03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Aprendizado de máquina em ciências da terra

Resumir
Aplicações de aprendizado de máquina em ciências da terra incluem mapeamento geológico , detecção de vazamento de gás
e identificação de características geológicas . O aprendizado de máquina (ML) é um tipo de inteligência artificial (IA) que
permite que os sistemas de computador classifiquem, agrupem, identifiquem e analisem conjuntos de dados vastos e
complexos, eliminando a necessidade de instruções e programação explícitas. [1] As ciências da Terra são o estudo da
origem, evolução e futuro [2] do planeta Terra . O sistema terrestre pode ser subdividido em quatro componentes principais,
incluindo a terra sólida ,atmosfera , hidrosfera e biosfera . [3]

Uma variedade de algoritmos pode ser aplicada dependendo da natureza da exploração das ciências da terra . Alguns
algoritmos podem ter um desempenho significativamente melhor do que outros para objetivos específicos. Por exemplo, as
redes neurais convolucionais (CNN) são boas na interpretação de imagens, as redes neurais artificiais (ANN) funcionam
bem na classificação do solo [4] , mas são mais caras computacionalmente para treinar do que o aprendizado da máquina de
vetores de suporte (SVM). A aplicação de aprendizado de máquina tem sido popular nas últimas décadas, como o
desenvolvimento de outras tecnologias, como veículos aéreos não tripulados (UAVs), [5] resolução ultra-altatecnologia de
sensoriamento remoto e unidades de computação de alto desempenho [6] levam à disponibilidade de grandes conjuntos de
dados de alta qualidade e algoritmos mais avançados .

Significado

Complexidade da ciência da terra

Problemas em ciências da terra são muitas vezes complexos. [7] É difícil aplicar modelos matemáticos conhecidos e descritos
ao ambiente natural, portanto, o aprendizado de máquina é geralmente uma alternativa melhor para tais problemas não
lineares. [8] Os dados ecológicos são geralmente não lineares e consistem em interações de ordem superior e, juntamente
com os dados ausentes, as estatísticas tradicionais podem ter um desempenho inferior à medida que suposições irrealistas,
como a linearidade, são aplicadas ao modelo. [9] [10] Vários pesquisadores descobriram que o aprendizado de máquina
supera os modelos estatísticos tradicionais nas ciências da terra, como na caracterização da estrutura do dossel da floresta ,
[11]prevendo mudanças de alcance induzidas pelo clima , [12] e delineando fácies geológicas. [13] A caracterização da

estrutura do dossel da floresta permite aos cientistas estudar a resposta da vegetação às mudanças climáticas. [14] A previsão
de mudanças de alcance induzidas pelo clima permite que os formuladores de políticas adotem métodos de conversação
adequados para superar as consequências das mudanças climáticas. [15] Delinear fácies geológicas ajuda os geólogos a
entender a geologia de uma área, o que é essencial para o desenvolvimento e gerenciamento de uma área. [16]

Dados inacessíveis

Nas Ciências da Terra, alguns dados costumam ser difíceis de acessar ou coletar, portanto, inferir dados a partir de dados
facilmente disponíveis pelo método de aprendizado de máquina é desejável. [10] Por exemplo, o mapeamento geológico em
florestas tropicais úmidas é um desafio porque a densa cobertura vegetal e os afloramentos rochosos são pouco expostos. [17]
A aplicação de sensoriamento remoto com abordagens de aprendizado de máquina fornece uma maneira alternativa de
mapeamento rápido sem a necessidade de mapeamento manual nas áreas inacessíveis. [17]

Reduzir custos de tempo

O aprendizado de máquina também pode reduzir os esforços feitos por especialistas, pois tarefas manuais de classificação e
anotação, etc., são os gargalos no fluxo de trabalho da pesquisa em ciências da terra. [10] O mapeamento geológico,
especialmente em uma área vasta e remota, é trabalhoso, custoso e demorado com os métodos tradicionais. [18] A
incorporação de abordagens de sensoriamento remoto e aprendizado de máquina pode fornecer uma solução alternativa
para eliminar algumas necessidades de mapeamento de campo. [18]

Consistente e sem viés

Consistência e livre de viés também são uma vantagem do aprendizado de máquina em comparação com trabalhos manuais C
feitos por humanos. Em pesquisas comparando o desempenho do aprendizado humano e de máquina na identificação 4de
dinoflagelados , descobriu-se que o aprendizado de máquina não é tão propenso a vieses sistemáticos quanto os humanos.
[19] Um efeito de recência que está presente em humanos é que a classificação geralmente se inclina para as classes

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 1/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

lembradas mais recentemente. [19]

Em uma tarefa de rotulagem da pesquisa, se um tipo de dinoflagelados raramente ocorre
nas amostras, então os ecologistas especialistas geralmente não o classificam corretamente. [19] O viés sistemático deteriora
fortemente a precisão da classificação de humanos. [19]

Algoritmo de aprendizado de máquina ideal Resumir

O uso extensivo de aprendizado de máquina em vários campos levou à aplicação de uma ampla gama de algoritmos de
métodos de aprendizado. O algoritmo de aprendizado de máquina aplicado na resolução de problemas de ciências da terra é
de grande interesse para os pesquisadores. [20] [4] [7] Escolher o algoritmo ideal para uma finalidade específica pode levar a
um aumento significativo na precisão. [21] Por exemplo, o mapeamento litológico de rochas de granito-greenstone contendo
ouro em Hutti, na Índia, com dados hiperespectrais AVIRIS-NG, mostra mais de 10% de diferença na precisão geral entre o
uso da Support Vector Machine (SVM) e a floresta aleatória . [22]Alguns algoritmos também podem revelar algumas
informações importantes. 'Modelos de caixa branca' são modelos transparentes nos quais os resultados e metodologias
podem ser facilmente explicados, enquanto os modelos de 'caixa preta' são o oposto. [21] Por exemplo, embora a máquina de
vetores de suporte (SVM) tenha produzido o melhor resultado na precisão da avaliação da suscetibilidade a deslizamentos, o
resultado não pode ser reescrito na forma de regras de especialistas que explicam como e por que uma área foi classificada
como aquela classe específica. [7] Em contraste, a árvore de decisão tem um modelo transparente que pode ser entendido
facilmente, e o usuário pode observar e corrigir o viés, se houver algum presente no modelo. [7]Se o poder computacional é
uma preocupação, um método de aprendizado mais exigente computacionalmente, como a rede neural artificial, é menos
preferido, apesar do fato de que a rede neural artificial pode superar ligeiramente outros algoritmos, como na classificação
do solo. [4]

Abaixo estão os destaques de alguns algoritmos comumente aplicados. [23]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 2/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Resumir

Support Vector Machine (SVM)

Na Support Vector Machine (SVM), o limite de decisão foi determinado durante o
processo de treinamento pelo conjunto de dados de treinamento representado pelos
pontos verde e vermelho. Os dados de roxo ficam abaixo do limite de decisão,
portanto pertencem à classe vermelha. [7]

K vizinho mais próximo

K vizinho mais próximo classifica os dados com base em suas semelhanças. k é um
parâmetro que representa o número de vizinhos que serão considerados para o
processo de votação. Por exemplo, na figura k = 4, portanto são considerados os 4
vizinhos mais próximos. Nos 4 vizinhos mais próximos, 3 pertencem à classe
vermelha e 1 à classe verde. Os dados roxos são classificados como a classe
vermelha. [24]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 3/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Resumir

Árvore de Decisão
A Árvore de Decisão mostra os resultados possíveis de escolhas relacionadas. A
Árvore de Decisão pode ainda ser dividida em Árvore de Classificação e Árvore de
Regressão. A figura acima mostra uma árvore de classificação, pois as saídas são
classes discretas. Para árvore de regressão, a saída é um número. Este é um
modelo de caixa branca que é transparente e o usuário é capaz de identificar o viés,
se houver algum no modelo. [7]

Floresta aleatória
Na floresta aleatória, várias árvores de decisão são usadas juntas em um método de
conjunto. Várias árvores de decisão são produzidas durante o treinamento de um
modelo. Diferentes árvores de decisão podem apresentar vários resultados. O
processo de média/votação por maioria fornece o resultado final. Este método
produz uma maior precisão de usar apenas uma única árvore de decisão. [22]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 4/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Resumir

