文献

J-GLOBAL ID：202202226521183637   整理番号：22A0805905

地質属性の空間的推定のための機械学習とクリギングの組合せ【JST・京大機械翻訳】

Combination of Machine Learning and Kriging for Spatial Estimation of Geological Attributes

著者 (3件)： Erdogan Erten Gamze (Department of Mining Engineering, Eskisehir Osmangazi University, Eskisehir, Turkey) ,  Yavuz Mahmut (Department of Mining Engineering, Eskisehir Osmangazi University, Eskisehir, Turkey) ,  Deutsch Clayton V. (Centre for Computational Geostatistics 6-247 Donadeo Innovation Centre For Engineering, University of Alberta, Edmonton, AB, Canada)
資料名： Natural Resources Research  (Natural Resources Research)
巻： 31  号： 1  ページ： 191-213  発行年： 2022年 
JST資料番号： W0688A  ISSN： 1520-7439  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： これらのモデルは,特に非Gauss,非定常および複雑な場合において,推定のための効率的な解を提供するので,地質特徴の空間的な推定における研究数の増加は,機械学習(ML)モデルを使用する。しかし,これらのモデルは2つの主要な制限がある。(1)データは独立かつ同一分布(あるいは空間的に相関しない)と考えられ,(2)その位置においてデータは再現されない。一方,Krigingは,非サンプル位置における最小誤差分散で不偏推定を生成する長い歴史を持つ。Krigingは定常性と線形性を仮定する。本研究では,クリギングとMLモデルを組み合わせた方法論を提案し,各方法の欠点を緩和し,より正確な推定を得た。提案した方法論では,スーパー学習者(SL)モデルと呼ばれる積層アンサンブルモデルをMLモデリングに適用した。SLモデルにより生成された推定とクリギングから得た推定値がクリギング分散に基づく重み関数によってどのように組み合わせられるかを示した。重みは逐次二次計画法を用いて最適化した。提案した方法論を,非定常性と非Gauss特徴を持つデータを含む2つの合成事例研究で示した。オイルサンド堆積物からのデータセットを用いた実際の事例研究も示した。組合せモデルの性能を,決定係数(R二乗),二乗平均誤差および平均絶対誤差基準を用いてSLモデルおよびクリギングと比較した。組合せモデルは,すべての場合でSLモデルとクリギングによって生成されたものより,より正確な推定をもたらすように見える。Copyright International Association for Mathematical Geosciences 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  オイルサンド ,  モデリング ,  モデル ,  事例研究 ,  *地質 ,  不偏推定 ,  分散【variance】 ,  性質 ,  重み関数 ,  推定量 ,  *属性 ,  *機械学習 ,  *クリギング
準シソーラス用語： 学習者 ,  定常性 , 【Automatic Indexing@JST】

著者キーワード (6件)： 空間推定 ,  クリギング ,  機械学習 ,  スーパー学習者 ,  組合せ ,  逐次二次計画法

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 地質 ,  属性 ,  推定 ,  機械学習 ,  クリギング ,  組合せ