基于集体的战略,在全球范围内实现强大的预测性火山岩类型测定效率:由大数据分析驱动的新工作流程
Umar Ashraf1, Hucai Zhang2, Aqsa Anees1
1Institute of International Rivers and Eco-Security, Yunnan University, Kunming 650500, China; Institute for Ecological Research and Pollution Control of Plateau Lakes, School of Ecology and Environmental Science, Yunnan University, Kunming 650500, China.
本研究引入了一种先进的机器学习方法,用于使用全球地质化学数据对岩石进行分类. 合并模型实现了99.2%的准确性,显著改善了岩石类型预测.
科学领域:
- 地质化学 地质化学
- 石化学 石化学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 传统的岩石分类依赖于实验室测量,古生物学数据和井日志.
- 数字智能有可能提高岩石分类的准确性和速度.
研究的目的:
- 利用全球地质化学数据,开发一种全面的方法来对岩石类型进行分类.
- 整合先进的集群,分类,数据挖掘和统计方法.
主要方法:
- 利用了来自15种岩石类型的25,000个点的全球地质化学数据集.
- 采用等级聚类,线性投影分析和多维缩放.
- 评估了八个分类器,包括后勤回归,梯度提升,随机森林,K-最近邻居,支持矢量机器,人工神经网络和两个整体模型 (EN-1,EN-2).
主要成果:
- 整体模型EN-2获得了最高的精度99.2%,优于单个模型和EN-1 (98%).
- 人工神经网络 (ANN) 实现了98.2%的准确性.
- 二氧化 (SiO2),氧化 (K2O) 和氧化 (Na2O) 被确定为分类中最重要的特征.
结论:
- 整体模型显著提高了岩石分类的准确性和可靠性.
- 开发的方法通过捕获复杂的数据模式,提供了更精确的全球岩石类型.
- 机器学习技术为推进地质样本分析提供了强大的工具.
更多相关视频
08:03Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations
Published on: December 7, 2021
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
相关概念视频
Steps in Outbreak Investigation
Aggregates Classification
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
Volatilization
Evolutionary Relationships through Genome Comparisons
