Машинное обучение в науках о Земле

Приложения машинного обучения в науках о Земле включают геологическое картирование , обнаружение утечек газа и идентификацию геологических особенностей . Машинное обучение (МО) — это тип искусственного интеллекта (ИИ), который позволяет компьютерным системам классифицировать, кластеризовать, идентифицировать и анализировать огромные и сложные наборы данных, устраняя при этом необходимость в явных инструкциях и программировании. Наука о Земле – это изучение происхождения, эволюции и будущего планеты Земля . Систему Земли можно разделить на четыре основных компонента, включая твердую землю , атмосферу , гидросферу и биосферу .

исследований могут применяться различные алгоритмы В зависимости от характера геолого-геофизических . Некоторые алгоритмы могут работать значительно лучше, чем другие, для конкретных целей. Например, сверточные нейронные сети (CNN) хорошо интерпретируют изображения, искусственные нейронные сети (ANN) хорошо справляются с классификацией почвы. но обучение более затратно в вычислительном отношении, чем машинное обучение опорных векторов (SVM). Применение машинного обучения стало популярным в последние десятилетия, поскольку развитие других технологий, таких как беспилотные летательные аппараты (БПЛА), сверхвысокого разрешения технология дистанционного зондирования и высокопроизводительные вычислительные блоки приведет к доступности больших наборов высококачественных данных и более совершенных алгоритмов .

Значение

Сложность

Проблемы в науках о Земле часто бывают сложными. Трудно применить хорошо известные и описанные математические модели к природной среде, поэтому машинное обучение обычно является лучшей альтернативой для таких нелинейных задач. Экологические данные обычно нелинейны и состоят из взаимодействий более высокого порядка, и вместе с отсутствующими данными традиционная статистика может работать неэффективно, поскольку к модели применяются нереалистичные предположения, такие как линейность. Ряд исследователей обнаружили, что машинное обучение превосходит традиционные статистические модели в науках о Земле, например, при описании лесного полога , структуры прогнозирование изменений ареала, вызванных климатом , и определение геологических фаций. Характеристика структуры лесного полога позволяет ученым изучать реакцию растительности на изменение климата. Прогнозирование изменений ареала, вызванных изменением климата, позволяет политикам использовать подходящий метод переговоров для преодоления последствий изменения климата. Определение геологических фаций помогает геологам понять геологию территории, что важно для ее разработки и управления.

Недоступные данные

В науках о Земле к некоторым данным часто бывает трудно получить доступ или собрать их, поэтому желательно получать данные из данных, которые легко доступны, с помощью метода машинного обучения. Например, геологическое картирование влажных тропических лесов является сложной задачей, поскольку густой растительный покров и обнажения горных пород плохо обнажены. Применение дистанционного зондирования с подходами машинного обучения обеспечивает альтернативный способ быстрого картографирования без необходимости ручного картографирования недоступных областей.

Сократить временные затраты

Машинное обучение также может сократить усилия экспертов, поскольку ручные задачи по классификации, аннотациям и т. д. являются узкими местами в рабочем процессе исследований в области наук о Земле. Геологическое картирование, особенно на обширной и отдаленной территории, требует трудозатрат, затрат и времени при использовании традиционных методов. Включение подходов дистанционного зондирования и машинного обучения может обеспечить альтернативное решение, позволяющее устранить некоторые потребности в картировании полей.

Последовательный и беспристрастный

Последовательность и отсутствие предвзятости также являются преимуществом машинного обучения по сравнению с ручной работой людей. В исследовании, сравнивающем эффективность человеческого и машинного обучения при идентификации динофлагеллят , обнаружено, что машинное обучение не так склонно к систематическим ошибкам, как люди. Эффект новизны, присутствующий у людей, заключается в том, что классификация часто смещается в сторону самых последних вспоминаемых классов. В задаче исследования по маркировке, если один вид динофлагеллят встречается редко в образцах, то эксперты-экологи обычно не смогут его правильно классифицировать. Систематическая ошибка сильно ухудшает точность классификации людей.

