Enhancing Lithological Mapping with Spatially Constrained Bayesian Network (SCB-Net): An Approach for Field Data-Constrained Predictions with Uncertainty Evaluation

要約

地質図は地球科学にとって非常に貴重な情報源です。
これらは、鉱物探査、自然災害に対する脆弱性、およびその他の多くのアプリケーションに関する洞察を提供します。
これらのマップは、地質学的観測を使用してデータを推定する数値モデルまたは概念モデルを使用して作成されます。
地球統計手法は、データに固有の空間パターンを考慮した信頼性の高い予測を生成するために伝統的に使用されてきました。
ただし、補助変数の数が増えると、これらの方法はより労働集約的になります。
さらに、従来の機械学習手法では、空間的に相関するデータや、地球科学データセットから貴重な非線形情報を抽出することに苦労することがよくあります。
これらの制限に対処するために、Spatially Constrained Bayesian Network (SCB-Net) と呼ばれる新しいアーキテクチャが開発されました。
SCB-Net は、空間的に制約された予測を生成しながら、補助変数からの情報を効果的に活用することを目的としています。
これは 2 つの部分で構成されており、最初の部分は補助変数の基礎となるパターンの学習に焦点を当て、2 番目の部分はグラウンドトゥルース データと最初の部分から学習された埋め込みを統合します。
さらに、モデルの不確実性を評価するために、モンテカルロ ドロップアウトと呼ばれる手法がベイズ近似として使用されます。
SCB-Net は、カナダのケベック州北部の 2 つの選択された地域に適用され、意思決定のための予測の不確実性の評価を可能にしながら、フィールドデータに制約された岩石地図を生成する可能性を実証しました。
この研究は、地球統計学、特に複雑な空間特徴学習タスクの処理におけるディープ ニューラル ネットワークの有望な進歩を強調し、空間情報技術の向上につながります。

要約(オリジナル)

Geological maps are an extremely valuable source of information for the Earth sciences. They provide insights into mineral exploration, vulnerability to natural hazards, and many other applications. These maps are created using numerical or conceptual models that use geological observations to extrapolate data. Geostatistical techniques have traditionally been used to generate reliable predictions that take into account the spatial patterns inherent in the data. However, as the number of auxiliary variables increases, these methods become more labor-intensive. Additionally, traditional machine learning methods often struggle with spatially correlated data and extracting valuable non-linear information from geoscientific datasets. To address these limitations, a new architecture called the Spatially Constrained Bayesian Network (SCB-Net) has been developed. The SCB-Net aims to effectively exploit the information from auxiliary variables while producing spatially constrained predictions. It is made up of two parts, the first part focuses on learning underlying patterns in the auxiliary variables while the second part integrates ground-truth data and the learned embeddings from the first part. Moreover, to assess model uncertainty, a technique called Monte Carlo dropout is used as a Bayesian approximation. The SCB-Net has been applied to two selected areas in northern Quebec, Canada, and has demonstrated its potential in generating field-data-constrained lithological maps while allowing assessment of prediction uncertainty for decision-making. This study highlights the promising advancements of deep neural networks in geostatistics, particularly in handling complex spatial feature learning tasks, leading to improved spatial information techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google