مدلسازي هوشمند واريوگرام با استفاده از يادگيري عميق

محاسبه واريوگرام و پيوستگي فضايي يكي از اولين و مهم‌ترين فرآيندها در مدل‌سازي زمين‌آماري بوده كه فرآيندي زمان‌بر و تجربه‌محور است. همچنين به دليل پيچيدگي‌هاي محاسبه واريوگرام تجربي، تفسير و برازش مدل مناسب همواره يكي از چالش‌هاي اصلي در اين زمينه است. در اين مقاله يك روش مدل‌سازي هوشمند واريوگرام با استفاده از يادگيري عميق ارايه شده است كه مي‌تواند سرعت برازش مدل واريوگرام را افزايش دهد و مانع بروز خطاهاي متداول در برازش دستي مدل واريوگرام شود. در اين روش از دو شبكه عصبي كانولوشن استفاده شده است. شبكه اول داده‌هاي اوليه را تبديل به نقشه دوبعدي شبيه‌سازي‌شده بر مبناي مدل‌هاي مختلف واريوگرام مي‌كند. بدين منظور نياز است تا شبكه اول، با داده‌هاي اوليه و شبيه‌سازي‌هاي مانند آن‌ها آموزش داده شود؛ سپس خروجي اين مدل وارد شبكه عصبي كانولوشن دوم شده كه در اين شبكه تصاوير دوبعدي شبيه‌سازي‌شده به‌عنوان ورودي به شبكه داده مي‌شود و پارامترهاي واريوگرام شامل دامنه، آزيموت جهت اصلي، نسبت دامنه جهت اصلي به جهت فرعي و اثر قطعه‌اي پيش‌بيني مي‌شود. در اين مقاله ابتدا الگوريتم پيشنهادي بر روي داده‌هاي دوبعدي مصنوعي پياده‌سازي و پارامترهاي مدل بهينه شده است. دقت مدل در پيش‌بيني پارامترهاي واريوگرام 97 درصد بوده است. سپس از الگوريتم پيشنهادي براي مدل‌سازي واريوگرام داده‌هاي ژئوشيميايي منطقه نوچون كه شامل عناصر Cu، Zn و Pb استفاده شد كه دقت مدل واريوگرام به‌دست‌آمده نسبت به مدل دستي برازش شده 90 درصد است.