Оптимальный алгоритм машинного обучения

Широкое использование машинного обучения в различных областях привело к широкому спектру применяемых алгоритмов и методов обучения. Алгоритм машинного обучения, применяемый при решении задач науки о Земле, представляет большой интерес для исследователей. Выбор оптимального алгоритма для конкретной цели может привести к значительному повышению точности. Например, литологическое картирование золотосодержащих гранитно-зеленокаменных пород в Хутти, Индия, с использованием гиперспектральных данных AVIRIS-NG показывает более чем 10%-ную разницу в общей точности между использованием машины опорных векторов (SVM) и случайного леса . Некоторые алгоритмы также могут раскрывать важную информацию. «Модели белого ящика» — это прозрачные модели, в которых результаты и методологии можно легко объяснить, тогда как модели «черного ящика» являются противоположными. Например, хотя машина опорных векторов (SVM) дала лучший результат по точности оценки предрасположенности к оползням, результат нельзя переписать в виде экспертных правил, объясняющих, как и почему территория была отнесена к этому конкретному классу. Напротив, дерево решений имеет прозрачную модель, которую легко понять, и пользователь может наблюдать и исправлять отклонения, если таковые имеются в модели. Если вычислительная мощность вызывает беспокойство, более требовательный к вычислениям метод обучения, такой как искусственная нейронная сеть, является менее предпочтительным, несмотря на то, что искусственная нейронная сеть может немного превосходить другие алгоритмы, например, при классификации почвы.

Ниже приведены основные моменты некоторых часто применяемых алгоритмов.

• 
  Машина опорных векторов (SVM)
  В машине опорных векторов (SVM) граница решения определялась в процессе обучения с помощью набора обучающих данных, представленного зелеными и красными точками. Данные фиолетового цвета находятся ниже границы решения, поэтому они относятся к красному классу.
• 
  К ближайший сосед
  K ближайший сосед классифицирует данные на основе их сходства. k — параметр, представляющий количество соседей, которые будут учитываться в процессе голосования. Например, на рисунке k = 4, поэтому рассматриваются ближайшие 4 соседа. Из 4-х ближайших соседей 3 относятся к красному классу и 1 – к зеленому классу. Фиолетовые данные классифицируются как красный класс.
• 
  Дерево решений
  Дерево решений показывает возможные результаты связанных выборов. Дерево решений можно разделить на дерево классификации и дерево регрессии. На рисунке выше показано дерево классификации, поскольку выходные данные представляют собой дискретные классы. Для дерева регрессии выходные данные представляют собой число. Это модель белого ящика, которая прозрачна, и пользователь может заметить смещение, если оно появляется в модели.
• 
  Случайный лес
  В случайном лесу несколько деревьев решений используются вместе в ансамблевом методе. Во время обучения модели создается несколько деревьев решений. Различные деревья решений могут давать разные результаты. Процесс большинства голосов/усреднения выдает окончательный результат. Этот метод обеспечивает более высокую точность при использовании только одного дерева решений.
• 
  Нейронные сети
  Нейронные сети имитируют нейроны биологического мозга. Он состоит из нескольких слоев, слои между которыми являются скрытыми. Веса связей корректируются в процессе обучения. Поскольку промежуточная логика неясна, это называется «операцией черного ящика». Сверточная нейронная сеть (CNN) — это подкласс нейронных сетей, который обычно используется для обработки изображений.

Использование

Картирование

Геологическое или литологическое картирование и картирование

Геологическое или литологическое картирование создает карты, показывающие геологические особенности и геологические единицы. полезных ископаемых Картирование перспективности использует различные наборы данных, такие как геологические карты, аэромагнитные изображения и т. д., для создания карт, специализированных для разведки полезных ископаемых. Геологическое/литологическое картирование и картирование перспективности полезных ископаемых могут выполняться путем обработки данных с помощью методов машинного обучения с вводом спектральных изображений, полученных на основе дистанционного зондирования и геофизических данных. Спектральные изображения — это изображения выбранных диапазонов электромагнитных длин волн в электромагнитном спектре, в то время как обычные изображения фиксируют три диапазона длин волн (красный, зеленый, синий) в электромагнитном спектре. Случайный лес , машина опорных векторов (SVM) и т. д. являются распространенными алгоритмами, используемыми с геофизическими данными дистанционного зондирования, а простая линейная итеративная кластеризованно-сверточная нейронная сеть (SLIC-CNN) и сверточные нейронные сети (CNN) и т. д. обычно применяются при работе с аэрофотоснимками и изображениями. Крупномасштабное картирование может быть выполнено с использованием геофизических данных, полученных с помощью геофизических данных воздушного и спутникового дистанционного зондирования. а картирование меньшего масштаба может быть выполнено с использованием изображений с беспилотного летательного аппарата (БПЛА) для более высокого разрешения.

