj > endobj 546 0 obj > endobj 550 0 obj > endobj 553 0 obj > endobj 556 0 obj > endobj 559 0 obj > endobj 562 0 obj > endobj 563 0 obj >stream h

Эффективные приемы обучения детей

О чем речь? Существуют различные приемы обучения детей. И пусть с точки зрения педагогики они являются не более чем составной частью определенного стиля, технологии и метода преподавания, это не умоляет их значимости в деле формирования у ребенка реальных умений и навыков.

На что обратить внимание? Выбор приемов обучения осуществляется исходя из поставленных целей, возрастных особенностей и уровня подготовки ребенка. Внимание также обращается на содержание материала конкретного урока и общее количество времени, отведенное на изучение материала.

В статье рассказывается:

1. Стили обучения детей
2. 5 популярных на сегодняшний день технологий обучения
3. Связь между методами и приемами обучения детей
4. Классификация методов обучения
5. Классификация приемов обучения
6. Отличительные особенности современных приемов обучения детей
7. 5 полезных обучающих приемов
8. 5 относительно новых приемов обучения детей
9. Правила выбора методов и приемов обучения детей

10. Пройди тест и узнай, какая сфера тебе подходит:
    айти, дизайн или маркетинг.

    Бесплатно от Geekbrains

Стили обучения детей

Перед рассмотрением методов и приемов обучения детей охарактеризуем педагогические стили подачи знаний. Они разнятся в зависимости от конкретной учебной ситуации. Выделяют следующие стили обучения:

• Визуальный (зрительный) стиль. Подходит для людей, которые лучше воспринимают информацию наглядно. Рисунки, презентации, графические образы и пространственное представление необходимы им для успешного обучения.
• Аудиальный (слуховой) стиль. Подходит для людей, которые лучше воспринимают информацию, когда слышат ее. Звуки, музыка, аудиокниги эффективны для обучения.
• Вербальный (словесный) стиль. Предпочтителен для людей, которые хорошо воспринимают информацию, прочитав ее или написав. Устная или письменная форма – идеальный формат для обучения.
• Кинестетический (телесный) стиль. Подходит для тех людей, которым важно опираться на тактильные ощущения в процессе познания, а также осуществлять конкретную практическую деятельность.
• Логический (математический) стиль. Предпочтителен для людей, которым важен системный подход. Аргументы, рассуждения, логические доводы, доказательства в обучении убедительны и наиболее эффективны в их случае.

Стили обучения детей

• Межличностный (социальный) стиль. Подходит тем людям, для которых важно групповое взаимодействие для лучшего усвоения материала.
• Внутриличностный (одиночный) стиль. Таким людям подходит самостоятельная познавательная деятельность для усвоения учебной информации.

Примите участие
в конференции и узнайте:

• Как лучше подготовить ребенка к IT еще в школе. Мы расскажем, чем различается обучение в средних и старших классах.
• Как ребенку реализовать свои способности.
• Какие ключевые навыки нужно развивать сейчас, чтобы заложить прочный фундамент на ближайшие годы.

При регистрации
вы получите в
подарок документ:

Уже скачали 1517 родителей

Важно подчеркнуть, что большинству детей подходит не какой-то один стиль обучения, а их комбинация.

5 популярных на сегодняшний день технологий обучения

Одна из важнейших задач сегодня – сделать школу не только образовательным пространством, но и саморазвивающейся системой. Необходимо создать ряд условий, при которых ученики являлись бы активными субъектами процесса. Это возможно при использовании разных технологий и эффективных приемов обучения детей дошкольного и более старшего возраста. Рассмотрим самые распространенные.

Коллективно-взаимное обучение

Данная технология подходит для изучения новых тем, углубления знаний, а также для повторения и закрепления информации или навыка. Ученики могут работать индивидуально или объединившись в группы. Если учитель выбрал командную форму работы, то в завершении урока обязательно нужно проверить, насколько усвоен материал всеми обучающимися.

Важно, чтобы все ученики участвовали в совместной деятельности группы. Обязательно нужно учитывать следующие закономерности, установленные психологами: прочитанная информация усваивается на 20-30 %, услышанная запоминается на 30-40 %, практическая деятельность способствует усвоению на 50-70 %.

Активное обсуждение информации из разных источников, обмен идеями, опытом, дискуссии на тему расхождений и противоречий, эмоциональные диалоги – это основные составляющие коллективно-взаимного обучения. Все вышеперечисленное создает условия для:

• улучшения умений по пройденному материалу;
• развития памяти;
• раскрытия потенциала школьников благодаря тому, что они чувствуют себя уверено на занятиях;
• эффективной индивидуальной работы, так как каждый ученик выполняет задания самостоятельно, несмотря на групповой формат обучения;
• продуктивного взаимодействия с коллективом, что является главным преимуществом данного способа обучения.

Модульное обучение

Вся учебная информация разбивается на отдельные блоки. Педагог включает задания разного уровня сложности по изучаемой теме. Это позволяет ему применять личностно-ориентированный подход. В каждом учебном блоке есть задания для проверки усвоения изучаемого материала. Любой урок по модульной технологии может содержать в своей структуре разные формы деятельности учеников. Например:

1-й этап урока – это диспут на тему занятия, способствующий развитию логики, грамотной формулировки вопросов и аргументированных ответов на них. Диспут базируется на научной дискуссии, которая подразумевает сотрудничество.

2-й этап урока – лекция. Педагог доносит до обучающихся новую информацию, а ученики записывают ключевые моменты. Конспектирование развивает самостоятельность и умение работать с большим объемом сведений, вычленяя значимые и второстепенные.

3-й этап урока – закрепление лекционной информации обратной связью от учеников. Педагог задает вопросы по изучаемой теме, а ученики отвечают, опираясь на конспект. Это позволяет понять, насколько усвоен образовательный материал и какие моменты следует разобрать подробнее.

Работа с аудио- и видеоматериалами

Использование этой технологии на уроках решает следующие задачи:

• погружение учащихся в атмосферу темы занятия или ее значимой части;
• развитие когнитивных способностей детей: внимание, наблюдение, выбор, предвосхищение, высказывание предположений и т. д.;
• обучение анализу занятия или его части;
• развитие критического мышления, аналитических навыков, умения комментировать и интерпретировать текст.

Приемы обучения детей по данной технологии основываются на следующих этапах работы с информацией:

• Работа до просмотра или прослушивания видео- или аудиоматериала.
• Непосредственно просмотр или прослушивание.
• Работа после просмотра или прослушивания.

Обучение с использованием приемов этой технологии формирует у обучающихся уверенность, помогает совершенствовать знания и умения, а также развивает навык самостоятельной работы.

