مدلسازی هوشمند واریوگرام با استفاده از یادگیری عمیق

محاسبه واریوگرام و پیوستگی فضایی یکی از اولین و مهم ترین فرآیندها در مدل سازی زمین آماری بوده که فرآیندی زمان بر و تجربه محور است. هم چنین به دلیل پیچیدگی های محاسبه واریوگرام تجربی، تفسیر و برازش مدل مناسب همواره یکی از چالش های اصلی در این زمینه است. در این مقاله یک روش مدل سازی هوشمند واریوگرام با استفاده از یادگیری عمیق ارایه شده که می تواند سرعت برازش مدل واریوگرام را افزایش داده و همچنین مانع بروز خطاهای متداول در برازش دستی مدل واریوگرام شود. در این روش از دو شبکه عصبی کانولوشن استفاده شده است. شبکه اول داده های اولیه را تبدیل به نقشه دوبعدی شبیه سازی شده بر مبنای مدل های مختلف واریوگرام می کند. بدین منظور نیاز است تا شبکه اول، با داده های اولیه، و شبیه سازی های نظیر آن ها آموزش داده شود. سپس خروجی این مدل وارد شبکه عصبی کانولوشن دوم شده، که در این شبکه تصاویر دوبعدی شبیه سازی شده به عنوان ورودی به شبکه داده می شود و پارامترهای واریوگرام شامل، دامنه، آزیموت جهت اصلی، نسبت دامنه جهت اصلی به جهت فرعی و اثر قطعه ای پیش بینی می شود. در این مقاله ابتدا الگوریتم پیشنهادی بر روی داده های دوبعدی مصنوعی پیاده سازی و پارامترهای مدل بهینه گردیده است. دقت مدل در پیش بینی پارامتر های واریوگرام 97 درصد بوده است. سپس از الگوریتم پیشنهادی برای مدل سازی واریوگرام داده های ژیوشیمیایی منطقه نوچون که شامل عناصر Cu، Zn و Pb استفاده شد دقت مدل واریوگرام بدست آمده نسبت به مدل دستی برازش شده 90 درصد است.