Hispanopedia Wiki
Articulo de referencia

Aprendizaje automático en las ciencias de la tierra

Las aplicaciones del aprendizaje automático (ML) en las ciencias de la Tierra incluyen el mapeo geológico , la detección de fugas de gas y la identificación de características g...

Hispanopedia WikiContenido en espanolLectura gratuita

Las aplicaciones del aprendizaje automático (ML) en las ciencias de la Tierra incluyen el mapeo geológico , la detección de fugas de gas y la identificación de características geológicas . El aprendizaje automático es una subdisciplina de la inteligencia artificial destinada a desarrollar programas capaces de clasificar, agrupar, identificar y analizar conjuntos de datos vastos y complejos sin la necesidad de una programación explícita para hacerlo. [1] La ciencia de la Tierra es el estudio del origen, la evolución y el futuro [2] de la Tierra . El sistema de la Tierra se puede subdividir en cuatro componentes principales que incluyen la tierra sólida , la atmósfera , la hidrosfera y la biosfera . [3]

Se pueden aplicar diversos algoritmos según la naturaleza de la tarea. Algunos algoritmos pueden funcionar significativamente mejor que otros para objetivos particulares. Por ejemplo, las redes neuronales convolucionales (CNN) son buenas para interpretar imágenes, mientras que las redes neuronales más generales se pueden usar para la clasificación de suelos [4] , pero pueden ser más costosas computacionalmente para entrenar que alternativas como las máquinas de vectores de soporte [5] . La gama de tareas a las que se aplica el ML (incluido el aprendizaje profundo ) ha crecido constantemente en las últimas décadas, al igual que el desarrollo de otras tecnologías como los vehículos aéreos no tripulados (UAV), [6] la tecnología de detección remota de resolución ultraalta y la computación de alto rendimiento [7] . Esto ha llevado a la disponibilidad de grandes conjuntos de datos de alta calidad y algoritmos más avanzados.

Significado

La complejidad de las ciencias de la tierra

Los problemas en las ciencias de la tierra son a menudo complejos. [7] Es difícil aplicar modelos matemáticos bien conocidos y descritos al entorno natural, por lo tanto, el aprendizaje automático es comúnmente una mejor alternativa para tales problemas no lineales. [8] Los datos ecológicos son comúnmente no lineales y consisten en interacciones de orden superior, y junto con los datos faltantes, las estadísticas tradicionales pueden tener un rendimiento inferior ya que se aplican suposiciones poco realistas como la linealidad al modelo. [9] [10] Varios investigadores encontraron que el aprendizaje automático supera a los modelos estadísticos tradicionales en las ciencias de la tierra, como en la caracterización de la estructura del dosel forestal , [11] la predicción de los cambios de rango inducidos por el clima , [12] y la delineación de facies geológicas. [13] La caracterización de la estructura del dosel forestal permite a los científicos estudiar la respuesta de la vegetación al cambio climático. [14] La predicción de los cambios de rango inducidos por el clima permite a los responsables de las políticas adoptar un método de conversación adecuado para superar las consecuencias del cambio climático. [15] La delineación de las facies geológicas ayuda a los geólogos a comprender la geología de un área, lo cual es esencial para el desarrollo y la gestión de un área. [16]

Datos inaccesibles

En las ciencias de la Tierra, algunos datos suelen ser difíciles de acceder o recopilar, por lo que es deseable inferir datos a partir de datos que están fácilmente disponibles mediante el método de aprendizaje automático. [10] Por ejemplo, el mapeo geológico en las selvas tropicales es un desafío porque la espesa cubierta vegetal y los afloramientos rocosos están poco expuestos. [17] La ​​aplicación de la teledetección con enfoques de aprendizaje automático proporciona una forma alternativa de mapeo rápido sin la necesidad de mapear manualmente en áreas inaccesibles. [17]

Reducir costes de tiempo

El aprendizaje automático también puede reducir los esfuerzos que realizan los expertos, ya que las tareas manuales de clasificación y anotación, etc., son los cuellos de botella en el flujo de trabajo de la investigación de las ciencias de la Tierra. [10] El mapeo geológico, especialmente en un área vasta y remota, es laborioso, costoso y requiere mucho tiempo con los métodos tradicionales. [18] La incorporación de enfoques de teledetección y aprendizaje automático puede proporcionar una solución alternativa para eliminar algunas necesidades de mapeo de campo. [18]

Coherente y libre de sesgos

La coherencia y la ausencia de sesgos también son ventajas del aprendizaje automático en comparación con los trabajos manuales de los humanos. En una investigación que compara el rendimiento del aprendizaje humano y el aprendizaje automático en la identificación de dinoflagelados , se descubrió que el aprendizaje automático no es tan propenso al sesgo sistemático como los humanos. [19] Un efecto de actualidad que está presente en los humanos es que la clasificación a menudo se sesga hacia las clases recordadas más recientemente. [19] En una tarea de etiquetado de la investigación, si un tipo de dinoflagelados aparece raramente en las muestras, entonces los ecólogos expertos comúnmente no lo clasificarán correctamente. [19] El sesgo sistemático deteriora fuertemente la precisión de la clasificación de los humanos. [19]