Если среди учеников есть желающие заниматься в будущем педагогической деятельностью, то их полезно привлекать к проведению занятий с аудио- и видеоматериалами. Это способствует развитию творческого подхода к обучению, учит серьезно относиться к выполняемой работе, а также подчеркивает значимость их вклада в учебный процесс.

Развитие критического мышления через чтение и письмо

Цель технологии ТРКМЧ – воспитание учеников, умеющих заниматься самостоятельной деятельностью.

Развитие критического мышления через чтение и письмо

Активно используется при работе с текстовым материалом. Включает чтение и письмо. Выделяют следующие этапы работы по этой технологии:

• «Вызов» (мотивация). Педагог заинтересовывает учащегося. Например, интригующим названием или интересным и неожиданным фактом.
• «Осмысление». Заинтересованный ученик читает текстовый материал и изображает его в виде схемы, опорного сигнала по Шаталову (какой-то ассоциативный символ, который заменяет смысловое значение) или составляет краткий план.
• «Рефлексия». Обсуждение информации с одноклассниками. Может использоваться пересказ (устный или письменный) как форма развития речи и памяти.

Интегративный подход

Старшая ступень обучения в связи с ее профильным уклоном требует глубокого практического характера занятий. Интегративное обучение базируется на междисциплинарном подходе, а также принципах прагматичности и индивидуализации образования. Этот метод обучения на практике продемонстрировал достижение следующих задач:

• Формирование и развитие познавательного интереса, креативности, навыков самостоятельного приобретения знаний. Это помогает приспособиться к динамике образовательного процесса.
• Развитие коммуникативных способностей, умения вести продуктивный диалог и эффективно общаться.
• Воспитание толерантности, уважительного отношения к культуре своей страны и других народов.
• Профориентация. Обучающиеся изучают материал из разных областей. В сравнении они могут понять, какая деятельность им интереснее. Так проходит работа по профессиональному самоопределению учеников.

Топ-30 самых востребованных и высокооплачиваемых профессий 2023

Поможет разобраться в актуальной ситуации на рынке труда

Подборка 50+ ресурсов об IT-сфере

Только лучшие телеграм-каналы, каналы Youtube, подкасты, форумы и многое другое для того, чтобы узнавать новое про IT

ТОП 50+ сервисов и приложений от Geekbrains

Безопасные и надежные программы для работы в наши дни

pdf 3,7mb

doc 1,7mb

Уже скачали 20174

Основные характеристики приемов интегративного подхода в обучении детей:

• Информационный аспект подачи материала: ученикам дается минимально необходимое количество теории и фактов.
• Языковой аспект: фактологические знания выражаются в лексико-грамматических средствах.
• Коммуникативный аспект: терминология по теме обогащает лексикон учеников. Также совершенствуются навыки общения с собеседником с использованием тематического словаря.
• Познавательный аспект: большой объем изучаемой информации благодаря активному использованию текстового материала в качестве источника теоретических и фактологических знаний.

Использование приемов интегративного метода обучения детей позволяет перенести все функции общения (познавательная, регулятивная, этикетная, ценностно-ориентационная) на новый тематический материал.

Связь между методами и приемами обучения детей

Для понимания сути педагогических процессов важно знать, как трактуются термины «метод» и «прием».

Есть несколько определений понятия «метод обучения». Приведём самые распространенные.

Методы обучения – это способы совместной работы учителя и учеников, целью которых является достижение целей образования.

Методы обучения – это способы взаимодействия педагогов и обучающихся по реализации образовательных, воспитательных и развивающих задач (Ю. К. Бабанский).

Методы обучения – это способы педагогической работы учителя и организации учебно-познавательной работы учащихся по решению разных дидактических задач для усвоения учебного материала (И. Ф. Харламов).

Несмотря на многообразие определений понятия «методы обучения», их объединяет то, что авторы видят в них совместную деятельность учителя и учеников. Таким образом, этот термин отражает способы и приемы обучения детей, используемые педагогом, и учебную деятельность учеников по достижению образовательных целей.

Понятие «приемы обучения» является распространённым термином в педагогике. В классическом понимании они являются составляющей метода обучения. Однако границы понятий достаточно размыты. Любой метод обучения детей состоит из отдельных приемов, каждый из которых решает какую-то конкретную учебную или педагогическую задачу.

Связь между методами и приемами обучения детей

Методы и приемы обучения детей в зависимости от педагогической ситуации могут меняться местами. Одни и те же приёмы используются в различных методах. Кроме того, один метод у разных педагогов может включать абсолютно противоположные приемы. Получается, что метод обучения состоит из приемов, но не является простой суммой своих составляющих.

Классификация методов обучения

Одна из актуальных проблем дидактики сегодня – классификация методов обучения. Нет одной общепринятой точки зрения по данному вопросу. Авторы группируют методы обучения на основании различных признаков. Поэтому существует несколько классификаций.

Самый распространенный вариант – типология по источнику получения знаний. Выделяют следующие методы обучения:

1. Словесные. Источником информации выступает слово (устное или печатное).
2. Наглядные. Основа знаний – изобразительный, графический или предметный учебный материал, наблюдаемые объекты или явления.
3. Практические. Учащиеся изучают новую тему и выполняют практические задания для закрепления умений и навыков.
4. Игровой. Обучающиеся погружаются в игровую ситуацию, на которую переносится учебный материал.

Классификация приемов обучения

Н. М. Верзилин и В. М. Корсунская работали над типологией приемов обучения биологии. Однако предложенная ими классификация является системной и применимой для различных дисциплин. Данные авторы выделили 3 группы практических приемов обучения детей:

1. Логические. Включают приемы мыслительной деятельности: формулирование проблемы, сравнение, обобщение, доказательство.
2. Организационные. Данные приемы используются для фокусировки внимания учеников и управления их деятельностью. К ним относятся ответ у доски, проверка самостоятельной работы.
3. Технические. Включают приемы обучения с использованием оборудования, обучающих материалов и средств. К ним относятся записи на доске, рисунки, наглядные пособия, а также мультимедийные средства.

Отличительные особенности современных приемов обучения детей

На основании психолого-педагогической литературы выделяют существенные характеристики современных приемов обучения детей. Это стало основой для отбора некоторых из них для апробации в начальной школе с целью определения их эффективности.

Для современных приемов обучения детей характерны:

• нацеленность на достижение предметных и метапредметных результатов;
• стимуляция учебно-познавательной деятельности учеников;
• интерактивность или диалоговое взаимодействие, где обучающийся является субъектом получения знаний;
• мотивация к учебной деятельности и активному участию;
• игровой характер приемов обучения детей для реализации образовательных целей.

Современные приемы обучения детей базируются на развивающем и деятельностном подходе. Поэтому очень актуальны приемы, используемые в технологии развития критического мышления через чтение и письмо, а также приемы формирующего оценивания, игровые, рефлексивные, проблемного обучения, технологии решения изобретательских задач (ТРИЗ).

5 полезных обучающих приемов

Используя творческий подход к работе, педагоги, преподаватели и методисты создают и применяют на практике различные практические приемы обучения и воспитания детей. Это помогает решить многие образовательные задачи. Рассмотрим некоторые из таких приемов.

• «Нестандартный вход в урок». Педагог с самого начала занятия включает учеников в активную деятельность и держит их внимание. Например, начинает с противоречивого факта, разминки с интересными интеллектуальными задачами или включает неожиданный музыкальный фрагмент.
• «Показ профессионализма». Отличный прием для обучения подростков,по мнению А. В. Хуторского. Такой педагог становится авторитетом в их глазах. Предполагает показ личного выполнения какого-то сложного, возможно, творческого задания.
• «Выход за пределы». Данный прием обучения детей предполагает, что педагог, разбирая определенную тему, расширяет ее границы и приводит современные примеры, знакомых детям персонажей поп-культуры и т. п. Это является хорошим способом удержания внимания учеников, а также актуализацией изучаемой темы. В «Современной дидактике» А. В. Хуторского в качестве примера приводится урок физики на тему «Резонанс». Педагог начинает с вопроса, с чем связано то, что электрогитара может иметь любую форму корпуса, в отличие от акустической. Для наглядности педагог демонстрировал фотографии креативных инструментов известных музыкантов. Такой подход однозначно фокусирует внимание учеников и способен их заинтересовать и вызвать интерес к теме урока.
• «Неожиданное дело». Если в классе имеются проблемы с дисциплиной и необходимо создать рабочую атмосферу, то это эффективный прием обучения детей. Можно дать задание каждому ученику. Например, нарисовать дерево, как его видит великан и гном. Такое необычное задание заинтересует детей и вернет к активности на уроке.
• «Фантастическая добавка». Данный прием обучения детей быстро вовлекает их в рабочий процесс урока, а также способствует развитию креативности и нестандартного мышления.

5 полезных обучающих приемов

В реальную учебную ситуацию педагог добавляет фантастический элемент. Например, переносит в изучаемую тему какого-то исторического деятеля, персонажа литературы, вымышленное животное или описывает ее глазами инопланетянина.

5 относительно новых приемов обучения детей

Ассоциации

Этот прием обучения детей относится к активным методам. Благодаря ему систематизируются уже имеющиеся знания посредством сравнения с новой информацией. «Бег ассоциаций» подключает подсознание и чувственную сферу познания. Новый материал хорошо усваивается учениками. Также использование этого приема обучения на уроках мотивирует детей.

Только до 30.03

Скачай подборку тестов, чтобы определить свои самые конкурентные скиллы

Список документов:

Тест на определение компетенций

Чек-лист «Как избежать обмана при трудоустройстве»

Инструкция по выходу из выгорания

Чтобы получить файл, укажите e-mail:

Подтвердите, что вы не робот,
указав номер телефона:

Уже скачали 7503

«Бег ассоциаций» может использоваться на разных этапах занятия. Например, если урок посвящен какой-то одной проблеме, то он поможет в ее постановке. Прием также удобно использовать на этапе закрепления новой информации. Он отлично работает на уроках по развитию речи.

Рекомендуется работать с приемом «Бег ассоциаций» следующим образом: нужно разделить класс на пары. Озвучивается тема занятия. Ученики называют несколько слов, которые у них ассоциируются с данной темой. Этот прием применим не только для гуманитарных дисциплин. На уроках математики, например, можно также использовать его при постановке проблемы.

Так, на занятии по теме «Круг» дети озвучивают ассоциации, которые приходят им на ум в связи с этой геометрической фигурой. Учитель может демонстрировать различные круглые предметы: колесо, кольцо, солнце и даже привести нестандартную аналогию – хоровод. Теперь важно углубить размышления учеников, спросив, какие ассоциации у них вызывает, например, движение колеса или кружение, когда водят хоровод. Варианты ответов могут быть различные: скорость, свобода, круговорот и т. п.

Применим этот метод на уроках иностранного языка. Ученики могут ассоциативно связывать новые термины с уже знакомыми.

Коллекционер

Это эффективный прием для интерактивного обучения детей, то есть когда предполагается активное включение обучающихся в учебный процесс. В этом приеме важна предварительная подготовка субъектов обучения. Использоваться он может на любых уроках, независимо от предмета. Главное преимущество приема – возможность установления межпредметных связей и показ практической значимости новых знаний ученикам, их прикладной ценности. Этапы использования приема «Коллекционер»:

• Сбор коллекции. Подготовка включает подбор учениками различных предметов, которые связаны с темой урока. Например, готовясь к географии по теме «Международные связи России», ученики могут собирать зарубежные этикетки. Их нужно приклеить в альбом, а на контурной карте отметить страну, откуда импортировался данный товар в Россию.
• Оформление альбома коллекции. Вклеивать необходимо все предметы и обязательно нужно подписать каждый. Например, готовясь к уроку химии по теме «Нефть», ученики собирают изображения или предметы для альбома, отмечая следующие параметры: название, химическую формулу, сферу использования, в чем важность для человека, минусы, вредное воздействие и т.д.
• Практическая работа с коллекцией на уроке. Тут подойдут приёмы обобщения и повторения учебного материала. Форма урока может быть различной, в том числе нестандартной. Например, аукцион с использованием предметов коллекции, бизнес-игра и т.д. Можно разбить класс на группы и дать задание подготовить развернутую презентацию экспонатов коллекции.

Также этот прием хорош тем, что у педагога формируется наглядный материал по конкретной теме, который можно использовать на занятиях в других классах.

Интеллектуальный поединок

Это прием, демонстрирующий, насколько хорошо усвоен учебный материал учениками. Также он показывает, умеют ли дети мыслить логически, выделять закономерности, различия и противоречия нового материала с уже изученным.

«Интеллектуальный ринг» можно провести на любом этапе урока. Например, в начале с целью закрепления уже известного материала и подготовки к логически вытекающей теме. Он подходит для уроков обобщения и систематизации знаний.

Суть данного игрового приема обучения детей следующая: ученик, как на ринге, должен выдержать несколько вопросов. В среднем ему задаются 5 вопросов, на которые нужно быстро ответить. На размышление дается несколько секунд. То есть это своеобразный блиц опрос. Конечно, успех использования приема зависит от конкретного ученика. Кто-то продемонстрирует отличные знания, а кто-то их отсутствие и неумение сосредоточиться. Также это прекрасная тренировка интеллекта.