Растительный покров является одним из основных препятствий для геологического картирования с помощью дистанционного зондирования, о чем свидетельствуют различные исследования, как крупномасштабные, так и мелкомасштабные. Растительность влияет на качество спектрального изображения или скрывает информацию о породах на аэрофотоснимках.

Примеры применения в геологическом/литологическом картировании и картировании перспектив полезных ископаемых

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Литологическое картирование золотосодержащих гранитно-зеленокаменных пород	Гиперспектральные данные AVIRIS-NG	Хутти, Индия	Линейный дискриминантный анализ (LDA) , Случайный лес , Машина опорных векторов (SVM)	Машина опорных векторов (SVM) превосходит другие алгоритмы машинного обучения (MLA)
Литологическое картирование тропических лесов	Магнитная векторная инверсия, Тернарная карта RGB, Миссия по радиолокационной топографии шаттла (SRTM) , Ложный цвет (RGB) Landsat 8, объединяющий полосы 4, 3 и 2.	Серый линеамент, Бразилия	Случайный лес	Были созданы две прогнозные карты: (1) Карта, созданная с использованием данных дистанционного зондирования, имеет точность только 52,7% по сравнению с геологической картой, но идентифицировано несколько новых возможных литологических единиц. (2) Карта, созданная с использованием данных дистанционного зондирования и пространственных ограничений, имеет точность 78,7%, но новые возможные литологические подразделения не выявлены.
Геологическое картирование для разведки полезных ископаемых	Воздушное поляриметрическое наблюдение местности с прогрессивным сканированием SAR (TopSAR), геофизические данные	Западная Тасмания	Случайный лес	Низкая надежность TopSAR для геологического картирования, но точность с геофизическими данными.
Геолого-минералогическое картирование	Мультиспектральные и гиперспектральные спутниковые данные	Центральный Джебилет, Марокко	Машина опорных векторов (SVM)	Точность использования гиперспектральных данных для классификации немного выше, чем точность использования мультиспектральных данных: 93,05% и 89,24% соответственно, что показывает, что машинное обучение является надежным инструментом для разведки полезных ископаемых.
Интеграция мультигеофизических данных в кластерную карту	Воздушно-магнитный, частотно-электромагнитные, радиометрические измерения, измерения силы тяжести грунта	Трёнделаг, Средняя Норвегия	Случайный лес	Созданная кластерная карта имеет удовлетворительное соответствие с существующей геологической картой, но с небольшими несоответствиями.
Геологическое картирование высокого разрешения с помощью беспилотного летательного аппарата (БПЛА)	RGB-изображения сверхвысокого разрешения	Набережная Тайли, провинция Ляонин, Китай	Простая линейная итеративная кластерно-сверточная нейронная сеть (SLIC-CNN)	Результат является удовлетворительным при картировании основных геологических единиц, но показал плохую эффективность при картировании пегматитов, мелкозернистых пород и даек. БПЛА не смогли собрать информацию о камнях там, где камни не были обнажены.
Картирование поверхностной геологии Удаленное прогнозное картографирование (RPM)	Аэрофотоснимки , Ландсат Отражение, Цифровые данные о высоте высокого разрешения	Южный Раэский геологический район, Северо-Западные территории, Канада	Сверточные нейронные сети (CNN), Случайный лес	В результате точность CNN составила 76% в зоне местного обучения и 68% в зоне независимого тестирования. CNN достиг немного более высокой точности — 4%, чем Random Forest.