Redes neurais
Redes neurais imitam neurônios em um cérebro biológico. Consiste em várias
camadas, onde as camadas intermediárias são camadas ocultas. Os pesos das
conexões são ajustados durante o processo de treinamento. Como a lógica
intermediária não é clara, ela é chamada de 'operação de caixa preta'. Rede neural
convolucional (CNN) é uma subclasse de redes neurais, que é comumente usada
para processar imagens. [24]

Uso

Mapeamento

Mapeamento geológico ou litológico e mapeamento de prospecção mineral

O mapeamento geológico ou litológico produz mapas mostrando características geológicas e unidades geológicas. O
mapeamento de prospecção mineral utiliza uma variedade de conjuntos de dados, como mapas geológicos, imagens
aeromagnéticas , etc., para produzir mapas especializados para exploração mineral. O mapeamento geológico/litológico e o
mapeamento de prospecção mineral podem ser realizados processando os dados com técnicas de aprendizado de máquina
com a entrada de imagens espectrais obtidas de sensoriamento remoto e dados geofísicos . [25] Imagens espectraisé a
imagem de bandas de comprimento de onda eletromagnéticas selecionadas no espectro eletromagnético, enquanto a
imagem convencional captura três bandas de comprimento de onda (vermelho, verde, azul) no espectro eletromagnético.
[26]
Random Forest e Support Vector Machine (SVM) etc são algoritmos comuns sendo usados ​com dados geofísicos de
sensoriamento remoto, enquanto Simple Linear Iterative Clustering-Convolutional Neural Network (SLIC-CNN) [ 5] e
Convolutional Neural Networks (CNN) [18 ] etc são comumente aplicados ao lidar com fotos e imagens aéreas. O
mapeamento em grande escala pode ser realizado com dados geofísicos de dados geofísicos de sensoriamento remoto aéreo
e por satélite, [22]e mapeamento em menor escala pode ser realizado com imagens de Unmanned Aerial Vehicle (UAV) para
maior resolução. [5]

A cobertura vegetal é um dos maiores entraves para o mapeamento geológico com sensoriamento remoto, conforme
relatado em diversas pesquisas, tanto em mapeamento de grande quanto de pequena escala. A vegetação afeta a qualidade
da imagem espectral [25] ou obscurece a informação da rocha nas imagens aéreas. [5]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 5/16
03/07/2023, 00:46
Exemplos de aplicação em Mapeamento Geológico/Litológico e Mapeamento de Prospectividade Mineral
Objetivo
Mapeamento litológico de
rochas de granito-
greenstone contendo ouro
[22]
Mapeamento litológico na
[17]
floresta tropical
Mapeamento geológico
para exploração mineral
[27]
Mapeamento geológico e
mineralógico
Integrando Dados
Multigeofísicos em um
[28]
Mapa de Cluster
Mapeamento geológico de
alta resolução com veículo
https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences
Machine learning in earth sciences - Wikipedia
Algoritmos de
Conjunto de dados de
Localização aprendizado de máquina Desempenho
entrada
(MLAs)
Análise Discriminante Resumir
Linear (LDA) ,
Support Vector Machine
Dados hiperespectrais floresta aleatória , (SVM) supera os outros
Hutti, Índia
AVIRIS-NG algoritmos de aprendizado
Máquina de vetores de máquina (MLAs)
de suporte (SVM)
Dois mapas preditivos
foram gerados:
(1) Mapa gerado com
dados de
sensoriamento remoto
Inversão de vetores
magnéticos, tem apenas 52,7% de
precisão quando
mapa RGB ternário, comparado ao mapa
geológico, mas várias
Shuttle Radar novas unidades
Topography Mission Lineamento do Cinzento, litológicas possíveis
floresta aleatória
(SRTM) , Brasil são identificadas
Cor falsa (RGB) do (2) O mapa gerado
Landsat 8 com dados de
combinando as sensoriamento remoto
bandas 4, 3 e 2 e restrições espaciais
tem uma precisão de
78,7%, mas nenhuma
nova unidade
litológica possível é
identificada
Observação de terreno
polarimétrica
Baixa confiabilidade do
aerotransportada com
TopSAR para
varreduras progressivas
SAR (TopSAR), Oeste da Tasmânia floresta aleatória mapeamento geológico,
mas preciso com dados
geofísicos.
dados geofísicos
A precisão do uso de
dados hiperespectrais
para classificação é
ligeiramente superior ao
Jebile Central, uso de dados
Dados de satélites
Máquina de vetores de multiespectrais, obtendo
multiespectrais e
Marrocos suporte (SVM) 93,05% e 89,24%,
hiperespectrais
respectivamente,
mostrando que o
aprendizado de máquina é
uma ferramenta confiável
para a exploração mineral.
magnético
aerotransportado,
frequência O mapa de aglomerados
eletromagnética, produzido tem uma
Trøndelag, meio da relação satisfatória com o
medições floresta aleatória
Noruega mapa geológico existente,
radiométricas, mas com pequenos
desajustes.
4
C
medições de
gravidade do solo
Imagens RGB de ultra- beira-mar de Taili, Rede neural simples linear O resultado é satisfatório
resolução iterativa de clustering- no mapeamento de
6/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia
aéreo não tripulado (UAV) Província de Liaoning, convolucional (SLIC-CNN) grandes unidades
[5] geológicas, mas
China apresentou baixo
desempenho no
mapeamento de
pegmatitos, rochas de
Resumir fina e diques.
granulação
Os UAVs não conseguiram
coletar informações sobre
rochas onde as rochas
não estavam expostas.

Fotos aéreas , Região Geológica de A precisão resultante da

Mapeamento de geologia South Rae, CNN foi de 76% na área
[18] Refletância Landsat , Redes Neurais treinada localmente,
superficial
Convolucionais (CNN), enquanto 68% para uma
Territórios do
Dados de elevação área de teste
Mapeamento preditivo Noroeste,
floresta aleatória independente. A CNN
remoto (RPM) digital de alta alcançou uma precisão
resolução Canadá ligeiramente maior de 4%
do que a Random Forest.

Suscetibilidade a
deslizamentos de terra e
mapeamento de riscos

A suscetibilidade a
escorregamentos refere-se à
probabilidade de
deslizamento de um local,
que é afetado pelas condições
do terreno local. [29] O
mapeamento de
suscetibilidade a
deslizamentos de terra pode
destacar áreas propensas a
riscos de deslizamentos de
terra que são úteis para
planejamento urbano e
trabalhos de gestão de
desastres. [7] O conjunto de Métodos de divisão dos conjuntos de dados em conjunto de dados de treinamento e conjunto de
dados de entrada para dados de teste
algoritmos de aprendizado de Como o treinamento de aprendizado de máquina para mapeamento de suscetibilidade a deslizamentos
máquina geralmente inclui requer conjuntos de dados de treinamento e teste, portanto, a divisão do conjunto de dados é necessária.
informações topográficas, Dois métodos de divisão para os conjuntos de dados são apresentados no mapa geológico do leste de
informações litológicas, Cumberland Gap. O método apresentado à esquerda, 'Divisão em duas áreas adjacentes' é mais útil, pois
imagens de satélite, etc. e o algoritmo de automação pode realizar o mapeamento de uma nova área com a entrada de dados
alguns podem incluir uso da processados ​por especialistas de terrenos adjacentes. Os pixels de cor ciano mostram o conjunto de
terra, cobertura da terra, dados de treinamento, enquanto o restante mostra os conjuntos de dados de teste.
informações de drenagem,
cobertura vegetal
[7] [30] [31] [32] de acordo às suas necessidades de estudo. No treinamento de aprendizado de máquina para mapeamento de

suscetibilidade a deslizamentos, são necessários conjuntos de dados de treinamento e teste. [7]Existem dois métodos de
alocação de conjuntos de dados para treinamento e teste, um é dividir aleatoriamente a área de estudo para os conjuntos de
dados, outro é dividir todo o estudo em duas partes adjacentes para os dois conjuntos de dados. Para testar os modelos de
classificação, a prática comum é dividir a área de estudo aleatoriamente em dois conjuntos de dados, [7] [33] no entanto, é
mais útil que a área de estudo possa ser dividida em duas partes adjacentes para que o algoritmo de automação possa
transportar mapeamento de uma nova área com a entrada de dados processados ​por especialistas de terrenos adjacentes. [7]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 7/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Exemplos de aplicação em Suscetibilidade a Deslizamentos/Mapeamento de Riscos

Algoritmos de
Conjunto de dados de
Objetivo Localização aprendizado de máquina Desempenho
entrada
(MLAs)

Modelo Digital de Elevação Resumir

Máquina de vetores de
(DEM),
suporte (SVM),
Montanha Fruška Gora,
Avaliação de Support Vector
mapa geológico,
Suscetibilidade a Árvores de Decisão , Machine (SVM) supera
[7] Sérvia
Deslizamentos os outros
Imagens Landsat de
Regressão Logística
30m

dados geomórficos baseados

Ilha de Honshu, Precisão superior a
Mapeamento de em satélite ASTER,
90% para determinar a
Suscetibilidade a Rede Neural Artificial (ANN)
[33] Japão probabilidade de
Deslizamentos mapas geológicos
deslizamento de terra.

