論文の概要: Dual Random Fields and their Application to Mineral Potential Mapping
- arxiv url: http://arxiv.org/abs/2412.07488v1
- Date: Tue, 10 Dec 2024 13:16:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:38:22.336797
- Title: Dual Random Fields and their Application to Mineral Potential Mapping
- Title（参考訳）: 二重ランダム場とその鉱物電位マッピングへの応用
- Authors: Álvaro I. Riquelme,
- Abstract要約: 本稿では、応答関数自体を局所変数と見なす二重ランダム場(dRF)の概念を紹介する。
地理的領域にまたがる異なる確立された応答モデルは、dRF実現の観測と見なすことができる。
DRFが古典的確率場から全ての特性を継承し、標準ガウスシミュレーション手法を用いてそれらをシミュレートする方法について説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In various geosciences branches, including mineral exploration, geometallurgical characterization on established mining operations, and remote sensing, the regionalized input variables are spatially well-sampled across the domain of interest, limiting the scope of spatial uncertainty quantification procedures. In turn, response outcomes such as the mineral potential in a given region, mining throughput, metallurgical recovery, or in-situ estimations from remote satellite imagery, are usually modeled from a much-restricted subset of testing samples, collected at certain locations due to accessibility restrictions and the high acquisition costs. Our limited understanding of these functions, in terms of the multi-dimensional complexity of causalities and unnoticed dependencies on inaccessible inputs, may lead to observing changes in such functions based on their geographical location. Pooling together different response functions across the domain is critical to correctly predict outcome responses, the uncertainty associated with these inferred values, and the significance of inputs in such predictions at unexplored areas. This paper introduces the notion of a dual random field (dRF), where the response function itself is considered a regionalized variable. In this way, different established response models across the geographic domain can be considered as observations of a dRF realization, enabling the spatial inference and uncertainty assessment of both response models and their predictions. We explain how dRFs inherit all the properties from classical random fields, allowing the use of standard Gaussian simulation procedures to simulate them. These models are combined to obtain a mineral potential response, providing an example of how to rigorously integrate machine learning approaches with geostatistics.
- Abstract（参考訳）: 鉱物探査、鉱業における地質学的特徴評価、リモートセンシングなど、様々な地球科学分野において、地域化された入力変数は、関心領域にわたって空間的にうまくサンプリングされ、空間的不確実性定量化の手続きの範囲が制限される。
逆に、ある地域での鉱物ポテンシャル、鉱業のスループット、冶金の回復、リモート衛星画像からのその場での見積もりなどの応答結果は、通常、アクセシビリティの制限と高い取得コストによって特定の場所で収集されたテストサンプルの非常に制限されたサブセットからモデル化される。
これらの機能の限定的な理解は、因果関係の多次元的複雑さや、到達不能な入力への無通知依存の観点からも、それらの地理的な位置に基づいて、そのような関数の変化を観察することにつながる可能性がある。
ドメイン全体にわたる異なる応答関数のプール化は、結果応答の正確な予測、これらの推論された値に関連する不確実性、探索されていない領域でのそのような予測における入力の意義などにおいて重要である。
本稿では、応答関数自体を局所変数と見なす二重ランダム場(dRF)の概念を紹介する。
このようにして、地理的領域にまたがる異なる確立された応答モデルを、dRF実現の観測と見なすことができ、応答モデルとその予測の空間的推測と不確実性評価を可能にする。
DRFが古典的ランダム場から全ての特性を継承する方法を説明し、標準ガウスシミュレーション手法を用いてそれらをシミュレートする。
これらのモデルはミネラルポテンシャル応答を得るために組み合わせられ、機械学習アプローチを測地学と厳密に統合する方法の例を提供する。
関連論文リスト
- A general reduced-order neural operator for spatio-temporal predictive learning on complex spatial domains [1.708086375224371]
本稿では,複雑なプロセス(PL-STP)の予測学習における不等領域マッピングに着目した。
近年のディープラーニングの進歩は、観測データから直接演算子を学習する神経演算子(NO)の大きな可能性を明らかにしている。
既存のNOは入力空間と出力空間を同じ領域とする必要があり、不等領域写像の予測精度と安定性を確保することが課題となる。
論文 参考訳（メタデータ） (2024-09-09T11:02:27Z) - Geometric Constraints in Probabilistic Manifolds: A Bridge from
Molecular Dynamics to Structured Diffusion Processes [0.0]
ユークリッド空間における任意の幾何制約の集合に厳密に固執する分布からのサンプリングを可能にする手法を提案する。
これは、制約プロジェクション演算子をDenoising Diffusion Probabilistic Modelsのよく考えられたアーキテクチャに統合することで達成される。
論文 参考訳（メタデータ） (2023-07-10T11:31:15Z) - RbX: Region-based explanations of prediction models [69.3939291118954]
領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。
RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
論文 参考訳（メタデータ） (2022-10-17T03:38:06Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - A Convolutional Neural Network-based Approach to Field Reconstruction [0.0]
多くのアプリケーションでは、スパイクや不連続性、危険な不均一性を検出するために、フィールドの空間分布を注意深く監視する必要がある。
この研究では、これらの要求に対処できる物理インフォームドなデータ駆動アルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-08-27T00:16:44Z) - Goal-oriented adaptive sampling under random field modelling of response
probability distributions [0.6445605125467573]
応答分布の空間的変動がそれらの平均および/または分散だけでなく、例えば、形状や一様性、多様性などを含む他の特徴も考慮する。
我々の貢献は、それによって引き起こされる確率分布の場をモデル化する非パラメトリックベイズアプローチに基づいている。
論文 参考訳（メタデータ） (2021-02-15T15:55:23Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
本稿では,この分野の主要な理論gp開発について概説する。
信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
論文 参考訳（メタデータ） (2020-12-22T10:46:37Z) - Causal Inference in Geoscience and Remote Sensing from Observational
Data [9.800027003240674]
経験的データの有限集合を用いて、因果関係の正しい方向を推定する。
我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。
この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
論文 参考訳（メタデータ） (2020-12-07T22:56:55Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。