Algoritmo óptimo de aprendizaje automático

El uso extensivo del aprendizaje automático en diversos campos ha dado lugar a la aplicación de una amplia gama de algoritmos de métodos de aprendizaje. La elección del algoritmo óptimo para un propósito específico puede dar lugar a un aumento significativo de la precisión: [20] por ejemplo, el mapeo litológico de rocas de granito y piedra verde que contienen oro en Hutti, India, con datos hiperespectrales de AVIRIS-NG, muestra una diferencia de más del 10 % en la precisión general entre el uso de máquinas de vectores de soporte (SVM) y bosques aleatorios . [21]

Algunos algoritmos también pueden revelar información importante oculta: los modelos de caja blanca son modelos transparentes , cuyos resultados se pueden explicar fácilmente, mientras que los modelos de caja negra son lo opuesto. [20] Por ejemplo, aunque un SVM arrojó el mejor resultado en la precisión de la evaluación de susceptibilidad a deslizamientos de tierra, el resultado no se puede reescribir en forma de reglas expertas que expliquen cómo y por qué un área se clasificó como esa clase específica. [7] Por el contrario, los árboles de decisión son transparentes y fáciles de entender, y el usuario puede observar y corregir el sesgo si lo hay en dichos modelos. [7]

Si los recursos computacionales son una preocupación, los métodos de aprendizaje más exigentes computacionalmente, como las redes neuronales profundas, son menos preferidos, a pesar del hecho de que pueden superar a otros algoritmos, como en la clasificación de suelos. [4]

Uso

Cartografía

Mapeo geológico o litológico y mapeo de prospectividad minera

El mapeo geológico o litológico produce mapas que muestran características geológicas y unidades geológicas. El mapeo de prospectividad mineral utiliza una variedad de conjuntos de datos, como mapas geológicos e imágenes aeromagnéticas, para producir mapas especializados para la exploración minera. [22] El mapeo geológico, litológico y de prospectividad mineral se puede llevar a cabo procesando datos con técnicas de aprendizaje automático, con la entrada de imágenes espectrales obtenidas a partir de datos geofísicos y de teledetección. [23] También se utilizan imágenes espectrales : la obtención de imágenes de bandas de longitud de onda en el espectro electromagnético, mientras que las imágenes convencionales capturan tres bandas de longitud de onda (rojo, verde, azul) en el espectro electromagnético. [24]

Los bosques aleatorios y las SVM son algunos algoritmos que se utilizan comúnmente con datos geofísicos obtenidos mediante teledetección, mientras que la red neuronal convolucional de agrupamiento iterativo lineal simple (SLIC-CNN) [5] y las redes neuronales convolucionales (CNN) [18] se aplican comúnmente a las imágenes aéreas. El mapeo a gran escala se puede realizar con datos geofísicos de datos geofísicos de teledetección aérea y satelital [21] , y el mapeo a menor escala se puede realizar con imágenes de vehículos aéreos no tripulados (UAV) para una mayor resolución. [5]

La cobertura vegetal es uno de los principales obstáculos para la cartografía geológica con teledetección, como se ha señalado en diversas investigaciones, tanto en cartografía a gran como a pequeña escala. La vegetación afecta la calidad de las imágenes espectrales [23] u oscurece la información de las rocas en las imágenes aéreas [5] .

Métodos de división de los conjuntos de datos en conjuntos de datos de entrenamiento y conjuntos de datos de prueba
Como el entrenamiento del aprendizaje automático para el mapeo de susceptibilidad a deslizamientos de tierra requiere conjuntos de datos de entrenamiento y de prueba, es necesario dividir el conjunto de datos. Se presentan dos métodos de división para los conjuntos de datos en el mapa geológico del este de Cumberland Gap. El método presentado a la izquierda, "División en dos áreas adyacentes", es más útil ya que el algoritmo de automatización puede realizar el mapeo de una nueva área con la entrada de datos procesados ​​por expertos de la tierra adyacente. Los píxeles cian muestran el conjunto de datos de entrenamiento, mientras que el resto muestra la prueba.

Cartografía de susceptibilidad y peligros de deslizamientos de tierra

La susceptibilidad a deslizamientos de tierra se refiere a la probabilidad de deslizamiento de tierra de una determinada ubicación geográfica, que depende de las condiciones locales del terreno. [27] El mapeo de susceptibilidad a deslizamientos de tierra puede resaltar áreas propensas a riesgos de deslizamientos de tierra, lo que es útil para la planificación urbana y la gestión de desastres. [7] Dichos conjuntos de datos para algoritmos de ML generalmente incluyen información topográfica, información litológica, imágenes satelitales, etc., y algunos pueden incluir uso de la tierra, cobertura terrestre, información de drenaje y cobertura vegetal [7] [28] [29] [30] de acuerdo con los requisitos del estudio. Como es habitual, para entrenar un modelo de ML para el mapeo de susceptibilidad a deslizamientos de tierra, se requieren conjuntos de datos de entrenamiento y prueba. [7] Hay dos métodos para asignar conjuntos de datos para entrenamiento y prueba: uno es dividir aleatoriamente el área de estudio para los conjuntos de datos; otro es dividir todo el estudio en dos partes adyacentes para los dos conjuntos de datos. Para probar los modelos de clasificación, la práctica común es dividir el área de estudio aleatoriamente; [7] [31] Sin embargo, es más útil si el área de estudio se puede dividir en dos partes adyacentes para que un algoritmo de automatización pueda realizar el mapeo de una nueva área con la entrada de datos procesados ​​por expertos de tierras adyacentes. [7]

Identificación y detección de características

Técnica de aumento de datos
En la preparación del conjunto de datos para el reconocimiento de fracturas de rocas, se realizó un aumento de datos. Esta técnica se utiliza comúnmente para aumentar el tamaño y la variabilidad del conjunto de datos de entrenamiento. Aunque las muestras recortadas aleatoriamente y las muestras invertidas provienen de la misma imagen, las muestras procesadas son únicas. Esta técnica puede evitar el problema de la escasez de datos y el sobreajuste del modelo.

