پرش به محتوا

یادگیری ماشین در علوم زمین

از ویکی‌پدیا، دانشنامهٔ آزاد

کاربردهای یادگیری ماشین در علوم زمینی شامل نقشه‌برداری زمین‌شناسی، تشخیص نشت گاز و شناسایی ویژگی‌های زمین‌شناسی است. یادگیری ماشین (ML) نوعی هوش مصنوعی (AI) است که سیستم‌های رایانه‌ای را قادر می‌سازد تا مجموعه‌های گسترده و پیچیده‌ای از داده‌ها را طبقه‌بندی، خوشه‌بندی، شناسایی و تجزیه و تحلیل کنند در حالی که نیاز به دستورالعمل‌ها و برنامه‌نویسی صریح را از بین ببرند.[۱] علم زمین مطالعه منشأ، تکامل و آینده سیاره زمین است. ساختار زمین را می‌توان به چهار بخش اصلی شامل سنگ کره، اتمسفر، آبکره و زیست کره تقسیم کرد.[۲]

بسته به ماهیت اکتشاف علم زمین، ممکن است الگوریتم‌های متنوعی اعمال شود. برخی از الگوریتم‌ها ممکن است به‌طور قابل توجهی بهتر از بقیه الگوریتم‌ها برای اهداف خاصی عمل کنند. به عنوان مثال، شبکه‌های عصبی کانولوشنال (CNN) در تفسیر تصاویر، شبکه‌های عصبی مصنوعی (ANN) در طبقه‌بندی خاک عملکرد خوبی دارند[۳] اما از دیدگاه محاسباتی گران‌تر از یادگیری ماشین بردار پشتیبان (SVM) آموزش داده می‌شوند. کاربرد یادگیری ماشینی در دهه‌های اخیر افزایش یافته‌است، همان‌طور که توسعه فناوری‌های دیگر مانند وسایل نقلیه هوایی بدون سرنشین (UAV),[۴] فناوری سنجش از راه دور با وضوح فوق‌العاده بالا و واحدهای محاسباتی با کارایی بالا[۵] منجر به در دسترس بودن مجموعه داده‌های بزرگ با کیفیت بالا و الگوریتم‌های پیشرفته تر. می‌شود.

اهمیت

[ویرایش]

پیچیدگی علم زمین

[ویرایش]

مشکلات در علوم زمین اغلب پیچیده هستند.[۶] به کار بردن مدل‌های ریاضی شناخته شده و توصیف شده در محیط طبیعی دشوار است، بنابراین یادگیری ماشین معمولاً جایگزین بهتری برای چنین مسائل غیر خطی‌ای است.[۷] داده‌های زیست‌محیطی معمولاً غیرخطی هستند و از فعل و انفعالات مرتبه بالاتر تشکیل شده‌اند، و همراه با داده‌های از دست رفته، آمارهای سنتی ممکن است عملکرد ضعیفی داشته باشند زیرا مفروضات غیر واقعی مانند خطی بودن در مدل اعمال می‌شوند.[۸][۹] تعدادی از محققان دریافتند که یادگیری ماشینی از مدل‌های آماری سنتی در علم زمین، مانند توصیف ساختار تاج پوشش جنگل،[۱۰] پیش‌بینی تغییرات دامنه ناشی از آب و هوا،[۱۱] و ترسیم رخساره‌های زمین‌شناسی، بهتر عمل می‌کند.[۱۲] مشخص کردن ساختار تاج پوشش جنگل، دانشمندان را قادر می‌سازد تا واکنش پوشش گیاهی به تغییرات آب و هوایی را مطالعه کنند.[۱۳] پیش‌بینی تغییر دامنه ناشی از آب و هوا، سیاستگذاران را قادر می‌سازد تا روش گفتگوی مناسبی را برای غلبه بر پیامدهای تغییرات آب و هوایی اتخاذ کنند.[۱۴] ترسیم رخساره‌های زمین‌شناسی به زمین شناسان کمک می‌کند تا زمین شناسی یک منطقه یا ناحیه را که برای توسعه و مدیریت یک منطقه ضروری است، درک کنند.[۱۵]