Интеллектуальный поединок

Конечно, педагог тщательно продумывает вопросы. Они должны быть сформулированы так, чтобы был один краткий ответ. Так можно быстро провести срез знаний по каким-то терминам, датам. Как вариант, можно просить закончить предложение, вставив недостающее слово.

Также подходит для такого приема шутливая формулировка вопросов. Это однозначно заинтересует учеников, а также позволит проверить, насколько глубоко понимание темы. Такая форма вопросов требует их осмысления, понимания предмета разговора. Это не просто зазубренная информация.

Также подойдут для таких целей загадки, анаграммы, омонимы и т.п. Прием применим и для точных наук, например, математики, физики, химии. Учитель может дать задание закончить формулу, проверить несложные расчеты или назвать, чей это закон.

Диаграмма, или Кольца Венна

Педагоги стали активно использовать прием в технологии развития критического мышления. Он назван по фамилии английского учёного, автора книги «Символическая логика». Это графический прием, который используется, когда нужно сравнить несколько понятий, явлений, предметов. У детей развиваются аналитические способности, умение выявлять общее и различия. Процесс обучения с использованием данного приема включает в себя следующие этапы:

• На уроке вычленяются несколько терминов, явлений, которые необходимо проанализировать и сравнить друг с другом. Например, на математике можно сравнивать геометрические фигуры, на литературе – персонажей книги, на уроке истории – политических деятелей и их вклад, на обществознании – сравнить идеи мыслителей.
• Ученики рисуют кольца Венна.
• На данном этапе материал осмысляется и закрепляется, обсуждаются диаграммы. Можно делать это в группах или парах.

Цветные поля

Прием обучения детей «Цветные поля» подходит для интерактивного образования. Он способствует развитию навыков самоорганизации, индивидуальной работы с текстом и самопроверки. В основном данный приём применяют на уроках литературы и русского языка. Однако его можно использовать и на занятиях по другим предметам, где выполняются письменные работы.

Главное достоинство этого приема – он способствует созданию благоприятной и доверительной атмосферы на уроке, так как ученик не боится строгого контроля со стороны педагога и учится сам определять степень своей подготовленности и уровень знаний.

Суть приема в следующем: ученик выполняет письменную работу. Это может быть любой формат: сочинение, контрольная, эссе, лабораторная, изложение и т.д.

На полях тетради он делает пометки для учителя разным цветом. Например, красный сигнализирует, что нужно проверить и исправить ошибки. Зеленый – отметить ошибки, но исправит их ученик самостоятельно. Синий – указать, сколько ошибок, но не подчеркивать, какие именно. Черный – признание ученика, что ошибок может быть много и тема требует дополнительно изучения.

Количество используемых цветов и их значение могут меняться. Так, при выполнении какой-то творческой работы ученик может попросить учителя проверить только структуру, орфографию или стилистические ошибки.

Важно предварительно согласовать, что означает тот или иной цвет, и записать обозначения на доске. Такая наглядность поможет ученику быстро сориентироваться при самоконтроле.

Правила выбора методов и приемов обучения детей

В педагогике сформировались определённые подходы к выбору того или иного метода и практических приемов обучения детей. Это зависит от обстоятельств и условий учебного процесса. Также важно, насколько возможна реализация тех или иных приемов в конкретном образовательном учреждении. Педагоги в своей деятельности опираются на опыт коллег, их успешную практику. Рассмотрим подробнее, от чего зависит выбор приемов обучения детей:

Правила выбора методов и приемов обучения детей

Итак, педагог опирается на перечисленные выше обстоятельства и принимает следующие решения: выбирает словесные, наглядные или прагматические методы. В соответствии с ними определяет приемы для обучения детей на уроке: логические, организационные или технические.

Рейтинг: 5

( голосов 2 )

Поделиться статьей

Сравнение моделей обнаружения объектов | Блог объективности

Технологии

1 марта 2019 г. – 15 минут чтения

Ярослав Щегельняк

Ярослав Щегельняк

Просмотреть все сообщения Ярослава

---

Компьютерное зрение с искусственным интеллектом — удивительная технология. Наши глаза и мозг эволюционировали, чтобы легко искать детали на сложных изображениях с невероятной скоростью. Но наша способность надежно и последовательно повторять это в течение длительного времени или с похожими изображениями ограничена. Нам скучно, мы устаем, мы отвлекаемся. И существует множество приложений для бизнеса и здравоохранения, где последствия человеческих ошибок настолько велики, что стоит инвестировать значительные ресурсы либо в усиление, либо в замену людей, выполняющих визуальные проверки.

Существует множество инструментов, методов и моделей, которые профессиональные группы специалистов по данным могут использовать для поиска этих визуальных маркеров. В общем, мы называем это обнаружением объекта. В этой статье я исследую некоторые способы измерения эффективности этих методов и помогу нам выбрать лучший из них для любой конкретной проблемы. Я написал эту статью в основном для начинающих специалистов по машинному обучению и компьютерному зрению. Если вам интересна тема и вы хотите понять ее с более деловой точки зрения, пожалуйста, свяжитесь со мной, мы всегда готовы помочь.

Что такое обнаружение объектов

Обнаружение объектов — это компьютерная технология, позволяющая нам аннотировать изображения информацией об объектах и ​​их расположении на изображении. Это естественное расширение технологии классификации изображений, где классификация изображений присваивает изображению метку, обнаружение объекта = локализация + классификация.

Используя одно из изображений, предоставленных Microsoft в Object Detection QuickStart, мы можем увидеть разницу между классификацией изображений и обнаружением объектов ниже:

Классификация изображений

Обнаружение объектов

Преимущества обнаружения объектов более очевидны, если изображение содержит несколько перекрывающихся объектов (взято из набора данных CrowdHuman. Shao, 2018): очень полезная информация, которая может быть использована при дальнейшем анализе картины. Например, мы можем считать предметы, мы можем определить, насколько близко или далеко они находятся друг от друга. Если мы проанализируем последовательность кадров, мы сможем даже предсказать столкновения или движение объектов во времени — например, следы на нашей коже или сканирование наших органов.

Прежде чем мы сможем развернуть решение, нам нужно несколько обученных моделей/методов для тщательно контролируемого и справедливого сравнения. Только тогда мы можем выбрать лучший для этой конкретной работы. Чтобы быть сопоставимыми, наши тесты должны быть строгими, а чтобы повысить нашу уверенность в том, что мы выбрали «лучшее», объемы данных будут высокими. Их правильное сравнение — сложная задача, и мы не должны недооценивать эту задачу.

