Combining Machine Learning and Geophysical Inversion for Applied Geophysics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Machine learning and geophysical inversion both represent ways that the applied geophysicist might gain knowledge from field observations and remote sensed data. The two approaches represent contrasting philosophies based respectively on statistics and physics. Both potentially add insights which might help constrain 3D geology by geophysical means. Machine learning uses patterns in data to provide statistically controlled predictions, e.g. of lithology. In contrast, geophysical inversion relies on modelling the physical response of 3D geological block geometry in a deterministic manner. Although both approaches are widely used, it is not currently commonplace in applied geosciences to make use of a combined approach.We present an example which aims to refine the 3D geology in a prospective region of west Tasmania. Although the region is geologically well-mapped, thick vegetation and significant topography present a challenging set of conditions under which to refine the lithology and block geometry to a level of detail which will support the next generation of exploration. We use multiple layers of remote sensed geophysical data to provide probabilistic information on near-surface lithology extent using the Random Forests classifier. We show how the statistical, robust, output from the machine learning exercise can be used to guide the construction of improved volume geometry within a 3D GOCAD geological and geophysical modelling environment. This enables better constraints to be supplied to the geophysical inversion with resulting improvements in the detail of the 3D geology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle