ملخص تقنيات التعلم الآلي (ML) تحمل وعودا كبيرة في تحديد وتصنيف الفئات الزلزالية غير المتجانسة ثلاثية الأبعاد لأنها تتيح لنا دمج محتوى المعلومات من أحجام السمات الزلزالية المتعددة. يمكن تصنيف أساليب ML بشكل عام إلى أربعة أنواع: التعلم غير المراقب، الذي يستخدم السمات الزلزالية نفسها كبيانات تدريب وبيانات للتحليل؛ التعلم المراقب، الذي يعتمد على البيانات الموصوفة - المصنفة باستخدام بيانات التحكم في الآبار، أو بيانات الإنتاج، أو التفسير الخبيري - للتدريب؛ التعلم الهجين، الذي يجمع بين جوانب الأساليب المراقبة وغير المراقبة؛ والتعلم العميق، الذي يستخدم الشبكات العصبية المدربة على مجموعة بيانات كبيرة وموصوفة لاستخراج أنماط معقدة من البيانات الزلزالية. ومع ذلك، يجب توخي الحذر الشديد ليس فقط في اختيار السمات ولكن أيضًا في عدم استخدام القياسات بشكل صحيح. في بعض الأحيان، يتم تنفيذ هذه الأنشطة بشكل ميكانيكي، مما يؤدي إلى تفسيرات compromised ونتائج غير مشجعة. في هذه الدراسة، قمنا بفحص تقنيتين غير مراقبتين في التعلم الآلي راسختين: تحليل المكونات الرئيسية ورسم الخرائط ذاتية التنظيم، التي تم تطبيقها على حجم بيانات زلزالية من نيوزيلندا. وجدنا أن هذه الطرق يمكن أن تعزز من الدقة المكانية، وبالتالي، تساعد في التفسير الزلزالي. ومع ذلك، من الضروري للمفسر التأكد من اختيار الطريقة المناسبة في التعلم الآلي، وأن الافتراضات الأساسية للتقنيات المستخدمة قد تمت تلبيتها، وأي خيارات متاحة، مثل وزن السمات المدخلة، قد تم النظر فيها واستخدامها بشكل فعال.
درس ساتيندر تشوبرا (Mon,) هذا السؤال.