داده‌های غیرقابل دسترس

[ویرایش]

در علوم زمین، دسترسی یا جمع‌آوری برخی از داده‌ها اغلب دشوار است، بنابراین استنباط داده از داده‌هایی که به راحتی با استفاده از یادگیری ماشینی در دسترس هستند، مطلوب است.[۹] به عنوان مثال، نقشه‌برداری زمین‌شناسی در جنگل‌های بارانی استوایی چالش‌برانگیز است، زیرا پوشش گیاهی ضخیم و رخنمون‌های سنگی در معرض دید ضعیفی قرار دارند.[۱۶] بکارگیری سنجش از دور با رویکردهای یادگیری ماشین، راه جایگزینی برای نقشه‌برداری سریع بدون نیاز به نقشه‌برداری دستی در مناطق غیرقابل دسترس فراهم می‌کند.[۱۶]

کاهش هزینه‌های زمانی

[ویرایش]

یادگیری ماشینی همچنین می‌تواند تلاش‌های انجام شده توسط متخصصان را کاهش دهد، زیرا وظایف طبقه‌بندی و حاشیه‌نویسی و… که به صورت دستی انجام می‌شدند گلوگاه‌های روند کار تحقیقات علوم زمین هستند.[۹] نقشه‌برداری زمین‌شناسی، به ویژه در یک منطقه وسیع و دورافتاده، با روش‌های سنتی، پر هزینه و زمان بر است.[۱۷] ادغام رویکردهای سنجش از راه دور و یادگیری ماشین می‌تواند راه حل جایگزینی برای حذف برخی از نیازهای نقشه‌برداری میدانی ارائه دهد.[۱۷]

منابع

[ویرایش]
  1. ↑ Mueller, J. P. , & Massaron, L. (2021). Machine learning for dummies. John Wiley & Sons.
  2. ↑ Miall, A.D. (December 1995). "The blue planet: An introduction to earth system science". Earth-Science Reviews. 39 (3–4): 269–271. doi:10.1016/0012-8252(95)90023-3. ISSN 0012-8252.
  3. ↑ Bhattacharya, B.; Solomatine, D.P. (March 2006). "Machine learning in soil classification". Neural Networks. 19 (2): 186–195. doi:10.1016/j.neunet.2006.01.005. ISSN 0893-6080. PMID 16530382.
  4. ↑ Sang, Xuejia; Xue, Linfu; Ran, Xiangjin; Li, Xiaoshun; Liu, Jiwen; Liu, Zeyu (2020-02-05). "Intelligent High-Resolution Geological Mapping Based on SLIC-CNN". ISPRS International Journal of Geo-Information. 9 (2): 99. Bibcode:2020IJGI....9...99S. doi:10.3390/ijgi9020099. ISSN 2220-9964.
  5. ↑ Si, Lei; Xiong, Xiangxiang; Wang, Zhongbin; Tan, Chao (2020-03-14). "A Deep Convolutional Neural Network Model for Intelligent Discrimination between Coal and Rocks in Coal Mining Face". Mathematical Problems in Engineering. 2020: 1–12. doi:10.1155/2020/2616510. ISSN 1024-123X.
  6. ↑ Marjanović, Miloš; Kovačević, Miloš; Bajat, Branislav; Voženílek, Vít (November 2011). "Landslide susceptibility assessment using SVM machine learning algorithm". Engineering Geology. 123 (3): 225–234. doi:10.1016/j.enggeo.2011.09.006. ISSN 0013-7952.
  7. ↑ Merembayev, Timur; Yunussov, Rassul; Yedilkhan, Amirgaliyev (November 2018). "Machine Learning Algorithms for Classification Geology Data from Well Logging". 2018 14th International Conference on Electronics Computer and Computation (ICECCO). IEEE: 206–212. doi:10.1109/icecco.2018.8634775. ISBN 978-1-72810-132-3.
  8. ↑ De'ath, Glenn; Fabricius, Katharina E. (November 2000). "Classification and Regression Trees: A Powerful Yet Simple Technique for Ecological Data Analysis". Ecology. 81 (11): 3178–3192. doi:10.1890/0012-9658(2000)081[3178:cartap]2.0.co;2. ISSN 0012-9658.
  9. ↑ ۹٫۰ ۹٫۱ ۹٫۲ Thessen, Anne (2016-06-27). "Adoption of Machine Learning Techniques in Ecology and Earth Science". One Ecosystem. 1: e8621. doi:10.3897/oneeco.1.e8621. ISSN 2367-8194. خطای یادکرد: برچسب <ref> نامعتبر؛ نام «:3» چندین بار با محتوای متفاوت تعریف شده است. (صفحهٔ راهنما را مطالعه کنید.).
  10. ↑ Zhao, Kaiguang; Popescu, Sorin; Meng, Xuelian; Pang, Yong; Agca, Muge (August 2011). "Characterizing forest canopy structure with lidar composite metrics and machine learning". Remote Sensing of Environment. 115 (8): 1978–1996. Bibcode:2011RSEnv.115.1978Z. doi:10.1016/j.rse.2011.04.001. ISSN 0034-4257.
  11. ↑ LAWLER, JOSHUA J.; WHITE, DENIS; NEILSON, RONALD P.; BLAUSTEIN, ANDREW R. (2006-06-26). "Predicting climate-induced range shifts: model differences and model reliability". Global Change Biology. 12 (8): 1568–1584. Bibcode:2006GCBio..12.1568L. CiteSeerX 10.1.1.582.9206. doi:10.1111/j.1365-2486.2006.01191.x. ISSN 1354-1013.
  12. ↑ Tartakovsky, Daniel M. (2004). "Delineation of geologic facies with statistical learning theory". Geophysical Research Letters. 31 (18). Bibcode:2004GeoRL..3118502T. CiteSeerX 10.1.1.146.5147. doi:10.1029/2004gl020864. ISSN 0094-8276.
  13. ↑ Hurtt, George C.; Dubayah, Ralph; Drake, Jason; Moorcroft, Paul R.; Pacala, Stephen W.; Blair, J. Bryan; Fearon, Matthew G. (June 2004). "Beyond Potential Vegetation: Combining Lidar Data and a Height-Structured Model for Carbon Studies". Ecological Applications. 14 (3): 873–883. doi:10.1890/02-5317. ISSN 1051-0761.
  14. ↑ Lawler, Joshua J.; White, Denis; Neilson, RONALD P.; Blaustein, Andrew R. (2006-06-26). "Predicting climate-induced range shifts: model differences and model reliability". Global Change Biology. 12 (8): 1568–1584. Bibcode:2006GCBio..12.1568L. CiteSeerX 10.1.1.582.9206. doi:10.1111/j.1365-2486.2006.01191.x. ISSN 1354-1013.
  15. ↑ Akpokodje, E. G. (June 1979). "The importance of engineering geological mapping in the development of the Niger delta basin". Bulletin of the International Association of Engineering Geology. 19 (1): 101–108. doi:10.1007/bf02600459. ISSN 1435-9529.
  16. ↑ ۱۶٫۰ ۱۶٫۱ Costa, Iago; Tavares, Felipe; Oliveira, Junny (April 2019). "Predictive lithological mapping through machine learning methods: a case study in the Cinzento Lineament, Carajás Province, Brazil". Journal of the Geological Survey of Brazil. 2 (1): 26–36. doi:10.29396/jgsb.2019.v2.n1.3. ISSN 2595-1939.
  17. ↑ ۱۷٫۰ ۱۷٫۱ Latifovic, Rasim; Pouliot, Darren; Campbell, Janet (2018-02-16). "Assessment of Convolution Neural Networks for Surficial Geology Mapping in the South Rae Geological Region, Northwest Territories, Canada". Remote Sensing. 10 (2): 307. Bibcode:2018RemS...10..307L. doi:10.3390/rs10020307. ISSN 2072-4292.
برگرفته از «https://fa.wikipedia.org/w/index.php?title=یادگیری_ماشین_در_علوم_زمین&oldid=38278977»