После этого общего введения в проблему пришло время глубже погрузиться в конкретные методы определения пригодности метода и сравнения, чтобы найти лучший.

Какое обнаружение лучше?

Обычно средства обнаружения возвращают список объектов с данными о местоположении на изображении, их размере, что это за объект и достоверность классификации. В зависимости от сложности изображения и приложения, в этом списке может быть только одна запись или их могут быть сотни для каждого изображения, описанные в формате, аналогичном фрагменту ниже:

На мгновение, пожалуйста, не беспокойтесь о возвращенном « доверие» — мы вернемся к нему через мгновение.

Итак, у нас есть несколько инструментов, каждый из которых возвращает множество элементов. Насколько сложно решить, какой из них лучший? Давайте попробуем определить его, используя наш предыдущий пример форка и визуализацию 4 выборочных результатов от разных методов (т.е. моделей обнаружения объектов):

Метод А:

Выглядит неплохо, но часть форка обрезана:

Метод B

Кадрирование лучше, но с левой стороны обнаружена фантомная форма:

Метод C

Обрезка довольно хорошая:

Метод D

Что?? Это похоже на развилку, но на самом деле выглядит неправильно: 

Интуитивно я бы предпочел метод A или метод C, но как мне объяснить это компьютеру? Для этого нам нужно перечислить факторы, которые следует учитывать при расчете «балла» для результата, и «наземную правду», описывающую все объекты, видимые на изображении, с их истинным местоположением. В нашем случае «истину» можно представить так, как показано ниже.

Истина

Наивный подход: двоичная оценка

Как мы можем сравнить наши результаты для методов A-D с этой истиной (T)? Наивным способом было бы использовать двоичную оценку, подобную той, которую мы могли бы использовать в задачах классификации:

• Оценка = 1, если результат соответствует T (т. е. каждый обнаруженный объект имеет те же координаты, которые определены в «наземной истине»). ).
• Оценка = 0 в любом другом случае.

К сожалению, в данном случае простота не означает разумность — все наши результаты A-D получат одинаковые баллы = 0, что бесполезно. Поскольку шансы получить идеальное совпадение близки к 0, на практике мы не можем использовать эту оценку для сравнения каких-либо результатов, поэтому нам нужно продолжать поиски.

Построение набора полезных показателей

Нам нужно найти способ вычислить значение от 0 до 1, где 1 означает идеальное совпадение, а 0 означает полное отсутствие совпадения. Эта функция должна отражать следующие факторы:

1. Содержит ли результат обнаружения все объекты, видимые на изображении?
2. Содержит ли результат обнаружения объекты, которых на самом деле нет на изображении?
3. Обнаруженные объекты в локациях соответствуют действительности?
4. Насколько близко обнаруженные ограничивающие рамки к истинным рамкам (как определено аннотациями наземных правд)?

Еще одним фактором является значение «уверенность», которое мы до сих пор игнорировали. Значение между 0 (совсем не уверен) и 1 (почти уверен) отражает, насколько данная модель уверена в точности своего прогноза. Важно помнить, что значение достоверности является субъективным и не может сравниваться со значениями, возвращаемыми другими моделями. Например, результаты с достоверностью 0,9по одной «слишком оптимистичной» модели может быть на самом деле хуже, чем результаты с достоверностью 0,6 по другой, более реалистичной.

К счастью, нет необходимости изобретать велосипед для целей обнаружения объектов, поскольку мы можем положиться на метрики Precision и Recall , хорошо известные в задачах классификации, которые имеют следующее значение в контексте обнаружения объектов:

• Точность : сколько обнаруженных объектов действительно существует на анализируемом изображении («наземная правда»)?
  • 0 означает, что ни один «истинный» объект не обнаружен, 1 означает, что все обнаруженные объекты являются «истинными».
  • Проще говоря, если для каждых 100 участков изображения, которые модель считает разветвлениями, 89 из них будут фактическими разветвлениями, Precision равно 89/100.
• Повторный вызов : сколько объектов, которые должны быть обнаружены (т.е. «истинных» объектов), были обнаружены?
  • 0 означает, что ни один «истинный» объект не был обнаружен, 1 означает, что были обнаружены все «истинные» объекты (но не имеет значения, были ли обнаружены также какие-либо «ложные» объекты).
  • Продолжая наш пример с вилкой, если на каждые 100 фактических вилок, протестированных моделью, 97 из них будут обнаружены правильно , Recall равен 97/100.

Иногда бывает проще запомнить, что означает низкий балл:

• Низкий Точность означает, что многие обнаруженные объекты были неправильно помечены.
• Низкий Отзыв означает, что многие объекты вообще не были обнаружены.

Как видите, Precision и Recall описывают один и тот же результат с двух разных точек зрения и только вместе они дают нам полную картину.

Для более формального описания Precision и Напомним необходимо ввести 4 дополнительных термина: входит в «наземную правду»

FP – «ложные срабатывания» – количество обнаруженных объектов, которые не должны быть обнаружены (т.е. не включены в «наземную истину»).

FN – «ложноотрицательные» – количество объектов, которые не были обнаружены, несмотря на то, что они были включены в «наземную правду».

TN – «истинно отрицательные значения» – добавлено только для полноты, поскольку не имеет особого смысла в контексте обнаружения объектов (и не требуется в последующих вычислениях). Тем не менее, это очень удобно в задачах классификации.

Имея эти значения, мы можем построить уравнения для Точность и EMPLECT :

Точность = TP / ( TP + FP ) ( TP / FP ) (т.е. TP / FP ) (т.е. TP )

Отзыв = TP / ( TP + FN ) (т.е. TP / все объекты «наземной истины»).

Если вас это сбивает с толку, следующее изображение (из статьи в Википедии) всегда помогает мне: 

К сожалению, даже определив Precision и Recall , мы до сих пор не знаем как минимум двух важных вещей:

• Как рассчитать TP , FP результаты обнаружения 0 и объекта1 ? Как мы определили ранее, мы не можем ожидать, что модель предоставит нам результаты, которые точно соответствуют определенной «основной истине».
• Как сравнить два результата без единого значения метрики? Часто это сложно, особенно когда нам нужно найти компромисс между Precision и Recall (т.е. увеличивая Precision мы уменьшаем Recall и наоборот).

На эти вопросы я постараюсь ответить в остальных разделах.