Análisis de discontinuidad

Las discontinuidades como los planos de falla y los planos de estratificación tienen implicaciones importantes en la ingeniería civil. [32] Las fracturas de roca se pueden reconocer automáticamente mediante aprendizaje automático a través del análisis fotogramétrico , incluso con la presencia de objetos que interfieran, como la vegetación. [33] En el entrenamiento de ML para clasificar imágenes, el aumento de datos es una práctica común para evitar el sobreajuste y aumentar el tamaño y la variabilidad del conjunto de datos de entrenamiento. [33] Por ejemplo, en un estudio de reconocimiento de fracturas de roca, se prepararon 68 imágenes para entrenamiento y 23 imágenes para prueba mediante división aleatoria. [33] Se realizó el aumento de datos , aumentando el tamaño del conjunto de datos de entrenamiento a 8704 imágenes mediante volteo y recorte aleatorio. [33] El enfoque pudo reconocer fracturas de roca con precisión en la mayoría de los casos. [33] Tanto el valor de predicción negativo (VPN) como la especificidad fueron superiores a 0,99. [33] Esto demostró la solidez de los análisis de discontinuidad con aprendizaje automático.

Detección de fugas de dióxido de carbono

La cuantificación de las fugas de dióxido de carbono de un sitio de secuestro geológico ha ganado una mayor atención a medida que el público está interesado en si el dióxido de carbono se almacena bajo tierra de manera segura y eficaz. [34] La fuga de dióxido de carbono de un sitio de secuestro geológico se puede detectar indirectamente con la ayuda de la teledetección y un algoritmo de agrupamiento no supervisado como la Técnica de Análisis de Datos Autoorganizados Iterativos (ISODATA). [35] El aumento de la concentración de CO2 en el suelo provoca una respuesta de estrés para las plantas al inhibir la respiración de la planta, ya que el oxígeno es desplazado por el dióxido de carbono. [36] La señal de estrés de la vegetación se puede detectar con el Índice de Borde Rojo de Diferencia Normalizada (NDRE). [36] Las imágenes hiperespectrales son procesadas por el algoritmo no supervisado, agrupando píxeles con respuestas de plantas similares. [36] La información hiperespectral en áreas con fugas de CO2 conocidas se extrae para que las áreas con fugas se puedan hacer coincidir con los píxeles agrupados con anomalías espectrales. [36] Aunque el enfoque puede identificar fugas de CO2 de manera eficiente, existen algunas limitaciones que requieren más estudios. [36] La NDRE puede no ser precisa debido a razones como una mayor absorción de clorofila, variación en la vegetación y efectos de sombra; por lo tanto, algunos píxeles estresados ​​pueden clasificarse incorrectamente como saludables. [36] La estacionalidad y la altura del nivel freático también pueden afectar la respuesta al estrés del CO 2 de la vegetación. [36]

Cuantificación de la entrada de agua

El sistema de clasificación de masas rocosas (RMR) [37] es un sistema de clasificación de masas rocosas ampliamente adoptado por medios geomecánicos con la entrada de seis parámetros. La cantidad de entrada de agua es una de las entradas del esquema de clasificación, que representa la condición del agua subterránea. La cuantificación de la entrada de agua en las caras de un túnel de roca se llevó a cabo tradicionalmente mediante observación visual en el campo, lo que requiere trabajo y tiempo, y está plagado de problemas de seguridad. [38] El aprendizaje automático puede determinar la entrada de agua analizando imágenes tomadas en el sitio de construcción. [38] La clasificación del enfoque sigue principalmente el sistema RMR, pero combinando estados húmedos y mojados, ya que es difícil distinguirlos solo por inspección visual. [38] [37] Las imágenes se clasificaron en estado no dañado, estado húmedo, estado de goteo, estado de flujo y estado de borbotones. [38] La precisión de la clasificación de las imágenes fue de aproximadamente el 90%. [38]

Clasificación

Clasificación de suelos

El método más popular y rentable de investigación de suelos es la prueba de penetración de cono (CPT) . [39] La prueba se lleva a cabo empujando un cono metálico a través del suelo: la fuerza necesaria para empujar a una velocidad constante se registra como un registro cuasi continuo. [4] El aprendizaje automático puede clasificar el suelo con la entrada de datos CPT. [4] En un intento de clasificar con ML, hay dos tareas necesarias para analizar los datos, a saber, segmentación y clasificación. [4] La segmentación se puede llevar a cabo con el algoritmo de clasificación y agrupamiento de restricciones (CONCC) para dividir una sola serie de datos en segmentos. [4] La clasificación se puede realizar mediante algoritmos como árboles de decisión, SVM o redes neuronales. [4]

Clasificación de la estructura geológica

Efecto de la imagen en color y la imagen en escala de grises
La figura muestra una imagen de un pliegue. La imagen de la izquierda muestra una imagen en color, mientras que la de la derecha muestra una imagen en escala de grises. La diferencia en la precisión de la clasificación de la estructura geológica entre las imágenes en color y las imágenes en escala de grises es pequeña.