Camadas de dados espaciais

com

declive,

aspecto,

alívio relativo, Partes dos distritos de A AUC dessa

Zona de
Chamoli e Rudraprayag do abordagem chega a
Suscetibilidade a
litologia, Estado de Uttarakhand, 0,88. Essa abordagem
Deslizamentos Rede Neural Artificial (ANN)
gerou uma avaliação
através de
características Índia precisa dos riscos de
classificações [30]
estruturais, deslizamento de terra.

uso da terra,

cobertura da terra,

densidade de drenagem

Inclinação topográfica,

aspecto topográfico,

curvatura topográfica,
distância da drenagem,

litologia,
A parte oriental do estado de
Análise Regional
Selangor, A abordagem alcançou
de Perigo de distância do lineamento,
Rede Neural Artificial (ANN) 82,92% de precisão de
Deslizamento de
[31] Malásia previsão.
Terra cobertura da terra a
partir de imagens de
satélite TM,

Índice de vegetação
(NDVI),

dados de precipitação

Identificação e detecção de recursos

Análises de descontinuidade

Descontinuidades como um plano de falha , plano de acamamento, etc., têm implicações importantes na engenharia. [34] 4
C
Fraturas de rochas podem ser reconhecidas automaticamente por aprendizado de máquina por meio de análise
fotogramétrica , mesmo com a presença de objetos interferentes, por exemplo, foliação, vegetação em forma de bastão, etc.
[35] No treinamento de máquina para classificação de imagens,
o aumento de dados é comum prática para evitar overfitting
e aumentar o conjunto de dados de treinamento. [35] Por exemplo, em uma pesquisa de reconhecimento de fraturas de
rochas, 68 imagens para treinamento e 23 imagens para o conjunto de dados de teste foram preparadas por divisão
https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 8/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

aleatória. [35]
O aumento de dados foi então realizado
e o conjunto de dados de treinamento foi aumentado
para 8704 imagens por flip e corte aleatório. [35] A
abordagem foi capaz de reconhecer as fraturas de
rocha com precisão na maioria dos casos. [35] O Valor
de Previsão Negativa (VPN) e a Especificidade foram Resumir
superiores a 0,99. [35] Isso demonstrou a robustez das
análises de descontinuidade com aprendizado de
máquina.

Técnica de aumento de dados

Na preparação do conjunto de dados para o reconhecimento de fraturas de
rocha, o aumento de dados foi realizado. Essa técnica é comumente usada
para aumentar o tamanho do conjunto de dados de treinamento. Embora as
amostras cortadas aleatoriamente e as amostras invertidas venham da
mesma imagem, as amostras processadas são exclusivas para o
aprendizado. Essa técnica pode evitar o problema de escassez de dados e o
problema de overfitting do modelo.

Exemplos de aplicação em Análises de Descontinuidade

Conjunto de Algoritmos de
Objetivo dados de Localização aprendizado de Desempenho
entrada máquina (MLAs)

Montanha Gwanak e
Montanha Bukhan,

Seul,

Coréia A abordagem foi capaz de reconhecer as

Imagens de
Reconhecimento de Rede Neural fraturas de rocha com precisão na maioria
rochas coletadas
Fraturas Rochosas Convolucional dos casos. O Valor de Previsão Negativa
[35] em pesquisa de e
(CNN) (VPN) e a Especificidade estão acima de
campo
0,99.
Jeongseon-gun,
Gangwon-do,

Coréia

Detecção de vazamento de dióxido de carbono

A quantificação do vazamento de dióxido de carbono de um local de sequestro geológico vem ganhando cada vez mais
atenção, pois o público está interessado em saber se o dióxido de carbono é armazenado no subsolo com segurança e
eficácia. [36] Um local de sequestro geológico é para capturar gases de efeito estufa e enterrá-los no subsolo nas formações
geológicas. O vazamento de dióxido de carbono de um local de sequestro geológico pode ser detectado indiretamente pela C
4
resposta ao estresse do planeta com o auxílio de sensoriamento remoto e um algoritmo de agrupamento não supervisionado
( método Iterative Self-Organizing Data Analysis Technique (ISODATA) ). [37] O aumento do CO A concentração
2 do solo
causa uma resposta de estresse para as plantas, inibindo a respiração das plantas à medida que o oxigênio é deslocado pelo
dióxido de carbono. [38] O sinal de estresse pela vegetação pode ser detectado com o Red Edge Index (REI). [38] As imagens

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 9/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

hiperespectrais são processadas pelo algoritmo não supervisionado agrupando pixels com respostas de plantas semelhantes.
[38] As informações hiperespectrais em áreas com vazamento de CO conhecido foram extraídas para que as áreas com
2
vazamento de CO possam ser combinadas com os pixels agrupados com anomalias espectrais. [38] Embora a abordagem
2
possa identificar CO vazamento de forma eficiente, existem algumas limitações que requerem um estudo mais
2 Resumir
aprofundado. [38] O índice de borda vermelha (REI) pode não ser preciso devido a razões como maior absorção de clorofila,
variação na vegetação e efeitos de sombreamento, portanto, alguns pixels estressados ​foram identificados incorretamente
como pixels saudáveis. [38] A sazonalidade e a altura do lençol freático também podem afetar a resposta de estresse ao CO
2
da vegetação. [38]

Exemplos de aplicação na detecção de vazamento de dióxido de carbono

Conjunto de Algoritmos de
Objetivo dados de Localização aprendizado de Desempenho
entrada máquina (MLAs)

Detecção de A Pesquisa e Tecnologia de A abordagem foi capaz de detectar

vazamento de CO Método Iterative Self- áreas com vazamento de CO , porém
2 Emissões Zero (ZERT), 2
Imagens aéreas Organizing Data
de um local de hiperespectrais Analysis Technique outros fatores como as estações de
sequestro geológico NÓS crescimento da vegetação também
(ISODATA)
[37] interferem nos resultados.

Quantificação da vazão de água

O Rock Mass Rating (RMR) System [39] é um sistema de classificação de maciços rochosos adotado mundialmente por
meios geomecânicos com a entrada de seis parâmetros. A quantidade de entrada de água é uma das entradas do esquema de
classificação, representando a condição das águas subterrâneas. A quantificação da entrada de água nas faces de um túnel
rochoso era tradicionalmente realizada por observação visual em campo, que é trabalhosa e demorada com questões de
segurança. [40] O aprendizado de máquina pode determinar o fluxo de água analisando imagens tiradas no canteiro de
obras. [40] A classificação da abordagem segue principalmente o sistema RMR, mas combinando o estado úmido e molhado,
pois é difícil distinguir apenas por inspeção visual. [40] [39]As imagens foram classificadas em estado sem danos, estado
úmido, estado de gotejamento, estado de fluxo e estado de jorro. [40] A precisão da classificação das imagens foi de cerca de
90%. [40]

Exemplos de aplicação em Quantificação de Vazão de Água

Conjunto de Algoritmos de aprendizado

Objetivo Localização Desempenho
dados de entrada de máquina (MLAs)

Quantificação da entrada de água Imagens de Rede Neural Convolucional A abordagem alcançou uma
[40] -
em faces de túneis em rocha entrada de água (CNN) precisão média de 93,01%.