Методы разделения наборов данных на набор обучающих данных и набор тестовых данных
Поскольку для обучения машинному обучению картированию подверженности оползням требуется как обучающий, так и тестовый набор данных, поэтому требуется разделение набора данных. Два метода разделения наборов данных представлены на геологической карте восточной части Камберлендского ущелья. Представленный слева метод «Разбиение на две смежные территории» более полезен, поскольку алгоритм автоматизации может выполнить картографирование новой территории с вводом экспертно обработанных данных о прилегающем земельном участке. Пиксели голубого цвета показывают набор обучающих данных, а остальные — наборы тестовых данных.

оползням и

Под предрасположенностью к оползням понимается вероятность оползня в месте, на которое влияют местные условия местности. Картирование подверженности оползням может выявить районы, подверженные риску оползней, что полезно для городского планирования и борьбы со стихийными бедствиями. Входной набор данных для алгоритмов машинного обучения обычно включает топографическую информацию, литологическую информацию, спутниковые изображения и т. д., а некоторые могут включать информацию о землепользовании, земельном покрове, дренажной информации, растительном покрове. в соответствии с их потребностями в учебе. В рамках машинного обучения требуется обучение картированию подверженности оползням, обучение и тестирование наборов данных. Существует два метода распределения наборов данных для обучения и тестирования: один — случайное разделение области исследования для наборов данных, другой — разделение всего исследования на две смежные части для двух наборов данных. Для проверки моделей классификации общепринятой практикой является случайное разделение исследуемой территории на два набора данных: однако более полезно, чтобы исследуемую территорию можно было разделить на две смежные части, чтобы алгоритм автоматизации мог выполнить картографирование новой территории с вводом экспертно обработанных данных о прилегающем земельном участке.

Примеры применения в картировании подверженности оползням/опасностям

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Оценка предрасположенности к оползням	Цифровая модель рельефа (DEM), Геологическая карта, 30-метровые снимки Landsat	Гора Фрушка Гора, Сербия	Машина опорных векторов (SVM), Деревья решений , Логистическая регрессия	Машина опорных векторов (SVM) превосходит другие
Картирование подверженности оползням	геоморфологические данные спутника ASTER, геологические карты	остров Хонсю, Япония	Искусственная нейронная сеть (ИНС)	Точность более 90% для определения вероятности оползня.
Зонирование оползнеопасности по рейтингам	Слои пространственных данных с склон, аспект, относительное облегчение, литология, конструктивные особенности, землепользование, земельный покров, плотность дренажа	Части районов Чамоли и Рудрапраяг штата Уттаракханд, Индия	Искусственная нейронная сеть (ИНС)	AUC этого подхода достигает 0,88. Этот подход позволил провести точную оценку рисков оползней.
Региональный анализ опасности оползней	Топографический уклон, топографический аспект, топографическая кривизна, расстояние от дренажа, литология, расстояние от линеамента, растительный покров по спутниковым снимкам ТМ, Индекс растительности (NDVI), данные об осадках	Восточная часть штата Селангор. Малайзия	Искусственная нейронная сеть (ИНС)	Этот подход позволил достичь точности прогноза 82,92%.

Идентификация и обнаружение функций

Техника увеличения данных
При подготовке набора данных для распознавания трещин горных пород было проведено дополнение данных. Этот метод обычно используется для увеличения размера набора обучающих данных. Хотя случайно обрезанные и перевернутые образцы взяты из одного и того же изображения, обработанные образцы уникальны для обучения. Этот метод может предотвратить проблему нехватки данных и проблему переобучения модели.

Анализ разрывов

Разрывы, такие как плоскость разлома , плоскость напластования и т. д., имеют важные последствия в инженерном деле. Разломы горных пород можно распознать автоматически с помощью машинного обучения посредством фотограмметрического анализа даже при наличии мешающих объектов, например, слоения, стержнеобразной растительности и т. д. При машинном обучении классификации изображений увеличение данных является обычной практикой, позволяющей избежать переобучения и увеличить набор обучающих данных. Например, в исследовании по распознаванию трещин горных пород 68 изображений для обучения и 23 изображения для набора тестовых данных были подготовлены путем случайного разделения. увеличение данных , и набор обучающих данных был увеличен до 8704 изображений путем переворота и случайной обрезки. Затем было проведено В большинстве случаев этот подход позволил точно распознать трещины в горных породах. Отрицательная прогностическая ценность (NPV) и специфичность превышали 0,99. Это продемонстрировало надежность анализа разрывов с помощью машинного обучения.