Las estructuras geológicas expuestas, como anticlinales , marcas de ondulación y xenolitos , se pueden identificar automáticamente con modelos de aprendizaje profundo . [40] La investigación ha demostrado que las CNN de tres capas y el aprendizaje por transferencia tienen una gran precisión (alrededor del 80% y el 90% respectivamente), mientras que otras, como los vecinos más cercanos ( k-NN), las redes neuronales regulares y el aumento de gradiente extremo (XGBoost) tienen una precisión baja (que va del 10% al 30%). [40] Se probaron tanto las imágenes en escala de grises como las imágenes en color, y la diferencia de precisión fue pequeña, lo que implica que el color no es muy importante para identificar estructuras geológicas. [40]

Pronóstico y predicciones

Sistemas de alerta temprana y pronóstico de terremotos

Los sistemas de alerta de terremotos suelen ser vulnerables al ruido impulsivo local, por lo que emiten falsas alertas. [41] Las falsas alertas se pueden eliminar discriminando las formas de onda del terremoto de las señales de ruido con la ayuda de métodos de ML. El método consta de dos partes, la primera es el aprendizaje no supervisado con una red generativa antagónica (GAN) para aprender y extraer características de las ondas P de primera llegada , y la segunda es el uso de un bosque aleatorio para discriminar las ondas P. Este enfoque logró un 99,2% en el reconocimiento de ondas P y puede evitar falsas alertas por señales de ruido con una precisión del 98,4%. [41]

Los terremotos se pueden producir en un laboratorio para imitar los del mundo real. Con la ayuda del aprendizaje automático, se pueden identificar los patrones de señales acústicas como precursores de los terremotos. La predicción del tiempo restante antes de la falla se demostró en un estudio con datos de series temporales acústicas continuas registrados a partir de una falla. El algoritmo aplicado fue un bosque aleatorio, entrenado con un conjunto de eventos de deslizamiento, que tuvo un excelente desempeño en la predicción del tiempo hasta la falla. Identificó señales acústicas para predecir fallas, una de las cuales no se había identificado previamente. Aunque este terremoto de laboratorio no es tan complejo como uno natural, se logró un progreso que orienta el trabajo de predicción de terremotos futuros. [42]

Predicción de caudal de corrientes fluviales

Los datos de caudal en tiempo real son fundamentales para la toma de decisiones (por ejemplo, evacuaciones o regulación de los niveles de agua de los embalses durante las inundaciones). [43] Los datos de caudal se pueden estimar a partir de los datos proporcionados por los medidores de caudal , que miden el nivel del agua de un río. Sin embargo, el agua y los escombros de las inundaciones pueden dañar los medidores de caudal, lo que da como resultado la falta de datos esenciales en tiempo real. La capacidad del aprendizaje automático para inferir datos faltantes [10] le permite predecir el caudal con datos históricos de medidores de caudal y datos en tiempo real. Streamflow Hydrology Estimate using Machine Learning (SHEM) es un modelo que puede servir para este propósito. Para verificar sus precisiones, el resultado de la predicción se comparó con los datos registrados reales, y se encontró que las precisiones estaban entre 0,78 y 0,99.

Desafío

Datos de entrenamiento inadecuados

Se requiere una cantidad adecuada de datos de entrenamiento y validación para el aprendizaje automático. [10] Sin embargo, algunos productos muy útiles como los datos de teledetección por satélite solo tienen décadas de datos desde la década de 1970. Si uno está interesado en los datos anuales, entonces solo hay menos de 50 muestras disponibles. [45] Tal cantidad de datos puede no ser adecuada. En un estudio de clasificación automática de estructuras geológicas, la debilidad del modelo es el pequeño conjunto de datos de entrenamiento, aunque con la ayuda de la ampliación de datos para aumentar el tamaño del conjunto de datos. [40] Otro estudio de predicción del flujo de corrientes encontró que las precisiones dependen de la disponibilidad de suficientes datos históricos, por lo tanto, suficientes datos de entrenamiento determinan el rendimiento del aprendizaje automático. [44] Los datos de entrenamiento inadecuados pueden conducir a un problema llamado sobreajuste. El sobreajuste causa imprecisiones en el aprendizaje automático [46] a medida que el modelo aprende sobre el ruido y los detalles no deseados.

Limitado por la entrada de datos

El aprendizaje automático no puede llevar a cabo algunas de las tareas como lo hace un humano con facilidad. Por ejemplo, en la cuantificación de la entrada de agua en las caras de un túnel de roca mediante imágenes para el sistema de clasificación de masa rocosa (RMR), [38] el aprendizaje automático no clasificó el estado húmedo y mojado porque no es posible discriminar entre ambos solo mediante inspección visual. En algunas tareas, el aprendizaje automático puede no poder sustituir por completo el trabajo manual de un humano.