Classificação

Classificação do solo

O método econômico mais popular para o método de investigação do solo é o Teste de Penetração de Cone (CPT). [41] O
teste é realizado empurrando um cone metálico através do solo e a força necessária para empurrar a uma taxa constante é
registrada como um registro quase contínuo. [4] O aprendizado de máquina pode classificar o solo com a entrada de dados
de registro do Cone Penetration Test. [4] Na tentativa de classificar com aprendizado de máquina, há duas partes de tarefas
necessárias para analisar os dados, que são as partes de segmentação e classificação. [4] A parte de segmentação pode ser
realizada com o algoritmo CONCC (Constraint Clustering and Classification) para dividir uma única série de dados em
segmentos. [4]A parte de classificação pode ser realizada por Árvores de Decisão (DT), Rede Neural Artificial (ANN) ou
Máquina de Vetores de Suporte (SVM). [4] Ao comparar os três algoritmos, é demonstrado que a Rede Neural Artificial
(ANN) teve o melhor desempenho na classificação de argila húmida e turfa, enquanto as Árvores de Decisão tiveram o
melhor desempenho na classificação de turfa argilosa. [4] A classificação por este método é capaz de atingir uma precisão
muito alta, mesmo para o problema mais complexo, sua precisão foi de 83%, e a classe classificada incorretamente era
geologicamente vizinha. [4] Considerando o fato de que tal precisão é suficiente para a maioria dos especialistas, portanto, a
precisão de tal abordagem pode ser considerada como 100%. [4]

4
C

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 10/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Exemplos de aplicação em Classificação de Solos

Conjunto de
Algoritmos de aprendizado
Objetivo dados de Localização Desempenho
de máquina (MLAs)
entrada

Árvores de decisão, Resumir

Rede Neural Artificial A Rede Neural Artificial (ANN) superou as demais na

Registros de
classificação de argila húmida e turfa, enquanto as
Classificação teste de (ANN),
[4] - Árvores de Decisão superaram as demais na
do solo penetração de
classificação de turfa argilosa. Support Vector Machine
cone (CPT) Máquina de vetores de apresentou o pior desempenho entre os três.
suporte

Classificação da estrutura geológica

Estruturas geológicas expostas como anticlinal ,

marcas de ondulações , xenólitos , arranhões,
dobras ptigmáticas , falhas, concreções,
rachaduras, gnaissose, boudin , colunas de
basalto e diques podem ser identificadas
automaticamente com um modelo de
aprendizado profundo . [20] A pesquisa
demonstrou que a Rede Neural Convolucional de
Três Camadas (CNN) e o Aprendizado por
Transferência têm grande precisão de cerca de
80% e 90%, respectivamente, enquanto outros
como K-vizinhos mais próximos (KNN), Rede
Neural Artificial (ANN) e Gradiente Extremo
Impulsionando (XGBoost)têm baixas precisões,
variam de 10% a 30%. [20] As imagens em escala Efeito da imagem colorida e da imagem em tons de cinza A figura mostra a
de cinza e as imagens coloridas foram testadas, e imagem de uma dobra. A imagem da esquerda mostra uma imagem colorida,
a diferença de precisão é pequena, inferindo que enquanto a da direita mostra uma imagem em tons de cinza. A diferença na
a cor não é muito importante na identificação de precisão da classificação da estrutura geológica entre imagens coloridas e
estruturas geológicas. [20] imagens em tons de cinza é pequena.

Exemplos de aplicação em Classificação de Estruturas Geológicas

Conjunto de
Algoritmos de aprendizado de
Objetivo dados de Localização Desempenho
máquina (MLAs)
entrada

K vizinhos mais próximos (KNN),

Rede Neural Artificial

(ANN),
A Rede Neural Convolucional (CNN) de três camadas
Classificação das Imagens de Reforço de Gradiente e o Transfer Learning atingiram precisões de até
estruturas estruturas - Extremo (XGBoost), cerca de 80% e 90%, respectivamente, enquanto
[20]
geológicas geológicas outras foram relativamente baixas, variando de cerca
Rede neural convolucional de 10% a 30%.
de três camadas (CNN),

Transfer Learning

Previsão e previsões

Sistemas de alerta precoce e previsão de terremotos

Os sistemas de alerta precoce de terremotos são frequentemente vulneráveis ​a ruídos impulsivos locais, emitindo, portanto,
falsos alertas. [42] Os falsos alertas podem ser eliminados discriminando as formas de onda do terremoto dos sinais de ruído C
com o auxílio de métodos de aprendizado de máquina. O método consiste em duas partes, a primeira parte é aprendizado 4
não supervisionado com Generative Adversarial Network (GAN) para aprender e extrair características das primeiras ondas
P de chegada e Random Forest para discriminar ondas P. A abordagem alcançou 99,2% no reconhecimento de ondas P e
pode evitar disparos falsos por sinais de ruído com 98,4% de precisão. [42]

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 11/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

Os terremotos de laboratório são produzidos em um ambiente de laboratório para imitar os terremotos do mundo real. Com
a ajuda do aprendizado de máquina, os padrões de sinais acústicos como precursores de terremotos podem ser identificados
sem a necessidade de busca manual. A previsão do tempo restante antes da falha foi demonstrada em uma pesquisa com
dados de séries temporais acústicas contínuas registradas de uma falha. O algoritmo aplicado foi Random Forest treinado
com cerca de 10 eventos de deslizamento e teve excelente desempenho na previsão do tempo restante até a falha. Ele
Resumir
identificou sinais acústicos para prever falhas, e um deles não foi identificado anteriormente. Embora este terremoto de
laboratório produzido não seja tão complexo quanto o da Terra, isso representa um progresso importante que orienta o
trabalho de previsão de terremotos no futuro. [43]

Exemplos de aplicação em Previsão de Terremotos

Conjunto de Algoritmos de aprendizado de

Objetivo Localização Desempenho
dados de entrada máquina (MLAs)

Rede Adversária Generativa

A abordagem pode reconhecer ondas P
Discriminando formas Sul da (GAN),
conjunto de dados com 99,2% de precisão e evitar disparos
de onda de terremotos Califórnia e
[42] do terremoto falsos por sinais de ruído com 98,4% de
Japão floresta aleatória
precisão.

Dados de séries
Prevendo o tempo 2
temporais O valor de R da predição atingiu 0,89, o
restante para o próximo - floresta aleatória
[43] acústicas que demonstrou excelente desempenho.
terremoto
contínuas

Previsão de descarga de fluxo

Os dados de vazão em tempo real são essenciais para a tomada de decisões, por exemplo, evacuações, regulação dos níveis
de água do reservatório durante um evento de inundação. [44] Dados de vazão podem ser estimados por informações
fornecidas por medidores de vazão que medem o nível de água de um rio. No entanto, a água e os detritos de um evento de
inundação podem danificar os fluxos e os dados essenciais em tempo real serão perdidos. A capacidade do aprendizado de
máquina de inferir dados ausentes [10] permite que ele preveja o fluxo de fluxo com dados históricos de fluxogramas e dados
em tempo real. SHEM é um modelo que se refere à estimativa de hidrologia de fluxo usando aprendizado de máquina
[45]que pode servir ao propósito. Para verificar suas precisões, o resultado da previsão foi comparado com os dados reais
registrados e as precisões foram encontradas entre 0,78 e 0,99.

Exemplos de aplicação em previsão de vazão

Conjunto de Algoritmos de
Objetivo dados de Localização aprendizado de Desempenho
entrada máquina (MLAs)

Quatro diversas bacias

hidrográficas em Idaho e
Estimativa de Dados de As estimativas correlacionaram-se bem
Washington,
vazão com dados streaming do Florestas Aleatórias com os dados históricos das descargas.
[45]
ausentes NWIS-Web A precisão varia de 0,78 a 0,99.
NÓS

Desafio

Dados de treinamento inadequados

Uma quantidade adequada de dados de treinamento e validação é necessária para o aprendizado de máquina. [10] No
entanto, alguns produtos muito úteis, como dados de sensoriamento remoto por satélite, só têm décadas de dados desde a
década de 1970. Se alguém estiver interessado nos dados anuais, apenas menos de 50 amostras estarão disponíveis. [46]
Essa quantidade de dados pode não ser adequada. Em um estudo de classificação automática de estruturas geológicas, o
ponto fraco do modelo é o pequeno conjunto de dados de treinamento, mesmo que com a ajuda de aumento de dados para
aumentar o tamanho do conjunto de dados. [20] Outro estudo de previsão de vazão descobriu que as precisões dependem da
disponibilidade de dados históricos suficientes, portanto, dados de treinamento suficientes determinam o desempenho do
aprendizado de máquina. [45]Dados de treinamento inadequados podem levar a um problema chamado overfitting. O
overfitting causa imprecisões no aprendizado de máquina [47] à medida que o modelo aprende sobre o ruído e detalhes
indesejados.
4
C
Limitado pela entrada de dados