Вычисление точности и полноты результатов обнаружения объектов

Пришло время вычислить TP , FP и FN , и это обычно делается с использованием еще одного значения – IoU (Intersection over Union): 53

3

3

3   Зеленый прямоугольник – ожидаемый («истинный») результат; Красный прямоугольник – расчетный результат;   Красный прямоугольник – пересечение; Серая область – союз;

Зная области пересечения и объединения для «наземной истины» и возвращаемого результата, мы просто делим их, чтобы получить IoU . При значении от 0 до 1 (включительно) IoU = 0 означает полностью отдельные области, а 1 означает идеальное совпадение.

Теперь мы, наконец, готовы вычислить истинные положительные и ложные положительные/отрицательные результаты (TP, FP, FN), используя следующие шаги:

1. Мы устанавливаем пороговое значение IoU (т.е. фиксированное значение, которое мы будем использовать для сравнения с рассчитано значений IoU ). Чем выше значение, тем большей точности мы ожидаем от нашей модели. В крайних случаях мы можем установить его на 0 (фактически «отключая») или на 1 (обеспечивая «идеальное совпадение» для истинных положительных результатов).
2. Мы готовим список аннотаций «наземной истины», сгруппированных по связанным изображениям.
3. Мы сортируем все полученные результаты по «достоверности» в порядке убывания (где под результатом здесь понимается один обнаруженный экземпляр объекта вместе с координатами его «ограничивающего прямоугольника» и ссылкой на связанное изображение и его аннотации «наземной истины»).
4. За каждый результат (начиная с самого «уверенного»)
   1. Мы вычисляем IoU между результатом и ВСЕМИ экземплярами одного и того же класса объектов в связанных аннотациях «наземной истины».
   2. Для каждого рассчитанного Значение IOU мы сравниваем его с фиксированным порогом IOU. Если IoU >= IoU threshold : Мы помечаем результат как «истинно положительный» ( TP ), а затем удаляем соответствующую аннотацию «наземной истины» из связанных «наземных истин» (чтобы она больше не использовалась в IoU расчет для последующих результатов).
5. Когда все результаты обработаны, мы можем вычислить FP и FN :
   1. ФП = все результаты, не отмеченные как «истинно положительные» ( TP ) (при любом выполнении шага 4а выше).
   2. FN = все элементы, оставшиеся в нашем списке аннотаций «основной истины» (т. е. не удаленные во время выполнения шага 4b выше).

Таким образом, у нас есть все значения, необходимые для расчета Precision и Recall , но нам все еще не хватает простого способа сравнить результаты, полученные разными моделями.

Средняя точность (AP и mAP)

Наиболее распространенный подход к завершению одним значением, позволяющим сравнивать модели, заключается в вычислении средней точности ( AP ) — рассчитывается для одного класса объектов по всем тестовым изображениям и, наконец, средней точности ( mAP ) — единственного значение, которое можно использовать для сравнения моделей, обрабатывающих обнаружение любого количества классов объектов.

Хотя я не смог определить, когда именно эта метрика впервые использовалась для сравнения различных моделей обнаружения объектов, ее широкое использование началось вместе с популяризацией больших наборов данных и задач, таких как Pascal VOC (Visual Object Classes) или COCO (общие объекты в контексте).

В целом расчет mAP делится на 2 основных этапа:

1. Расчет AP (средняя точность) для каждого класса обнаруженных объектов и настроенный IoU порог .
2. Рассчитайте mAP как среднее из ранее рассчитанных значений AP.

Основное различие между различными подходами к расчету mAP связано с пороговым значением IoU . В некоторых случаях используется фиксированное значение (например, 0,5 в Паскале VOC), в то время как в других используется массив различных значений для расчета средней точности (AP) для каждой комбинации класса и порога, а также окончательные Значение mAP представляет собой среднее значение всех этих результатов.

Помимо этого, насколько мне известно, расчет AP для данного класса и порога IoU в основном одинаковы и, к некоторому удивлению, не начинается с расчета Precision и Recall с использованием шаги, описанные ранее ;-). Для расчета AP вместо используется немного измененный процесс (изменения начинаются с шага 4.3 ниже):

1. Мы устанавливаем Пороговое значение IoU (т. е. фиксированное значение, которое мы будем использовать для сравнения с рассчитанными значениями IoU ). Чем выше значение, тем большей точности мы ожидаем от нашей модели. В крайних случаях мы можем установить его на 0 (фактически «отключая») или на 1 (обеспечивая «идеальное совпадение» для истинных положительных результатов).
2. Мы готовим список аннотаций «наземной истины», сгруппированных по связанным изображениям.
3. Мы сортируем все полученные результаты по «достоверности» в порядке убывания (где под результатом здесь понимается один обнаруженный экземпляр объекта вместе с координатами его «ограничивающего прямоугольника» и ссылкой на связанное изображение и его аннотации «наземной истины»).
4. За каждый результат (начиная с самого «уверенного»)
   1. Мы вычисляем IoU между результатом и ВСЕМИ экземплярами одного и того же класса объектов в связанных аннотациях «наземной истины».
   2. Для каждого рассчитанного значения IOU мы сравниваем его с фиксированным порогом IOU . Если IoU >= IoU threshold : Мы помечаем результат как «истинно положительный» ( TP ), а затем удаляем соответствующую аннотацию «наземной истины» из связанных «наземных истин» (чтобы она больше не использовалась в IoU расчет последующих результатов)
   3. Рассчитываем нарастающим итогом:
      • Количество TP (т. е. количество всех значений TP , обнаруженных до сих пор).
      • Precision (как TP count / общее количество обработанных результатов).
      • Отзыв (как TP count / общее количество экземпляров объекта в наборе «наземной истины»).
5. После обработки всех результатов мы получаем расчеты, подобные приведенной ниже таблице (первые 2 столбца содержат исходные данные. Была ли TP рассчитана с использованием 4,2 , остальные 3 столбца были рассчитаны по формуле 4,3 ):

   #	Уверенность	ТП?	Количество TP	Точность	Отзыв
   1	0,90	1	1,00	1,00	0,17
   2	0,90	1	2,00	1,00	0,33
   3	0,80	0	2,00	0,67	0,33
   4	0,80	0	2,00	0,50	0,33
   5	0,70	1	3,00	0,60	0,50
   6	0,70	0	3,00	0,50	0,50
   7	0,70	0	3,00	0,43	0,50
   8	0,60	1	4,00	0,50	0,67
   9	0,40	1	5,00	0,56	0,83
   10	0,20	0	5,00	0,50	0,83
   11	0,20	0	5,00	0,45	0,83
   12	0,10	1	6,00	0,50	1,00
   13	0,05	0	6,00	0,46	1,00
   14	0,05	0	6,00	0,43	1,00

   Как видите, для типичной модели Precision идет вниз (поскольку должно быть более вероятным, что результаты с более высокой «достоверностью» являются «истинно положительными» (TP), чем результаты с низкой достоверностью), а Recall может пойти только вверх (поскольку его значение увеличивается вместе с количеством ТР, встречающихся при обработке отсортированных результатов, независимо от количества ложных срабатываний на этом пути). Обратите внимание, что это может быть не совсем так, если ваша модель возвращает относительно больше «истинных срабатываний» при низкой достоверности, чем при высокой, но я бы сказал, что в любом случае это указывает на некоторую более общую проблему с измеренной моделью.