Примеры применения в анализе разрывов

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Распознавание трещин горных пород	Изображения камней, собранные в ходе полевых исследований	Гора Гванак и гора Бухан, Сеул, Корея и Чонсон, Канвондо, Корея	Сверточная нейронная сеть (CNN)	В большинстве случаев этот подход позволил точно распознать трещины горных пород. Отрицательная прогнозируемая ценность (NPV) и специфичность превышают 0,99.

углекислого

Количественная оценка утечки углекислого газа из места геологической секвестрации привлекает все большее внимание, поскольку общественность интересуется тем, безопасно ли и эффективно ли углекислый газ хранится под землей. Участок геологической секвестрации предназначен для улавливания парниковых газов и захоронения их глубоко под землей в геологических формациях. Утечку углекислого газа из места геологической секвестрации можно обнаружить косвенно по реакции планеты на стресс с помощью дистанционного зондирования и алгоритма неконтролируемой кластеризации ( метод итеративного самоорганизующегося анализа данных (ISODATA) ). Увеличение концентрации CO ₂ в почве вызывает у растений стрессовую реакцию, подавляя дыхание растений, поскольку кислород вытесняется углекислым газом. Сигнал стресса со стороны растительности можно обнаружить с помощью индекса красного края (REI). Гиперспектральные изображения обрабатываются с помощью неконтролируемого алгоритма кластеризации пикселей со схожими реакциями растений. Гиперспектральная информация в областях с известной утечкой CO ₂ была извлечена таким образом, чтобы области с утечкой CO ₂ можно было сопоставить с кластеризованными пикселями со спектральными аномалиями. Хотя этот подход позволяет эффективно выявлять утечки CO ₂ , существуют некоторые ограничения, которые требуют дальнейшего изучения. Индекс красного края (REI) может быть неточным по таким причинам, как более высокое поглощение хлорофилла, изменение растительности и эффекты затенения, поэтому некоторые напряженные пиксели были ошибочно идентифицированы как здоровые пиксели. Сезонность , высота уровня грунтовых вод также могут влиять на стрессовую реакцию _{на CO 2 .} растительности

Примеры применения для обнаружения утечек углекислого газа

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Обнаружение утечки CO 2 из места геологической секвестрации	Аэрофотоснимки гиперспектральные	Исследования и технологии с нулевым уровнем выбросов (ZERT), НАС	Метод итерационного самоорганизующегося анализа данных (ISODATA)	Этот подход позволил обнаружить районы с утечками CO 2 , однако на результаты повлияли и другие факторы, такие как вегетационный период растительности.

Количественная оценка притока воды

Система рейтинга горной массы (RMR) принятая во всем мире система классификации горных пород геомеханическими методами с вводом шести параметров. Объем притока воды является одним из входных данных схемы классификации, отражающим состояние подземных вод. Количественная оценка притока воды в забоях скального туннеля традиционно проводилась путем визуального наблюдения в полевых условиях, что требует труда и времени из соображений безопасности. Машинное обучение может определить приток воды, анализируя изображения, сделанные на строительной площадке. Классификация этого подхода в основном соответствует системе RMR, но сочетает в себе влажное и влажное состояние, поскольку их трудно отличить только при визуальном осмотре. Изображения были классифицированы на состояние без повреждений, влажное состояние, капающее состояние, текучее состояние и фонтанирующее состояние. Точность классификации изображений составила около 90%.

Примеры применения для количественного определения притока воды

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Количественная оценка притока воды в забоях горных тоннелей	Изображения притока воды	-	Сверточная нейронная сеть (CNN)	Подход достиг средней точности 93,01%.