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 12/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

O aprendizado de máquina não pode realizar algumas das tarefas como um humano faz facilmente. Por exemplo, na
quantificação da entrada de água em faces de túneis rochosos por imagens para o sistema Rock Mass Rating (RMR), [40] a
umidade e o estado úmido não foram classificados por aprendizado de máquina porque discriminar os dois apenas por
inspeção visual não é possível . Em algumas tarefas, o aprendizado de máquina pode não ser capaz de substituir totalmente
o trabalho manual de um humano.
Resumir

Operação de caixa-preta

Em muitos algoritmos de aprendizado de máquina, por

exemplo, Rede Neural Artificial (ANN), é considerada uma
abordagem de ' caixa preta ', pois relações claras e descrições
de como os resultados são gerados nas camadas ocultas são
desconhecidas. [48] ​A abordagem de 'caixa branca', como a
árvore de decisão, pode revelar os detalhes do algoritmo para
os usuários. [49] Se alguém quiser investigar as relações, essas Operação de caixa-preta de alguns algoritmos de aprendizado
abordagens de 'caixa preta' não são adequadas. No entanto, de máquina
os desempenhos dos algoritmos de 'caixa preta' são Em uma operação de caixa-preta, um usuário conhece apenas a
entrada e a saída, mas não o processo. A Rede Neural Artificial
geralmente melhores. [50]
(ANN) é um exemplo de operação de caixa-preta. O usuário não
tem como entender a lógica das camadas ocultas.

Referências
1. Mueller, JP, & Massaron, L. (2021). Aprendizado de máquina para manequins . John Wiley & Filhos.
2. Resources., National Academies Press (EUA) Conselho Nacional de Pesquisa (EUA). Comissão de Geociências, Meio
Ambiente e (2001). Oportunidades de pesquisa básica em ciências da terra (http://worldcat.org/oclc/439353646) .
Imprensa das Academias Nacionais. OCLC  439353646 (https://www.worldcat.org/oclc/439353646) .
3. Miall, AD (dezembro de 1995). "O planeta azul: Uma introdução à ciência do sistema terrestre" (https://dx.doi.org/10.10
16/0012-8252(95)90023-3) . Avaliações de Ciências da Terra . 39 (3–4): 269–271. doi : 10.1016/0012-8252(95)90023-3
(https://doi.org/10.1016%2F0012-8252%2895%2990023-3) . ISSN 0012-8252 (https://www.worldcat.org/issn/0012-825
2) . (https://dx.doi.org/10.1016/0012-8252(95)90023-3) (https://doi.org/10.1016%2F0012-8252%2895%2990023-3)  (htt
ps://www.worldcat.org/issn/0012-8252)
4. Bhattacharya, B.; Solomatine, DP (março de 2006). "Aprendizado de máquina na classificação de solos" (https://dx.doi.
org/10.1016/j.neunet.2006.01.005). Redes Neurais. 19(2): 186–195. doi:10.1016/j.neunet.2006.01.005 (https://doi.org/1
0.1016%2Fj.neunet.2006.01.005). ISSN0893-6080 (https://www.worldcat.org/issn/0893-6080). PMID16530382 (https://p
ubmed.ncbi.nlm.nih.gov/16530382). S2CID14421859 (https://api.semanticscholar.org/CorpusID:14421859). (https://dx.d
oi.org/10.1016/j.neunet.2006.01.005) (https://doi.org/10.1016%2Fj.neunet.2006.01.005)  (https://www.worldcat.org/issn/
0893-6080)  (https://pubmed.ncbi.nlm.nih.gov/16530382)  (https://api.semanticscholar.org/CorpusID:14421859)
5. Sang, Xuejia; Xue, Linfu; Ran, Xiangjin; Li, Xiaoshun; Liu, Jiwen; Liu, Zeyu (2020-02-05). "Mapeamento geológico
inteligente de alta resolução baseado em SLIC-CNN" (https://doi.org/10.3390%2Fijgi9020099). ISPRS International
Journal of Geo-Information. 9(2): 99.Bibcode:2020IJGI....9...99S (https://ui.adsabs.harvard.edu/abs/2020IJGI....9...99S).
doi: 10.3390/ijgi9020099 (https://doi.org/10.3390%2Fijgi9020099) . ISSN2220-9964 (https://www.worldcat.org/issn/2220
-9964). (https://doi.org/10.3390%2Fijgi9020099) (https://ui.adsabs.harvard.edu/abs/2020IJGI....9...99S) (https://doi.org/1
0.3390%2Fijgi9020099)  (https://www.worldcat.org/issn/2220-9964)
6. Si, Lei; Xiong, Xiangxiang; Wang, Zhongbin; Tan, Chao (2020-03-14). "Um modelo de rede neural convolucional
profunda para discriminação inteligente entre carvão e rochas na face da mineração de carvão" (https://doi.org/10.115
5%2F2020%2F2616510) . Problemas Matemáticos em Engenharia . 2020 : 1–12. doi : 10.1155/2020/2616510 (https://d
oi.org/10.1155%2F2020%2F2616510) . ISSN 1024-123X (https://www.worldcat.org/issn/1024-123X) . (https://doi.org/10.
1155%2F2020%2F2616510) (https://doi.org/10.1155%2F2020%2F2616510)  (https://www.worldcat.org/issn/1024-123X)
7. Marjanović, Miloš; Kovačević, Miloš; Bajat, Branislav; Voženílek, Vít (novembro de 2011). "Avaliação de suscetibilidade
a deslizamentos de terra usando o algoritmo de aprendizado de máquina SVM" (https://dx.doi.org/10.1016/j.enggeo.20
11.09.006). Geologia de Engenharia. 123(3): 225–234. doi:10.1016/j.enggeo.2011.09.006 (https://doi.org/10.1016%2Fj.
enggeo.2011.09.006). ISSN0013-7952 (https://www.worldcat.org/issn/0013-7952). (https://dx.doi.org/10.1016/j.enggeo.2
011.09.006) (https://doi.org/10.1016%2Fj.enggeo.2011.09.006)  (https://www.worldcat.org/issn/0013-7952)
8. Merembayev, Timur; Yunussov, Rassul; Yedilkhan, Amirgaliyev (novembro de 2018). "Algoritmos de aprendizado de
máquina para classificação de dados geológicos de perfilagem de poços" (https://dx.doi.org/10.1109/icecco.2018.86347
75) . 2018 14ª Conferência Internacional de Computação e Eletrônica (ICECCO) . IEEE: 206-212. doi :
10.1109/icecco.2018.8634775 (https://doi.org/10.1109%2Ficecco.2018.8634775) . ISBN (https://dx.doi.org/10.1109/icec
co.2018.8634775) (https://doi.org/10.1109%2Ficecco.2018.8634775) 978-1-7281-0132-3. S2CID  59620103 (https://api.
semanticscholar.org/CorpusID:59620103) . C
4
9. De'ath, Glenn; Fabricius, Katharina E. (November 2000). "Classification and Regression Trees: A Powerful Yet Simple
Technique for Ecological Data Analysis" (https://dx.doi.org/10.1890/0012-9658(2000)081%5b3178:cartap%5d2.0.co;2).
Ecology. 81 (11): 3178–3192. doi:10.1890/0012-9658(2000)081[3178:cartap]2.0.co;2 (https://doi.org/10.1890%2F0012-
9658%282000%29081%5B3178%3Acartap%5D2.0.co%3B2). ISSN 0012-9658 (https://www.worldcat.org/issn/0012-96
58).
https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 13/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

10. Thessen, Anne (2016-06-27). "Adoption of Machine Learning Techniques in Ecology and Earth Science" (https://dx.doi.o
rg/10.3897/oneeco.1.e8621). One Ecosystem. 1: e8621. doi:10.3897/oneeco.1.e8621 (https://doi.org/10.3897%2Fonee
co.1.e8621). ISSN 2367-8194 (https://www.worldcat.org/issn/2367-8194).
11. Zhao, Kaiguang; Popescu, Sorin; Meng, Xuelian; Pang, Yong; Agca, Muge (August 2011). "Characterizing forest canopy
structure with lidar composite metrics and machine learning" (https://dx.doi.org/10.1016/j.rse.2011.04.001). Remote
Resumir
Sensing of Environment. 115 (8): 1978–1996. Bibcode:2011RSEnv.115.1978Z (https://ui.adsabs.harvard.edu/abs/2011R
SEnv.115.1978Z). doi:10.1016/j.rse.2011.04.001 (https://doi.org/10.1016%2Fj.rse.2011.04.001). ISSN 0034-4257 (http
s://www.worldcat.org/issn/0034-4257).
12. LAWLER, JOSHUA J.; WHITE, DENIS; NEILSON, RONALD P.; BLAUSTEIN, ANDREW R. (2006-06-26). "Predicting
climate-induced range shifts: model differences and model reliability" (https://dx.doi.org/10.1111/j.1365-2486.2006.0119
1.x). Global Change Biology. 12 (8): 1568–1584. Bibcode:2006GCBio..12.1568L (https://ui.adsabs.harvard.edu/abs/200
6GCBio..12.1568L). CiteSeerX 10.1.1.582.9206 (https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.582.9206).
doi:10.1111/j.1365-2486.2006.01191.x (https://doi.org/10.1111%2Fj.1365-2486.2006.01191.x). ISSN 1354-1013 (https://
www.worldcat.org/issn/1354-1013). S2CID 37416127 (https://api.semanticscholar.org/CorpusID:37416127).
13. Tartakovsky, Daniel M. (2004). "Delineation of geologic facies with statistical learning theory" (https://dx.doi.org/10.1029/
2004gl020864). Geophysical Research Letters. 31 (18). Bibcode:2004GeoRL..3118502T (https://ui.adsabs.harvard.edu/
abs/2004GeoRL..3118502T). CiteSeerX 10.1.1.146.5147 (https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.14
6.5147). doi:10.1029/2004gl020864 (https://doi.org/10.1029%2F2004gl020864). ISSN 0094-8276 (https://www.worldcat.
org/issn/0094-8276). S2CID 16256805 (https://api.semanticscholar.org/CorpusID:16256805).
14. Hurtt, George C.; Dubayah, Ralph; Drake, Jason; Moorcroft, Paul R.; Pacala, Stephen W.; Blair, J. Bryan; Fearon,
Matthew G. (June 2004). "Beyond Potential Vegetation: Combining Lidar Data and a Height-Structured Model for
Carbon Studies" (https://dx.doi.org/10.1890/02-5317). Ecological Applications. 14 (3): 873–883. doi:10.1890/02-5317 (ht
tps://doi.org/10.1890%2F02-5317). ISSN 1051-0761 (https://www.worldcat.org/issn/1051-0761).
15. Lawler, Joshua J.; White, Denis; Neilson, RONALD P.; Blaustein, Andrew R. (2006-06-26). "Predicting climate-induced
range shifts: model differences and model reliability" (https://dx.doi.org/10.1111/j.1365-2486.2006.01191.x). Global
Change Biology. 12 (8): 1568–1584. Bibcode:2006GCBio..12.1568L (https://ui.adsabs.harvard.edu/abs/2006GCBio..12.
1568L). CiteSeerX 10.1.1.582.9206 (https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.582.9206).
doi:10.1111/j.1365-2486.2006.01191.x (https://doi.org/10.1111%2Fj.1365-2486.2006.01191.x). ISSN 1354-1013 (https://
www.worldcat.org/issn/1354-1013). S2CID 37416127 (https://api.semanticscholar.org/CorpusID:37416127).
16. Akpokodje, E. G. (June 1979). "The importance of engineering geological mapping in the development of the Niger delta
basin" (https://dx.doi.org/10.1007/bf02600459). Bulletin of the International Association of Engineering Geology. 19 (1):
101–108. doi:10.1007/bf02600459 (https://doi.org/10.1007%2Fbf02600459). ISSN 1435-9529 (https://www.worldcat.org/
issn/1435-9529). S2CID 129112606 (https://api.semanticscholar.org/CorpusID:129112606).
17. Costa, Iago; Tavares, Felipe; Oliveira, Junny (April 2019). "Predictive lithological mapping through machine learning
methods: a case study in the Cinzento Lineament, Carajás Province, Brazil" (https://dx.doi.org/10.29396/jgsb.2019.v2.n
1.3). Journal of the Geological Survey of Brazil. 2 (1): 26–36. doi:10.29396/jgsb.2019.v2.n1.3 (https://doi.org/10.29396%
2Fjgsb.2019.v2.n1.3). ISSN 2595-1939 (https://www.worldcat.org/issn/2595-1939). S2CID 134822423 (https://api.sema
nticscholar.org/CorpusID:134822423).
18. Latifovic, Rasim; Pouliot, Darren; Campbell, Janet (2018-02-16). "Assessment of Convolution Neural Networks for
Surficial Geology Mapping in the South Rae Geological Region, Northwest Territories, Canada" (https://doi.org/10.339
0%2Frs10020307). Remote Sensing. 10 (2): 307. Bibcode:2018RemS...10..307L (https://ui.adsabs.harvard.edu/abs/201
8RemS...10..307L). doi:10.3390/rs10020307 (https://doi.org/10.3390%2Frs10020307). ISSN 2072-4292 (https://www.w
orldcat.org/issn/2072-4292).
19. Culverhouse, PF; Williams, R; Reguera, B; Herry, V; González-Gil, S (2003). "Do experts make mistakes? A comparison
of human and machine identification of dinoflagellates" (https://doi.org/10.3354%2Fmeps247017). Marine Ecology
Progress Series. 247: 17–25. Bibcode:2003MEPS..247...17C (https://ui.adsabs.harvard.edu/abs/2003MEPS..247...17
C). doi:10.3354/meps247017 (https://doi.org/10.3354%2Fmeps247017). ISSN 0171-8630 (https://www.worldcat.org/iss
n/0171-8630).
20. Zhang, Ye; Wang, Gang; Li, Mingchao; Han, Shuai (2018-12-04). "Automated Classification Analysis of Geological
Structures Based on Images Data and Deep Learning Model" (https://doi.org/10.3390%2Fapp8122493). Applied
Sciences. 8 (12): 2493. doi:10.3390/app8122493 (https://doi.org/10.3390%2Fapp8122493). ISSN 2076-3417 (https://ww
w.worldcat.org/issn/2076-3417).
21. Loyola-Gonzalez, Octavio (2019). "Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a
Practical Point of View" (https://doi.org/10.1109%2FACCESS.2019.2949286). IEEE Access. 7: 154096–154113.
doi:10.1109/ACCESS.2019.2949286 (https://doi.org/10.1109%2FACCESS.2019.2949286). ISSN 2169-3536 (https://ww
w.worldcat.org/issn/2169-3536). S2CID 207831043 (https://api.semanticscholar.org/CorpusID:207831043).
22. Kumar, Chandan; Chatterjee, Snehamoy; Oommen, Thomas; Guha, Arindam (April 2020). "Automated lithological
mapping by integrating spectral enhancement techniques and machine learning algorithms using AVIRIS-NG
hyperspectral data in Gold-bearing granite-greenstone rocks in Hutti, India" (https://doi.org/10.1016%2Fj.jag.2019.1020
06). International Journal of Applied Earth Observation and Geoinformation. 86: 102006.
Bibcode:2020IJAEO..8602006K (https://ui.adsabs.harvard.edu/abs/2020IJAEO..8602006K).
doi:10.1016/j.jag.2019.102006 (https://doi.org/10.1016%2Fj.jag.2019.102006). ISSN 0303-2434 (https://www.worldcat.o 4
C
rg/issn/0303-2434). S2CID 210040191 (https://api.semanticscholar.org/CorpusID:210040191).
23. #algorithm gallery
24. Haykin, Simon S. (2009). Neural Networks and Learning Machines (https://books.google.com/books?id=K7P36lKzI_Q
C). Prentice Hall. ISBN 978-0-13-147139-9.