Operación de caja negra

Operación de caja negra de algunos algoritmos de aprendizaje automático
En una operación de caja negra, el usuario solo conoce la entrada y la salida, pero no el proceso. La red neuronal artificial (RNA) es un ejemplo de una operación de caja negra. El usuario no tiene forma de comprender la lógica de las capas ocultas.

En muchos algoritmos de aprendizaje automático, por ejemplo, la red neuronal artificial (ANN), se considera un enfoque de " caja negra " ya que se desconocen las relaciones claras y las descripciones de cómo se generan los resultados en las capas ocultas. [47] El enfoque de "caja blanca", como el árbol de decisiones, puede revelar los detalles del algoritmo a los usuarios. [48] Si uno quiere investigar las relaciones, estos enfoques de "caja negra" no son adecuados. Sin embargo, el rendimiento de los algoritmos de "caja negra" suele ser mejor. [49]

Referencias

  1. ^ Mueller, JP y Massaron, L. (2021). Aprendizaje automático para principiantes . John Wiley & Sons.
  2. ^ Recursos., National Academies Press (EE. UU.) Consejo Nacional de Investigación (EE. UU.). Comisión de Geociencias, Medio Ambiente y (2001). Oportunidades de investigación básica en ciencias de la Tierra. National Academies Press. OCLC  439353646.{{cite book}}: CS1 maint: multiple names: authors list (link)
  3. ^ Miall, AD (diciembre de 1995). "El planeta azul: Una introducción a la ciencia del sistema terrestre". Earth-Science Reviews . 39 (3–4): 269–271. doi :10.1016/0012-8252(95)90023-3. ISSN  0012-8252.
  4. ^ abcdefgh Bhattacharya, B.; Solomatine, DP (marzo de 2006). "Aprendizaje automático en la clasificación de suelos". Redes neuronales . 19 (2): 186–195. doi :10.1016/j.neunet.2006.01.005. ISSN  0893-6080. PMID  16530382. S2CID  14421859.
  5. ^ abcde Sang, Xuejia; Xue, Linfu; Ran, Xiangjin; Li, Xiaoshun; Liu, Jiwen; Liu, Zeyu (5 de febrero de 2020). "Mapeo geológico inteligente de alta resolución basado en SLIC-CNN". ISPRS Revista internacional de geoinformación . 9 (2): 99. Bibcode :2020IJGI....9...99S. doi : 10.3390/ijgi9020099 . ISSN  2220-9964.
  6. ^ Si, Lei; Xiong, Xiangxiang; Wang, Zhongbin; Tan, Chao (14 de marzo de 2020). "Un modelo de red neuronal convolucional profunda para la discriminación inteligente entre carbón y rocas en el frente de la minería de carbón". Problemas matemáticos en ingeniería . 2020 : 1–12. doi : 10.1155/2020/2616510 . ISSN  1024-123X.
  7. ^ abcdefghi Marjanović, Miloš; Kovačević, Miloš; Bajat, Branislav; Voženílek, Vít (noviembre de 2011). "Evaluación de la susceptibilidad a deslizamientos de tierra mediante el algoritmo de aprendizaje automático SVM". Ingeniería Geológica . 123 (3): 225–234. Código Bib : 2011EngGe.123..225M. doi : 10.1016/j.enggeo.2011.09.006. ISSN  0013-7952.
  8. ^ Merembayev, Timur; Yunussov, Rassul; Yedilkhan, Amirgaliyev (noviembre de 2018). "Algoritmos de aprendizaje automático para la clasificación de datos geológicos a partir de registros de pozos". 2018 14.ª Conferencia internacional sobre informática electrónica y computación (ICECCO) . IEEE. págs. 206–212. doi :10.1109/icecco.2018.8634775. ISBN . 978-1-7281-0132-3. Número de identificación del sujeto  59620103.
  9. ^ De'ath, Glenn; Fabricius, Katharina E. (noviembre de 2000). "Árboles de clasificación y regresión: una técnica poderosa pero simple para el análisis de datos ecológicos". Ecología . 81 (11): 3178–3192. doi :10.1890/0012-9658(2000)081[3178:cartap]2.0.co;2. ISSN  0012-9658.
  10. ^ abcde Thessen, Anne (27 de junio de 2016). "Adopción de técnicas de aprendizaje automático en ecología y ciencias de la Tierra". One Ecosystem . 1 : e8621. Bibcode :2016OneEc...1E8621T. doi : 10.3897/oneeco.1.e8621 . ISSN  2367-8194.
  11. ^ Zhao, Kaiguang; Popescu, Sorin; Meng, Xuelian; Pang, Yong; Agca, Muge (agosto de 2011). "Caracterización de la estructura del dosel forestal con métricas compuestas de lidar y aprendizaje automático". Teledetección del medio ambiente . 115 (8): 1978–1996. Bibcode :2011RSEnv.115.1978Z. doi :10.1016/j.rse.2011.04.001. ISSN  0034-4257.
