本研究提出了一种基于机器学习的地热勘探方法,利用无监督、监督和物理学相关的算法,结合开源平台 GeoThermalCloud,提高资源发现的效率并发掘了隐藏的地热系统,发现通常在传统勘探中被忽略的关键地热指标,对于促进现有数据的提升以及提取有价值的信息具有重要意义。
Oct, 2022
该研究旨在开发并应用一种自主方法,预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息,实现了对地质地球物理数据的专家独立概括,并利用该概括通过假设检验和生成地质模型。
Apr, 2023
该研究基于数据驱动的空间插值算法,利用物理信息图神经网络开发了美国本土深度温度图。该模型通过同时预测地下温度、地表热流和岩石导热率,近似满足三维热传导定律。在模型输入中,除了底孔温度测量值外,还包括其他物理量,如深度、地理坐标、海拔、沉积厚度、磁异常、重力异常、放射性元素的伽马射线通量、地震活动和电导率等。我们构建了 0-7 km 深度范围内以 1 km 间隔的表面热流和温度、导热率预测值,每个网格单元的空间分辨率为 18 km²。我们的模型显示了温度、地表热流和导热率的平均绝对误差分别为 4.8°C、5.817 mW/m² 和 0.022 W/(°C-m)。预测结果在模拟深度上的二维空间地图中可视化。这种对地球热过程的全面建模对于理解地下现象和开发地下自然资源至关重要。
Mar, 2024
通过专门的机器学习模型和领域分解,该研究提出了一种减少大规模地质储存成本的方法,以增强机器学习在地质碳储存中的效率。
Oct, 2023
研究探讨了使用机器学习方法纠正数字高程模型中的高程偏差。通过对三种机器学习方法和多元线性回归方法在提高 Cape Town 地区 Copernicus 和 AW3D 全球 DEM 的垂直精度方面的比较,结果显示梯度提升决策树方法在 DEM 修正中具有潜力。
Feb, 2024
本研究旨在探索不同机器学习模型在预测 State Technical University of Quevedo 中心校区太阳辐射方面的有效性,并通过开发基于网络的工具展示该模型在实时太阳辐射预测中的实用性,为高效太阳能管理提供贡献。
Dec, 2023
提出了一种物理约束的机器学习模型,结合了机理模型和机器学习模型的优势,在不使用地面气象站数据的情况下提高了陆表温度的预测精度和物理可解释性,能够从理论和经验上推导,并在地理要素估计中提供洞见。
Jul, 2023
本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法,其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。
Jan, 2021
电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势,通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而,对于进一步的研究和实践,需要解决许多问题,以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战,并提供了克服这些挑战的技术和流行编程工具,还讨论了地理空间人工智能在环境应用中的前景。
Nov, 2023
利用 3D 地震数据和气井测试预测气藏的研究具有高效性,并获得了气藏预测质量度量 f1 分数为 0.893846。
Jan, 2024