   В приведенном выше случае все «наземные» положительные результаты были найдены и возвращены моделью (6 из них), хотя и с разной достоверностью, поэтому Recall достигает максимального значения 1. Теоретически мы могли бы рассчитать какую-то среднюю точность, взвешенную по полноте, непосредственно из приведенной выше таблицы, но это не то, как получается средняя точность ( AP ) (чтобы сделать ее более стабильной и «сопоставимой» между различными моделями). ). Таким образом, нам нужен последний шаг.

6. Мы решаем, какие значения Отзыва следует учитывать при расчете Точности , чтобы получить его среднее значение. Во многих случаях используются 11 следующих значений Recall : Rt = [0, 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9, 1,0].
   Для каждого из этих значений ( Rt _i ) Precision вычисляется как МАКСИМАЛЬНАЯ точность из таблицы на шаге 5, выбранная из всех строк с Recall равным или превышающим РТ _и .
   В нашем случае это приводит к следующим результатам:

   Рт и	Прец.
   0,00	1,00
   0,10	1,00
   0,20	1,00
   0,30	1,00
   0,40	0,60
   0,50	0,60
   0,60	0,56
   0,70	0,56
   0,80	0,56
   0,90	0,50
   1,00	0,50

   Для сравнения «сырых» и «сглаженных» значений точности (соответственно из таблиц в пункте 5 и 6) это можно представить следующим образом: или вниз на Вызов увеличивается.
   Последнее, что осталось сделать, это вычислить Средняя точность ( AP ) из приведенной выше таблицы, добавив все Prec. значений и разделив их на 11 (количество предварительно выбранных Rt значений), что в данном случае равно 0,72 .

Пока мы имеем дело с моделями с одним классом объектов, это все. Если — что гораздо более вероятно — классов больше (например, 21 в Pascal VOC или 80 в наборах данных COCO), вам необходимо рассчитать AP для каждого класса, а затем рассчитайте mAP как среднее значение полученных значений AP (сумма значений AP , деленная на их количество).

Как я уже упоминал ранее, в некоторых случаях может потребоваться рассчитать не один AP для каждого класса, а несколько значений AP , каждое для разных IoU порога . Например, в случае вызова COCO основной метрикой является 90 108 mAP 90 109, рассчитанный для ряда 90 108 порогов IoU в диапазоне от 0,5 до 0,95 .

Независимо от выбранного подхода, если он используется последовательно, полученное значение mAP позволяет напрямую сравнивать результаты различных моделей (или вариантов моделей) на одном и том же наборе тестовых данных.

Достаточно ли mAP?

Рассчитывая mAP , есть соблазн слепо доверять и использовать его для выбора серийных моделей. Я бы категорически не рекомендовал этого делать, так как, к сожалению, это не так просто.

Как и все «средние», mAP может вводить в заблуждение, особенно если мы не считаем все обнаруженные объекты одинаково важными. В зависимости от ваших потребностей вы можете ожидать лучшего обнаружения на больших объектах, чем на более мелких, или вы можете считать правильное обнаружение людей гораздо более важным, чем обнаружение деревьев. В этом случае вы все еще можете использовать mAP в качестве «грубой» оценки качества модели обнаружения объектов, но вам также необходимо использовать некоторые более специализированные методы и метрики.

Например, в случае подсчета предметов 9Значение 0108 AP / mAP невосприимчиво к ложным срабатываниям с низкой достоверностью, если вы уже охватили объекты «наземной истины» с результатами с более высокой степенью достоверности.

Обратите внимание на следующую таблицу:

#	Уверенность	Есть_TP?	Количество TP	Точность	Отзыв		РТ и	Прец.
1	0,90	1	1,00	1,00	0,20		0,00	1,00
2	0,90	1	2,00	1,00	0,40		0,10	1,00
3	0,80	0	2,00	0,67	0,40		0,20	1,00
4	0,80	0	2,00	0,50	0,40		0,30	1,00
5	0,70	1	3,00	0,60	0,60		0,40	1,00
6	0,70	0	3,00	0,50	0,60		0,50	0,60
7	0,70	0	3,00	0,43	0,60		0,60	0,60
8	0,60	1	4,00	0,50	0,80		0,70	0,56
9	0,40	1	5,00	0,56	1,00		0,80	0,56
10	0,20	0	5,00	0,50	1,00		0,90	0,56
11	0,20	0	5,00	0,45	1,00		1,00	0,56
							ТД	0,77

Поскольку для расчета средней точности ( AP ) нас интересует максимальная точность (представляет количество правильно классифицированных объектов среди всех обнаруженных объектов) выше заданного отзыва (представляет количество правильно обнаруженных и классифицированных объектов в все объекты, которые должны быть обнаружены), как только Отзыв увеличивается до 1,0 в строке 9 выше (поскольку строки 1–9 содержат все объекты, которые должны быть обнаружены, True Positives TP ), количество дополнительных недействительных обнаружений (False Positives — FP ) не изменится результат. В приведенном выше примере обнаружения из строк 10 и 11 никак не влияют на результат mAP — и даже тысячи следующих «ложных» результатов не изменят его.

Вы можете сказать, что в любом случае не следует рассматривать результаты с низкой достоверностью — и вы, конечно, будете правы в большинстве случаев, — но это то, что вам нужно помнить. Особенно, если по какой-либо причине избежать неверных обнаружений ( Ложные срабатывания ) важнее, чем правильное обнаружение и классификация всех существующих объектов ( Верные срабатывания ).

Имея надлежащие инструменты, всегда стоит запачкать руки и использовать их на практике, чтобы лучше понять их и их ограничения. В случае задачи обнаружения объектов это будет сравнение разных моделей, работающих с одним и тем же набором данных. Поскольку эта статья, как обычно в моем случае, уже затянулась, то это тема для другой 😉.