  12. ^ Lawler, Joshua J.; White, Denis; Neilson, Ronald P.; Blaustein, Andrew R. (26 de junio de 2006). "Predicción de cambios de distribución inducidos por el clima: diferencias de modelos y fiabilidad de los modelos". Biología del cambio global . 12 (8): 1568–1584. Código Bibliográfico :2006GCBio..12.1568L. CiteSeerX 10.1.1.582.9206 . doi :10.1111/j.1365-2486.2006.01191.x. ISSN  1354-1013. S2CID  37416127. 
  13. ^ Tartakovsky, Daniel M. (2004). "Delineación de facies geológicas con teoría de aprendizaje estadístico". Geophysical Research Letters . 31 (18). Código Bibliográfico :2004GeoRL..3118502T. CiteSeerX 10.1.1.146.5147 . doi :10.1029/2004gl020864. ISSN  0094-8276. S2CID  16256805. 
  14. ^ Hurtt, George C.; Dubayah, Ralph; Drake, Jason; Moorcroft, Paul R.; Pacala, Stephen W.; Blair, J. Bryan; Fearon, Matthew G. (junio de 2004). "Más allá de la vegetación potencial: combinación de datos lidar y un modelo estructurado por altura para estudios de carbono". Aplicaciones ecológicas . 14 (3): 873–883. Bibcode :2004EcoAp..14..873H. doi :10.1890/02-5317. ISSN  1051-0761.
  15. ^ Lawler, Joshua J.; White, Denis; Neilson, Ronald P.; Blaustein, Andrew R. (26 de junio de 2006). "Predicción de cambios de distribución inducidos por el clima: diferencias de modelos y fiabilidad de los modelos". Biología del cambio global . 12 (8): 1568–1584. Código Bibliográfico :2006GCBio..12.1568L. CiteSeerX 10.1.1.582.9206 . doi :10.1111/j.1365-2486.2006.01191.x. ISSN  1354-1013. S2CID  37416127. 
  16. ^ Akpokodje, EG (junio de 1979). "La importancia de la cartografía geológica de ingeniería en el desarrollo de la cuenca del delta del Níger". Boletín de la Asociación Internacional de Ingeniería Geológica . 19 (1): 101–108. Bibcode :1979BIAEG..19..101A. doi :10.1007/bf02600459. ISSN  1435-9529. S2CID  129112606.
  17. ^ abc Costa, Iago; Tavares, Felipe; Oliveira, Junny (abril de 2019). "Mapeo litológico predictivo mediante métodos de aprendizaje automático: un estudio de caso en el Lineamiento Cinzento, provincia de Carajás, Brasil". Revista del Servicio Geológico de Brasil . 2 (1): 26–36. doi : 10.29396/jgsb.2019.v2.n1.3 . ISSN  2595-1939. S2CID  134822423.
  18. ^ abcd Latifovic, Rasim; Pouliot, Darren; Campbell, Janet (16 de febrero de 2018). "Evaluación de redes neuronales convolucionales para el mapeo de la geología superficial en la región geológica de South Rae, Territorios del Noroeste, Canadá". Teledetección . 10 (2): 307. Bibcode :2018RemS...10..307L. doi : 10.3390/rs10020307 . ISSN  2072-4292.
  19. ^ abcd Culverhouse, PF; Williams, R; Reguera, B; Herry, V; González-Gil, S (2003). "¿Cometen errores los expertos? Una comparación de la identificación de dinoflagelados por humanos y máquinas". Marine Ecology Progress Series . 247 : 17–25. Bibcode :2003MEPS..247...17C. doi : 10.3354/meps247017 . ISSN  0171-8630.
  20. ^ ab Loyola-Gonzalez, Octavio (2019). "Caja negra vs. caja blanca: comprensión de sus ventajas y debilidades desde un punto de vista práctico". IEEE Access . 7 : 154096–154113. Bibcode :2019IEEEA...7o4096L. doi : 10.1109/ACCESS.2019.2949286 . ISSN  2169-3536. S2CID  207831043.
  21. ^ abc Kumar, Chandan; Chatterjee, Snehamoy; Oommen, Thomas; Guha, Arindam (abril de 2020). "Mapeo litológico automatizado mediante la integración de técnicas de mejora espectral y algoritmos de aprendizaje automático utilizando datos hiperespectrales de AVIRIS-NG en rocas de granito y piedra verde con contenido de oro en Hutti, India". Revista Internacional de Observación de la Tierra Aplicada y Geoinformación . 86 : 102006. Bibcode :2020IJAEO..8602006K. doi : 10.1016/j.jag.2019.102006 . ISSN  0303-2434. S2CID  210040191.
  22. ^ "Mapeo geológico (UB) - Wiki de la AAPG". wiki.aapg.org . Consultado el 27 de junio de 2024 .
  23. ^ ab Harvey, AS; Fotopoulos, G. (23 de junio de 2016). "Mapeo geológico mediante algoritmos de aprendizaje automático". ISPRS - Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial . XLI-B8: 423–430. doi : 10.5194/isprsarchives-xli-b8-423-2016 . ISSN  2194-9034.
  24. ^ Mattikalli, N (enero de 1997). "Modelado del color del suelo para las bandas visible e infrarroja cercana de sensores Landsat utilizando mediciones espectrales de laboratorio". Teledetección del medio ambiente . 59 (1): 14–28. Bibcode :1997RSEnv..59...14M. doi :10.1016/s0034-4257(96)00075-2. ISSN  0034-4257.
  25. ^ Radford, DD, Cracknell, MJ, Roach, MJ y Cumming, GV (2018). Mapeo geológico en el oeste de Tasmania utilizando radar y bosques aleatorios. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 11 (9), 3075-3087.
