랜덤 포레스트 분류기를 이용한 관절 중력 및 자기 데이터의 3D 역전환

요약 머신 러닝은 지구물리학적 역문제에 새로운 기회를 제공합니다. 그러나 기존의 잠재 필드 데이터에 대한 정규 역전환은 전 세계적인 매끄러움 제약과 낮은 구조적 해상도로 제한됩니다. 우리는 합성 지구 모델 생성과 앙상블 학습을 결합한 국소 적응형 데이터 기반 프레임워크를 제안합니다. 교육 모델은 지질학적으로 정보가 제공된 보로노이 기반 기하학과 평면 구조를 사용하여 생성되며, 랜덤 포레스트 분류기는 중력 및 자기 이상치의 지역 통계적 특성에 대해 학습됩니다. 이 방법은 명시적 정규화나 반복 역전환 없이 관측된 이상 특성을 재현하는 지질학적으로 일관된 지하 모델을 생성합니다. 동일한 데이터셋에 적용된 비선형 베이지안 및 전통적인 정규화 역전환과 비교했을 때, 이 접근 방식은 주요 구조적 특성을 유지하면서 계산 비용을 크게 절감합니다. 이 방법의 성능은 훈련 앙상블이 대상 구조를 얼마나 잘 대표하는지와 본질적으로 연결되어 있으며 결과는 이 맥락 내에서 해석되어야 합니다. 이 프레임워크는 머신 러닝을 이용한 잠재 필드 역전환에 대한 실용적이고 효율적인 대안을 보여줍니다.