Классификация

Классификация почв

Самый популярный и экономически эффективный метод исследования почвы – это испытание на проникновение конуса (CPT). Испытание проводится путем проталкивания металлического конуса через почву, а сила, необходимая для проталкивания с постоянной скоростью, записывается в виде квазинепрерывного бревна. Машинное обучение может классифицировать почву с помощью данных журнала испытаний на проникновение конуса. При попытке классификации с помощью машинного обучения необходимо выполнить две части задач для анализа данных: сегментацию и классификацию. Часть сегментации может быть выполнена с помощью алгоритма кластеризации и классификации ограничений (CONCC) для разделения данных одной серии на сегменты. Часть классификации может выполняться с помощью деревьев решений (DT), искусственной нейронной сети (ANN) или машины опорных векторов (SVM). При сравнении трех алгоритмов показано, что искусственная нейронная сеть (ИНС) показала лучшие результаты при классификации перегнойной глины и торфа, а деревья решений показали лучшие результаты при классификации глинистого торфа. Классификация этим методом способна достигать очень высокой точности, даже для самой сложной задачи ее точность составляла 83%, а неправильно классифицированный класс был геологически соседним. Учитывая тот факт, что такой точности достаточно для большинства экспертов, точность такого подхода можно принять за 100%.

Примеры применения в классификации почв

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Классификация почв	Журналы испытаний на проникновение конуса (CPT)	-	Деревья решений, Искусственная нейронная сеть (ИНС), Машина опорных векторов	Искусственная нейронная сеть (ИНС) превзошла остальных в классификации гумусированной глины и торфа, а деревья решений превзошли остальных в классификации глинистого торфа. Машина опорных векторов показала самую низкую производительность среди трех.

структур

Эффект цветного изображения и изображения в оттенках серого . На рисунке показано изображение сгиба. На левом изображении показано цветное изображение, а на правом — изображение в оттенках серого. Разница в точности классификации геологической структуры между цветными изображениями и изображениями в оттенках серого невелика.

Открытые геологические структуры, такие как антиклиналь , следы ряби , ксенолит , царапины, пигматические складки , разломы, конкреции, грязевые трещины, гнейсы, будины , базальтовые колонны и дайки , могут быть идентифицированы автоматически с помощью модели глубокого обучения . Исследования показали, что трехслойная сверточная нейронная сеть (CNN) и трансферное обучение имеют высокую точность около 80% и 90% соответственно, в то время как другие, такие как K-ближайшие соседи (KNN), искусственная нейронная сеть (ANN) и экстремальное повышение градиента (XGBoost) ) имеют низкую точность, колеблется в пределах 10% - 30%. Были протестированы как изображения в оттенках серого, так и цветные изображения, и разница в точности невелика, что позволяет сделать вывод, что цвет не очень важен для идентификации геологических структур.

Примеры применения в классификации геологических структур

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Классификация геологических структур	Изображения геологических структур	-	K ближайших соседей (КНН), Искусственная нейронная сеть (ИНС), Экстремальное повышение градиента (XGBoost), Трехслойная сверточная нейронная сеть (CNN), Трансферное обучение	Трехслойная сверточная нейронная сеть (CNN) и трансферное обучение достигли точности примерно до 80% и 90% соответственно, в то время как другие были относительно низкими и колеблются от 10% до 30%.

Прогноз и предсказания

Системы раннего предупреждения

Системы раннего предупреждения о землетрясениях часто уязвимы к локальному импульсному шуму, поэтому выдают ложные оповещения. Ложные оповещения можно устранить, отличив формы волн землетрясения от шумовых сигналов с помощью методов машинного обучения. Метод состоит из двух частей: первая часть — это обучение без учителя с помощью генеративно-состязательной сети (GAN) для изучения и извлечения характеристик первых вступающих P-волн и случайного леса для распознавания P-волн. Этот подход позволил распознать P-волны на 99,2% и позволяет избежать ложных срабатываний шумовых сигналов с точностью 98,4%.

Лабораторные землетрясения производятся в лабораторных условиях, чтобы имитировать реальные землетрясения. С помощью машинного обучения можно идентифицировать образцы акустических сигналов, предвестников землетрясений, без необходимости ручного поиска. Прогнозирование времени, оставшегося до отказа, было продемонстрировано в исследовании с использованием непрерывных акустических временных рядов, записанных после неисправности. Примененный алгоритм был обучен случайным лесом примерно на 10 событиях скольжения и отлично показал себя в прогнозировании оставшегося времени до отказа. Он идентифицировал акустические сигналы для прогнозирования сбоев, и один из них ранее не был идентифицирован. Хотя это лабораторное землетрясение не такое сложное, как землетрясение, оно представляет собой важный прогресс, который будет определять дальнейшую работу по прогнозированию землетрясений в будущем.