  26. ^ Wang, Y., Ksienzyk, AK, Liu, M. y Brönner, M. (2021). Integración de datos multigeofísicos mediante análisis de clústeres: asistencia para el mapeo geológico en Trøndelag, en el centro de Noruega. Geophysical Journal International , 225 (2), 1142-1157.
  27. ^ "Proyecto de mapeo de riesgos de deslizamientos de tierra del río Phillips", Gestión del riesgo de deslizamientos de tierra , CRC Press, págs. 457–466, 30 de junio de 2005, doi : 10.1201/9781439833711-28, ISBN 9780429151354, consultado el 12 de noviembre de 2021
  28. ^ ab Chauhan, S., Sharma, M., Arora, MK y Gupta, NK (2010). Zonificación de susceptibilidad a deslizamientos de tierra mediante clasificaciones derivadas de redes neuronales artificiales. Revista internacional de observación de la Tierra y geoinformación aplicadas , 12 (5), 340-350.
  29. ^ ab Biswajeet, Pradhan; Saro, Lee (noviembre de 2007). "Utilización de datos de teledetección óptica y herramientas SIG para el análisis de riesgos regionales de deslizamientos de tierra utilizando un modelo de red neuronal artificial". Fronteras de las ciencias de la tierra . 14 (6): 143–151. Bibcode :2007ESF....14..143B. doi :10.1016/s1872-5791(08)60008-1. ISSN  1872-5791.
  30. ^ Dou, Jie; Yamagishi, Hiromitsu; Pourghasemi, Hamid Reza; Yunus, Ali P.; Canción, Xuan; Xu, Yueren; Zhu, Zhongfan (19 de mayo de 2015). "Un modelo integrado de red neuronal artificial para la evaluación de la susceptibilidad a deslizamientos de tierra de la isla Osado, Japón". Peligros naturales . 78 (3): 1749-1776. Código Bib : 2015NatHa..78.1749D. doi :10.1007/s11069-015-1799-2. ISSN  0921-030X. S2CID  51960414.
  31. ^ ab Kawabata, Daisaku; Bandibas, Joel (diciembre de 2009). "Mapeo de susceptibilidad a deslizamientos de tierra utilizando datos geológicos, un DEM a partir de imágenes ASTER y una red neuronal artificial (ANN)". Geomorfología . 113 (1–2): 97–109. Bibcode :2009Geomo.113...97K. doi :10.1016/j.geomorph.2009.06.006. ISSN  0169-555X.
  32. ^ "Comisión de la Sociedad Internacional de Mecánica de Rocas para la estandarización de pruebas de laboratorio y de campo". Revista Internacional de Mecánica de Rocas y Ciencias Mineras y Geomecánica. Resúmenes . 15 (6): 319–368. Diciembre de 1978. doi :10.1016/0148-9062(78)91472-9. ISSN  0148-9062.
  33. ^ abcdefg Byun, Hoon; Kim, Jineon; Yoon, Dongyoung; Kang, Il-Seok; Song, Jae-Joon (8 de julio de 2021). "Una red neuronal convolucional profunda para la segmentación de imágenes de fracturas de rocas". Informática de las Ciencias de la Tierra . 14 (4): 1937–1951. Bibcode :2021EScIn..14.1937B. doi :10.1007/s12145-021-00650-1. ISSN  1865-0473. S2CID  235762914.
  34. ^ Repasky, Kevin (31 de marzo de 2014). Desarrollo e implementación de un lidar de absorción diferencial (DIAL) compacto y seguro para la vista para el mapeo espacial del dióxido de carbono para monitoreo, verificación y contabilización en sitios de secuestro geológico (informe). doi :10.2172/1155030. OSTI  1155030.
  35. ^ ab Bellante, GJ; Powell, SL; Lawrence, RL; Repasky, KS; Dougher, TAO (marzo de 2013). "Detección aérea de una fuga simulada de CO2 de un sitio de secuestro geológico utilizando imágenes hiperespectrales". Revista internacional de control de gases de efecto invernadero . 13 : 124–137. Código Bibliográfico :2013IJGGC..13..124B. doi :10.1016/j.ijggc.2012.11.034. ISSN  1750-5836.
  36. ^ abcdefg Bateson, L.; Vellico, M.; Beaubien, S.; Pearce, J.; Annunziatellis, A.; Ciotoli, G.; Coren, F.; Lombardi, S.; Marsh, S. (julio de 2008). "La aplicación de técnicas de teledetección para monitorear sitios de almacenamiento de CO2 en busca de fugas superficiales: desarrollo y prueba de métodos en Latera (Italia), donde el CO2 producido naturalmente se está filtrando a la atmósfera". Revista Internacional de Control de Gases de Efecto Invernadero . 2 (3): 388–400. Bibcode :2008IJGGC...2..388B. doi :10.1016/j.ijggc.2007.12.005. ISSN  1750-5836.
  37. ^ ab Bieniawski, ZT (1988), "El sistema de clasificación de masas rocosas (RMR) (clasificación geomecánica) en la práctica de ingeniería", Sistemas de clasificación de rocas para fines de ingeniería , West Conshohocken, PA: ASTM International, págs. 17-17-18, doi : 10.1520/stp48461s, ISBN 978-0-8031-6663-9, consultado el 12 de noviembre de 2021