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 14/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

25. Harvey, A. S.; Fotopoulos, G. (2016-06-23). "Geological Mapping Using Machine Learning Algorithms" (https://doi.org/1
0.5194%2Fisprsarchives-xli-b8-423-2016). ISPRS - International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences. XLI-B8: 423–430. doi:10.5194/isprsarchives-xli-b8-423-2016 (https://doi.org/10.5194%2Fi
sprsarchives-xli-b8-423-2016). ISSN 2194-9034 (https://www.worldcat.org/issn/2194-9034).
26. Mattikalli, N (janeiro de 1997). "Modelagem da cor do solo para as bandas do visível e do infravermelho próximo dos
Resumir
sensores Landsat usando medições espectrais de laboratório" (https://dx.doi.org/10.1016/s0034-4257(96)00075-2) .
Sensoriamento Remoto do Ambiente . 59 (1): 14–28. Código Bib : 1997RSEnv..59...14M (https://ui.adsabs.harvard.edu/
abs/1997RSEnv..59...14M) . doi : 10.1016/s0034-4257(96)00075-2 (https://doi.org/10.1016%2Fs0034-4257%2896%290
0075-2) . ISSN 0034-4257 (https://www.worldcat.org/issn/0034-4257) . (https://dx.doi.org/10.1016/s0034-4257(96)00075
-2) (https://ui.adsabs.harvard.edu/abs/1997RSEnv..59...14M) (https://doi.org/10.1016%2Fs0034-4257%2896%2900075-
2)  (https://www.worldcat.org/issn/0034-4257)
27. Radford, DD, Cracknell, MJ, Roach, MJ e Cumming, GV (2018). Mapeamento geológico no oeste da Tasmânia usando
radar e florestas aleatórias. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 11
(9), 3075-3087.
28. Wang, Y., Ksienzyk, AK, Liu, M., & Brönner, M. (2021). Integração de dados multigeofísicos usando análise de cluster:
auxiliando o mapeamento geológico em Trøndelag, Mid-Norway. Geophysical Journal International , 225 (2), 1142-1157.
29. "Projeto de mapeamento de risco de deslizamento de terra de Phillips River" (https://dx.doi.org/10.1201/978143983371
1-28) , Gerenciamento (https://doi.org/10.1201%2F9781439833711-28) de risco de deslizamento de terra , CRC Press,
pp . (https://dx.doi.org/10.1201/9781439833711-28) (https://doi.org/10.1201%2F9781439833711-28) 9780429151354,
recuperado 2021-11-12
30. Chauhan, S., Sharma, M., Arora, MK, & Gupta, NK (2010). Zonação de suscetibilidade a deslizamentos por meio de
avaliações derivadas de redes neurais artificiais. International Journal of Applied Earth Observation and
Geoinformation,12(5), 340-350.
31. Biswajeet, Pradhan; Saro, Lee (novembro de 2007). "Utilização de Dados Ópticos de Sensoriamento Remoto e
Ferramentas GIS para Análise Regional de Perigo de Deslizamento Usando um Modelo de Rede Neural Artificial" (http
s://dx.doi.org/10.1016/s1872-5791(08)60008-1). Fronteiras das Ciências da Terra. 14(6): 143–151. Código
Bib:2007ESF....14..143B (https://ui.adsabs.harvard.edu/abs/2007ESF....14..143B). doi:10.1016/s1872-5791(08)60008-1
(https://doi.org/10.1016%2Fs1872-5791%2808%2960008-1). ISSN1872-5791 (https://www.worldcat.org/issn/1872-579
1). (https://dx.doi.org/10.1016/s1872-5791(08)60008-1) (https://ui.adsabs.harvard.edu/abs/2007ESF....14..143B) (http
s://doi.org/10.1016%2Fs1872-5791%2808%2960008-1)  (https://www.worldcat.org/issn/1872-5791)
32. Dou, Jie; Yamagishi, Hiromitsu; Pourghasemi, Hamid Reza; Yunus, Ali P.; Canção, Xuan; Xu, Yueren; Zhu, Zhongfan
(2015-05-19). "Um modelo de rede neural artificial integrado para a avaliação de suscetibilidade a deslizamentos de
terra na Ilha de Osado, Japão" (https://dx.doi.org/10.1007/s11069-015-1799-2) . Riscos Naturais . 78 (3): 1749–1776.
doi : 10.1007/s11069-015-1799-2 (https://doi.org/10.1007%2Fs11069-015-1799-2) . ISSN 0921-030X (https://www.world
cat.org/issn/0921-030X) . S2CID 51960414 (https://api.semanticscholar.org/CorpusID:51960414) . (https://dx.doi.org/10.
1007/s11069-015-1799-2) (https://doi.org/10.1007%2Fs11069-015-1799-2)  (https://www.worldcat.org/issn/0921-030X) 
(https://api.semanticscholar.org/CorpusID:51960414)
33. Kawabata, Daisaku; Bandibas, Joel (dezembro de 2009). "Mapeamento de suscetibilidade a deslizamentos usando
dados geológicos, um DEM de imagens ASTER e uma Rede Neural Artificial (ANN)" (https://dx.doi.org/10.1016/j.geomo
rph.2009.06.006). Geomorfologia. 113(1–2): 97–109. Código Bib:2009Geomo.113...97K (https://ui.adsabs.harvard.edu/
abs/2009Geomo.113...97K). doi:10.1016/j.geomorph.2009.06.006 (https://doi.org/10.1016%2Fj.geomorph.2009.06.00
6). ISSN0169-555X (https://www.worldcat.org/issn/0169-555X). (https://dx.doi.org/10.1016/j.geomorph.2009.06.006) (htt
ps://ui.adsabs.harvard.edu/abs/2009Geomo.113...97K) (https://doi.org/10.1016%2Fj.geomorph.2009.06.006)  (https://w
ww.worldcat.org/issn/0169-555X)
34. "International society for rock mechanics commission on standardization of laboratory and field tests" (https://dx.doi.org/
10.1016/0148-9062(78)91472-9). International Journal of Rock Mechanics and Mining Sciences & Geomechanics
Abstracts. 15 (6): 319–368. December 1978. doi:10.1016/0148-9062(78)91472-9 (https://doi.org/10.1016%2F0148-906
2%2878%2991472-9). ISSN 0148-9062 (https://www.worldcat.org/issn/0148-9062).
35. Byun, Hoon; Kim, Jineon; Yoon, Dongyoung; Kang, Il-Seok; Song, Jae-Joon (2021-07-08). "A deep convolutional neural
network for rock fracture image segmentation" (https://dx.doi.org/10.1007/s12145-021-00650-1). Earth Science
Informatics. 14 (4): 1937–1951. Bibcode:2021EScIn..14.1937B (https://ui.adsabs.harvard.edu/abs/2021EScIn..14.1937
B). doi:10.1007/s12145-021-00650-1 (https://doi.org/10.1007%2Fs12145-021-00650-1). ISSN 1865-0473 (https://www.
worldcat.org/issn/1865-0473). S2CID 235762914 (https://api.semanticscholar.org/CorpusID:235762914).
36. Repasky, Kevin (2014-03-31). Development and Deployment of a Compact Eye-Safe Scanning Differential absorption
Lidar (DIAL) for Spatial Mapping of Carbon Dioxide for Monitoring/Verification/Accounting at Geologic Sequestration
Sites (https://dx.doi.org/10.2172/1155030) (Report). doi:10.2172/1155030 (https://doi.org/10.2172%2F1155030).
OSTI 1155030 (https://www.osti.gov/biblio/1155030).
37. Bellante, G.J.; Powell, S.L.; Lawrence, R.L.; Repasky, K.S.; Dougher, T.A.O. (March 2013). "Aerial detection of a
simulated CO2 leak from a geologic sequestration site using hyperspectral imagery" (https://dx.doi.org/10.1016/j.ijggc.2
012.11.034). International Journal of Greenhouse Gas Control. 13: 124–137. doi:10.1016/j.ijggc.2012.11.034 (https://doi.
org/10.1016%2Fj.ijggc.2012.11.034). ISSN 1750-5836 (https://www.worldcat.org/issn/1750-5836).
38. BATESON, L; VELLICO, M; BEAUBIEN, S; PEARCE, J; ANNUNZIATELLIS, A; CIOTOLI, G; COREN, F; LOMBARDI,4S; C
MARSH, S (July 2008). "The application of remote-sensing techniques to monitor CO2-storage sites for surface
leakage: Method development and testing at Latera (Italy) where naturally produced CO2 is leaking to the atmosphere"
(https://dx.doi.org/10.1016/j.ijggc.2007.12.005). International Journal of Greenhouse Gas Control. 2 (3): 388–400.
doi:10.1016/j.ijggc.2007.12.005 (https://doi.org/10.1016%2Fj.ijggc.2007.12.005). ISSN 1750-5836 (https://www.worldca
t.org/issn/1750-5836).
https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 15/16
03/07/2023, 00:46 Machine learning in earth sciences - Wikipedia

