ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ В АНАЛИЗЕ МНОГОИСТОЧНИКОВЫХ ГЕОЛОГИЧЕСКИХ ДАННЫХ: ВОЗМОЖНОСТИ И ПРОБЛЕМЫ
DOI:
https://doi.org/10.47390/ydif-y2026v2i17/n02Kalit so‘zlar:
Искусственный интеллект, машинное обучение, геологические данные, дистанционное зондирование, геохимия, Random Forest, XGBoost, нейронные сети.Annotasiya
В данном исследовании рассмотрена роль искусственного интеллекта и методов машинного обучения в анализе многоисточниковых геологических данных (дистанционное зондирование, геохимические, геофизические данные). Описаны этапы подготовки данных, а также проведено сравнение различных моделей (Random Forest, XGBoost, SVM, CNN, LSTM) с обоснованием критериев выбора подходящей модели.
Manbalar
1. Qing Chen 1, Shuai Zhang 1,* and Yongzhang Zhou / Geochemical Anomaly Detection via Supervised Learning: Insights from Interpretable Techniques for a Case Study in Pangxidong Area, South China.
2. Hojat Shirmard a, Ehsan Farahbakhsh b, R. Dietmar Müller c, A review of machine learning in processing remote sensing data for mineral exploration.
3. Giorgi MINDIASHVILIa* , David BLUASHVILIb, Giorgi IOBIDZEb ,Tornike LIPARTIAb , Nino JAFARIDZEb and Keti BENASHVILI. Application of machine learning to hydrothermal system analysis: geochemical insights from the Bektakari-Bneli Khevi Ore Knot, Southern Georgia.
4. Tianqi Chen, Carlos Guestrin XGBoost: A Scalable Tree Boosting System.
This work is licensed under a 