Итак, наконец…

Если вы дошли до этого места, большое спасибо, что нашли время. Я надеюсь, что это помогло вам углубить ваше понимание обнаружения объектов и стратегий, которые мы можем разработать, чтобы помочь нам выбрать лучшие модели и методы для конкретной проблемы. Если обнаружение объектов на изображениях является ключом к раскрытию ценности, то нам нужно инвестировать время и ресурсы, чтобы убедиться, что мы делаем свою работу наилучшим образом. Если вы хотите более подробно узнать, как мы используем эти методы (и другие), чтобы помочь нашим клиентам создавать ценность из данных, пожалуйста, напишите мне.

искусственный интеллект

Ярослав Щегельняк

Ярослав Щегельняк

Просмотреть все сообщения Ярослава

---

Похожие сообщения

Вам может быть

также интересно в

Рафал Имельски 29 сентября 2020 г.

Использование Low-Code для цифровой трансформации

Для многих компаний low-code до сих пор остается неизведанной территорией разработки программного обеспечения. Это подход, который может обеспечить большую ценность для бизнеса при правильном использовании…

Лукаш Чесельски 22 ноября 2018 г.

10 тысяч человек не могут ошибаться!

Вы задаетесь вопросом, стоит ли принимать участие в Future Decoded? Если вы спросите меня, это абсолютно так! Прежде чем вы спросите: нет, я не сотрудник Microsoft и не организатор…

Гжегож Ситковски 9 сентября 2015 г.

Когда использовать (и не использовать) CQRS

С точки зрения архитектуры разделение ответственности за запросы команд (сокращенно CQRS) – это шаблон, основанный на разделении команд (выполняющих действия) и запросов (возвращающих данные). ..

Контакт

Начните

свой проект с Objectivity

Compare-Contrast-Connect: сейсмические волны и определение структуры Земли

Версия для печати

NGSS Наука и инженерная практика

Построение объяснений и разработка решений

Сквозные концепции NGSS

Основные идеи

3 NGSS

3

ESS2.A: Земные материалы и системы

Содержание

Сравнить-сопоставить-соединить: сейсмические волны и определение структуры Земли

Несмотря на то, что не существует технологии для путешествия во все слои Земли, ученые все еще могут учиться многое о структуре Земли через сейсмические волны. Сейсмические волны — это колебания в земле, которые передают энергию и возникают во время сейсмической активности, такой как землетрясения, извержения вулканов и даже искусственные взрывы. Существует два типа сейсмических волн: первичные волны и вторичные волны. Первичные волны , также известные как P-волны или волны давления, представляют собой продольные волны сжатия, подобные движению облегающего тела (SF рис. 7.1 A). Вторичные зубцы , или зубцы S, медленнее, чем зубцы P. Движение вторичных волн перпендикулярно направлению распространения волны, подобно движению энергично трясущейся веревки (рис. 7.1 Б).

 

Изображение

Подпись к изображению

SF Рис. 7.1. ( А ) Первичные или «P» зубцы показывают продольное сжатие, похожее на slinky.

Правообладатель иллюстрации и источник

Изображение Narrissa Spies

 

Изображение

Подпись к изображению

SF Рис. 7.1. ( B ) Вторичные или «S» волны движутся перпендикулярно направлению волны, подобно веревке.

Правообладатель иллюстрации и источник

Изображение предоставлено CK-12 Foundations, Wikipedia Commons

---

 

SF Рис. 7.1  ( C ) Первичные или зубцы P (вверху) и вторичные зубцы или S (внизу) в движении

Изображение предоставлено Actualist, Wikipedia Books

 

SF На рис. 7.1 C показаны первичные или зубцы P (вверху) и вторичные или S зубцы (внизу) в движении.

---

Ученые используют сейсмометры (рис. 7.2) для измерения сейсмических волн. Сейсмометры измеряют колебания земли относительно неподвижного прибора. Данные сейсмометра, также называемые сейсмограммой, показывают скорость по оси у и время по оси х (рис. 7.3). Обратите внимание на SF рис. 7.3, что зубцы P появляются первыми, потому что они распространяются с более высокой скоростью.

СФ Рис. 7.2. Сейсмометры используются для измерения сейсмических волн.

Изображение предоставлено Yamaguchi先生, Wikimedia Commons

СФ Рис. 7.3. Сейсмограмма показывает данные сейсмографа. Скорость волны измеряется по оси у, а время в секундах — по оси х. Р-волны регистрируются раньше, чем S-волны, потому что они распространяются с большей скоростью.

Изображение предоставлено Crickett, Wikimedia Commons

SF Таблица 7.1 показывает, что P-волны имеют более высокую скорость, чем S-волны, при прохождении через несколько типов минералов. Скорость, с которой распространяются сейсмические волны, зависит от свойств материала, через который они проходят. Например, чем плотнее материал, тем быстрее распространяется сейсмическая волна (табл. 7.1 SF). Р-волны могут проходить через жидкости, твердые тела и газы, тогда как S-волны проходят только через твердые тела. Ученые используют эту информацию, чтобы помочь им определить структуру Земли. Например, если землетрясение происходит на одной стороне Земли, сейсмометры по всему миру могут измерить результирующие S- и P-волны.

СФ Таблица 7. 1. Таблица различных минералов и их скоростей продольных и поперечных волн и плотности

Минерал	Скорость продольной волны (м/с)	Скорость волны S (м/с)	Плотность (г/см 3 )
Почва	300-700	100-300	1,7-2,4
Сухой песок	400-1200	100-500	1,5-1,7
Известняк	3500-6000	2000-3300	2,4-2,7
Гранит	4500-6000	2500-3300	2,5-2,7
Базальт	5000-6000	2800-3400	2,7-3,1

Предоставлено Стэнфордской лабораторией горной физики

 

 

СФ Рис. 7.4. На этой диаграмме показано гипотетическое распространение поперечных и продольных волн через землю в результате землетрясения. Р-волны (желтые стрелки) могут проникать через мантию и ядро, а S-волны (красные стрелки) могут проходить только через мантию.

Изображение Байрона Иноуэ

SF На рис. 7.4 показано распространение волны через Землю. Обратите внимание, что P-волны проходят через все слои земли, тогда как S-волны не могут проходить через твердое ядро ​​земли, в результате чего на противоположной стороне землетрясения появляется тень S-волны.

---

 

Набор вопросов

1. Что такое сейсмические волны? Используйте свои собственные слова, чтобы описать их.
    
2. Как вы думаете, почему волны, проходящие через базальт, имеют более высокую сейсмическую скорость, чем волны, проходящие через песок?
    
3. Как ученые использовали сейсмические волны для определения структуры Земли?
    
4. Подумайте о дополнительных объектах, помимо обтягивающего ремня или веревки, привязанной к дереву, которые имеют движение, подобное волне P и волне S.