  38. ^ abcdefg Chen, Jiayao; Zhou, Mingliang; Zhang, Dongming; Huang, Hongwei; Zhang, Fengshou (marzo de 2021). "Cuantificación de la entrada de agua en los paramentos de los túneles de roca mediante un enfoque de red neuronal convolucional". Automatización en la construcción . 123 : 103526. doi :10.1016/j.autcon.2020.103526. ISSN  0926-5805. S2CID  233849934.
  39. ^ Coerts, Alfred (1996). Análisis de datos de pruebas de penetración de conos estáticos para el modelado del subsuelo: una metodología. Koninklijk Nederlands Aardrijkskundig Genootschap/Faculteit Ruimtelijke Wetenschappen Universiteit Utrecht. ISBN 90-6809-230-8.OCLC 37725852  .
  40. ^ abcde Zhang, Ye; Wang, Gang; Li, Mingchao; Han, Shuai (4 de diciembre de 2018). "Análisis de clasificación automática de estructuras geológicas basado en datos de imágenes y modelo de aprendizaje profundo". Applied Sciences . 8 (12): 2493. doi : 10.3390/app8122493 . ISSN  2076-3417.
  41. ^ abc Li, Zefeng; Meier, Men-Andrin; Hauksson, Egill; Zhan, Zhongwen; Andrews, Jennifer (28 de mayo de 2018). "Discriminación de ondas sísmicas mediante aprendizaje automático: aplicación a la alerta temprana de terremotos". Geophysical Research Letters . 45 (10): 4773–4779. Bibcode :2018GeoRL..45.4773L. doi : 10.1029/2018gl077870 . ISSN  0094-8276. S2CID  54926314.
  42. ^ ab Rouet-Leduc, Bertrand; Hulbert, Claudia; Lubbers, Nicholas; Barros, Kipton; Humphreys, Colin J.; Johnson, Paul A. (22 de septiembre de 2017). "El aprendizaje automático predice terremotos de laboratorio". Geophysical Research Letters . 44 (18): 9276–9282. arXiv : 1702.05774 . Código Bibliográfico :2017GeoRL..44.9276R. doi :10.1002/2017gl074677. ISSN  0094-8276. S2CID  118842086.
  43. ^ Kirchner, James W. (marzo de 2006). "Obtener las respuestas correctas por las razones correctas: vincular mediciones, análisis y modelos para avanzar en la ciencia de la hidrología". Investigación de recursos hídricos . 42 (3). Bibcode :2006WRR....42.3S04K. doi :10.1029/2005wr004362. ISSN  0043-1397. S2CID  2089939.
  44. ^ ab Petty, TR; Dhingra, P. (8 de agosto de 2017). "Estimación de la hidrología del caudal mediante aprendizaje automático (SHEM)". JAWRA Journal of the American Water Resources Association . 54 (1): 55–68. doi :10.1111/1752-1688.12555. ISSN  1093-474X. S2CID  135100027.
  45. ^ Karpatne, Anuj; Ebert-Uphoff, Imme; Ravela, Sai; Babaie, Hassan Ali; Kumar, Vipin (1 de agosto de 2019). "Aprendizaje automático para las geociencias: desafíos y oportunidades". IEEE Transactions on Knowledge and Data Engineering . 31 (8): 1544–1554. arXiv : 1711.04708 . doi :10.1109/tkde.2018.2861006. ISSN  1041-4347. S2CID  42476116.
  46. ^ Farrar, Donald E.; Glauber, Robert R. (febrero de 1967). "Multicolinealidad en el análisis de regresión: el problema revisitado". The Review of Economics and Statistics . 49 (1): 92. doi :10.2307/1937887. hdl : 1721.1/48530 . ISSN  0034-6535. JSTOR  1937887.
  47. ^ Taghizadeh-Mehrjardi, R.; Nabiollahi, K.; Kerry, R. (marzo de 2016). "Mapeo digital del carbono orgánico del suelo a múltiples profundidades utilizando diferentes técnicas de minería de datos en la región de Baneh, Irán". Geoderma . 266 : 98–110. Bibcode :2016Geode.266...98T. doi :10.1016/j.geoderma.2015.12.003. ISSN  0016-7061.
  48. ^ Delibasic, Boris; Vukicevic, Milan; Jovanovic, Milos; Suknovic, Milija (agosto de 2013). "Algoritmos de árboles de decisión de caja blanca o caja negra: ¿cuál utilizar en educación?". IEEE Transactions on Education . 56 (3): 287–291. Bibcode :2013ITEdu..56..287D. doi :10.1109/te.2012.2217342. ISSN  0018-9359. S2CID  11792899.
  49. ^ Merghadi, Abdelaziz; Yunus, Ali P.; Dou, Jie; Whiteley, Jim; ThaiPham, Binh; Bui, Dieu Tien; Avtar, Ram; Abderrahmane, Boumezbeur (agosto de 2020). "Métodos de aprendizaje automático para estudios de susceptibilidad a deslizamientos de tierra: una descripción general comparativa del rendimiento del algoritmo". Earth-Science Reviews . 207 : 103225. Bibcode :2020ESRv..20703225M. doi :10.1016/j.earscirev.2020.103225. ISSN  0012-8252. S2CID  225816933.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Machine_learning_in_earth_sciences&oldid=1257355884"