Примеры применения в прогнозировании землетрясений

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Различение форм волн землетрясений	Набор данных о землетрясениях	Южная Калифорния и Япония	Генеративно-состязательная сеть (GAN), Случайный лес	Этот подход позволяет распознавать зубцы P с точностью 99,2% и избегать ложных срабатываний шумовых сигналов с точностью 98,4%.
Прогнозирование времени, оставшегося до следующего землетрясения	Непрерывные акустические временные ряды данных	-	Случайный лес	Р 2 значение прогноза достигло 0,89, что продемонстрировало отличную производительность.

расхода

реального времени Данные о стоке в режиме необходимы для принятия решений, например, об эвакуации, регулировании уровня воды в водохранилище во время наводнения. Данные о речном стоке можно оценить на основе информации, предоставляемой водомерами , которые измеряют уровень воды в реке. Однако вода и мусор в результате наводнения могут повредить водомеры, и важные данные в режиме реального времени будут отсутствовать. Способность машинного обучения выявлять недостающие данные позволяет ему прогнозировать расход реки как с использованием исторических данных водомеров, так и данных в реальном времени. SHEM — это модель, которая относится к оценке гидрологии речного стока с использованием машинного обучения. это может послужить этой цели. Чтобы проверить точность, результат прогноза сравнили с фактически записанными данными, и точность оказалась в диапазоне от 0,78 до 0,99.

Примеры применения в прогнозировании расхода речного стока

Цель	Входной набор данных	Расположение	Алгоритмы машинного обучения (MLA)	Производительность
Оценка Streamflow при отсутствии данных	Потоковые данные из NWIS-Web	Четыре разнообразных водораздела в Айдахо и Вашингтоне, НАС	Случайные леса	Оценки хорошо коррелируют с историческими данными о сбросах. Точность колеблется от 0,78 до 0,99.

Вызов

Неадекватные тренировочные данные

Для машинного обучения требуется достаточный объем данных обучения и проверки. Однако некоторые очень полезные продукты, такие как данные спутникового дистанционного зондирования, содержат данные только за десятилетия, начиная с 1970-х годов. Если интересовать годовые данные, то доступно менее 50 образцов. Такого объема данных может быть недостаточно. При исследовании автоматической классификации геологических структур недостатком модели является небольшой набор обучающих данных, хотя с помощью аугментации данных можно увеличить размер набора данных. Другое исследование прогнозирования стока рек показало, что точность зависит от наличия достаточных исторических данных, поэтому достаточные данные обучения определяют производительность машинного обучения. Неадекватные данные обучения могут привести к проблеме, называемой переобучением. Переобучение приводит к неточностям в машинном обучении по мере того, как модель узнает о шуме и нежелательных деталях.

Ограничено вводом данных

Машинное обучение не может выполнять некоторые задачи так, как это легко делает человек. Например, при количественной оценке притока воды в забоях каменных туннелей по изображениям для системы Rock Mass Rating (RMR): Влажное и влажное состояние не было классифицировано с помощью машинного обучения, поскольку различить их только путем визуального осмотра невозможно. В некоторых задачах машинное обучение не сможет полностью заменить ручную работу человека.

Операция «черный ящик»

Работа «черного ящика» некоторых алгоритмов машинного обучения
В операции «черный ящик» пользователь знает только о вводе и выводе, но не о процессе. Искусственная нейронная сеть (ИНС) является примером операции «черного ящика». У пользователя нет возможности понять логику скрытых слоев.

Во многих алгоритмах машинного обучения, например, в искусственной нейронной сети (ИНС), он рассматривается как подход « черного ящика », поскольку четкие взаимосвязи и описания того, как генерируются результаты в скрытых слоях, неизвестны. Подход «белого ящика», такой как дерево решений, может раскрыть пользователям детали алгоритма. Если кто-то хочет исследовать взаимосвязи, такие подходы «черного ящика» не подходят. Однако производительность алгоритмов «черного ящика» обычно выше.