39. Bieniawski, Z. T. (1988), "The Rock Mass Rating (RMR) System (Geomechanics Classification) in Engineering Practice"
(https://dx.doi.org/10.1520/stp48461s), Rock Classification Systems for Engineering Purposes, West Conshohocken,
PA: ASTM International, pp. 17–17–18, doi:10.1520/stp48461s (https://doi.org/10.1520%2Fstp48461s), ISBN 978-0-
8031-6663-9, retrieved 2021-11-12
40. Chen, Jiayao; Zhou, Mingliang; Zhang, Dongming; Huang, Hongwei; Zhang, Fengshou (March 2021). "Quantification of
Resumir
water inflow in rock tunnel faces via convolutional neural network approach" (https://dx.doi.org/10.1016/j.autcon.2020.10
3526). Automation in Construction. 123: 103526. doi:10.1016/j.autcon.2020.103526 (https://doi.org/10.1016%2Fj.autco
n.2020.103526). ISSN 0926-5805 (https://www.worldcat.org/issn/0926-5805). S2CID 233849934 (https://api.semanticsc
holar.org/CorpusID:233849934).
41. Coerts, Alfred (1996). Analysis of static cone penetration test data for subsurface modelling : a methodology (http://world
cat.org/oclc/37725852). Koninklijk Nederlands Aardrijkskundig Genootschap/Faculteit Ruimtelijke Wetenschappen
Universiteit Utrecht. ISBN 90-6809-230-8. OCLC 37725852 (https://www.worldcat.org/oclc/37725852).
42. Li, Zefeng; Meier, Men-Andrin; Hauksson, Egill; Zhan, Zhongwen; Andrews, Jennifer (2018-05-28). "Machine Learning
Seismic Wave Discrimination: Application to Earthquake Early Warning" (https://dx.doi.org/10.1029/2018gl077870).
Geophysical Research Letters. 45 (10): 4773–4779. Bibcode:2018GeoRL..45.4773L (https://ui.adsabs.harvard.edu/abs/
2018GeoRL..45.4773L). doi:10.1029/2018gl077870 (https://doi.org/10.1029%2F2018gl077870). ISSN 0094-8276 (http
s://www.worldcat.org/issn/0094-8276). S2CID 54926314 (https://api.semanticscholar.org/CorpusID:54926314).
43. Rouet-Leduc, Bertrand; Hulbert, Claudia; Lubbers, Nicholas; Barros, Kipton; Humphreys, Colin J.; Johnson, Paul A.
(2017-09-22). "Machine Learning Predicts Laboratory Earthquakes" (https://dx.doi.org/10.1002/2017gl074677).
Geophysical Research Letters. 44 (18): 9276–9282. arXiv:1702.05774 (https://arxiv.org/abs/1702.05774).
Bibcode:2017GeoRL..44.9276R (https://ui.adsabs.harvard.edu/abs/2017GeoRL..44.9276R). doi:10.1002/2017gl074677
(https://doi.org/10.1002%2F2017gl074677). ISSN 0094-8276 (https://www.worldcat.org/issn/0094-8276).
S2CID 118842086 (https://api.semanticscholar.org/CorpusID:118842086).
44. Kirchner, James W. (March 2006). "Getting the right answers for the right reasons: Linking measurements, analyses,
and models to advance the science of hydrology" (https://dx.doi.org/10.1029/2005wr004362). Water Resources
Research. 42 (3). Bibcode:2006WRR....42.3S04K (https://ui.adsabs.harvard.edu/abs/2006WRR....42.3S04K).
doi:10.1029/2005wr004362 (https://doi.org/10.1029%2F2005wr004362). ISSN 0043-1397 (https://www.worldcat.org/iss
n/0043-1397). S2CID 2089939 (https://api.semanticscholar.org/CorpusID:2089939).
45. Petty, T.R.; Dhingra, P. (2017-08-08). "Streamflow Hydrology Estimate Using Machine Learning (SHEM)" (https://dx.doi.
org/10.1111/1752-1688.12555). JAWRA Journal of the American Water Resources Association. 54 (1): 55–68.
doi:10.1111/1752-1688.12555 (https://doi.org/10.1111%2F1752-1688.12555). ISSN 1093-474X (https://www.worldcat.or
g/issn/1093-474X). S2CID 135100027 (https://api.semanticscholar.org/CorpusID:135100027).
46. Karpatne, Anuj; Ebert-Uphoff, Imme; Ravela, Sai; Babaie, Hassan Ali; Kumar, Vipin (2019-08-01). "Machine Learning for
the Geosciences: Challenges and Opportunities" (https://dx.doi.org/10.1109/tkde.2018.2861006). IEEE Transactions on
Knowledge and Data Engineering. 31 (8): 1544–1554. arXiv:1711.04708 (https://arxiv.org/abs/1711.04708).
doi:10.1109/tkde.2018.2861006 (https://doi.org/10.1109%2Ftkde.2018.2861006). ISSN 1041-4347 (https://www.worldca
t.org/issn/1041-4347). S2CID 42476116 (https://api.semanticscholar.org/CorpusID:42476116).
47. Farrar, Donald E.; Glauber, Robert R. (February 1967). "Multicollinearity in Regression Analysis: The Problem Revisited"
(https://dx.doi.org/10.2307/1937887). The Review of Economics and Statistics. 49 (1): 92. doi:10.2307/1937887 (https://
doi.org/10.2307%2F1937887). hdl:1721.1/48530 (https://hdl.handle.net/1721.1%2F48530). ISSN 0034-6535 (https://ww
w.worldcat.org/issn/0034-6535). JSTOR 1937887 (https://www.jstor.org/stable/1937887).
48. Taghizadeh-Mehrjardi, R.; Nabiollahi, K.; Kerry, R. (March 2016). "Digital mapping of soil organic carbon at multiple
depths using different data mining techniques in Baneh region, Iran" (https://dx.doi.org/10.1016/j.geoderma.2015.12.00
3). Geoderma. 266: 98–110. Bibcode:2016Geode.266...98T (https://ui.adsabs.harvard.edu/abs/2016Geode.266...98T).
doi:10.1016/j.geoderma.2015.12.003 (https://doi.org/10.1016%2Fj.geoderma.2015.12.003). ISSN 0016-7061 (https://ww
w.worldcat.org/issn/0016-7061).
49. Delibasic, Boris; Vukicevic, Milan; Jovanovic, Milos; Suknovic, Milija (August 2013). "White-Box or Black-Box Decision
Tree Algorithms: Which to Use in Education?" (https://dx.doi.org/10.1109/te.2012.2217342). IEEE Transactions on
Education. 56 (3): 287–291. Bibcode:2013ITEdu..56..287D (https://ui.adsabs.harvard.edu/abs/2013ITEdu..56..287D).
doi:10.1109/te.2012.2217342 (https://doi.org/10.1109%2Fte.2012.2217342). ISSN 0018-9359 (https://www.worldcat.org/
issn/0018-9359). S2CID 11792899 (https://api.semanticscholar.org/CorpusID:11792899).
50. Merghadi, Abdelaziz; Yunus, Ali P.; Dou, Jie; Whiteley, Jim; ThaiPham, Binh; Bui, Dieu Tien; Avtar, Ram; Abderrahmane,
Boumezbeur (August 2020). "Machine learning methods for landslide susceptibility studies: A comparative overview of
algorithm performance" (https://dx.doi.org/10.1016/j.earscirev.2020.103225). Earth-Science Reviews. 207: 103225.
Bibcode:2020ESRv..20703225M (https://ui.adsabs.harvard.edu/abs/2020ESRv..20703225M).
doi:10.1016/j.earscirev.2020.103225 (https://doi.org/10.1016%2Fj.earscirev.2020.103225). ISSN 0012-8252 (https://ww
w.worldcat.org/issn/0012-8252). S2CID 225816933 (https://api.semanticscholar.org/CorpusID:225816933).

Retrieved from "https://en.wikipedia.org/w/index.php?title=Machine_learning_in_earth_sciences&oldid=1136089903"

C
4

https://en.wikipedia.org/wiki/Machine_learning_in_earth_sciences 16/16