Comparación de Redes Neuronales, Kriging Ordinario y Algoritmos de Ponderación por Distancia Inversa para Datos de Profundidad Derivados de Sismos y Pozos: Un Estudio de Caso en la Subdepresión de Bjelovar, Croacia
Autores: Brckovi, Ana; Malvi, Tomislav; Orekovi, Jasna; Kapurali, Josipa
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Comparación de Redes Neuronales, Kriging Ordinario y Algoritmos de Ponderación por Distancia Inversa para Datos de Profundidad Derivados de Sismos y Pozos: Un Estudio de Caso en la Subdepresión de Bjelovar, Croacia
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Red neuronal
Algoritmos
Datos subsuperficiales
Kriging
Estructuras geológicas
Interpolación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
En la cartografía geológica subsuperficial, es más que recomendable comparar diferentes soluciones obtenidas con algoritmos neuronales y otros. Aquí, para tal comparación, utilizamos el conjunto de datos de subsuelo previamente publicado y bien preparado, recopilado de la Subdepresión de Bjelovar, una macrounidad regional de 2900 km en la parte croata del Sistema de Cuenca Pannoniana. Los datos sobre la profundidad se obtuvieron para la Formación Lonja (Plioceno, Cuaternario) más joven (la más superficial) y se mapearon utilizando algoritmos de red neuronal (NN), ponderación por distancia inversa (IDW) y kriging ordinario (OK). Los mapas obtenidos se compararon en función del error cuadrático (utilizando validación cruzada k-fold) y la interpretación visual de isopachas. También se probaron otros dos algoritmos, a saber, el bosque aleatorio (RF) y el aumento de gradiente extremo (XGB), pero se rechazaron como inapropiados para este propósito únicamente basándose en las visuales de los mapas obtenidos, que no seguían ninguna estructura geológica interpretable. Los resultados mostraron que NN es un método altamente ajustable para la interpolación, con ajuste para numerosos hiperparámetros. IDW mostró su fortaleza como uno de los interpoladores clásicos, y sus resultados siempre se ubican cerca de la cima si se comparan varios métodos. OK es el ganador relativo, mostrando la flexibilidad del análisis de variogramas respecto al número de puntos de datos y posible agrupamiento. El modelo de variograma presentado, incluso con un umbral relativamente alto y un efecto de nugget ocasional, puede ajustarse bien al OK, dando mejores resultados que otros métodos cuando se aplica al área y conjuntos de datos presentados. Esto no fue sorprendente porque el kriging es un método bien establecido utilizado exclusivamente para la interpolación. En contraste, los algoritmos de NN y aprendizaje automático se utilizan en muchos campos, y estos algoritmos, particularmente el ajuste de hiperparámetros en NN, simplemente no pueden ser la mejor solución para todos.
Descripción
En la cartografía geológica subsuperficial, es más que recomendable comparar diferentes soluciones obtenidas con algoritmos neuronales y otros. Aquí, para tal comparación, utilizamos el conjunto de datos de subsuelo previamente publicado y bien preparado, recopilado de la Subdepresión de Bjelovar, una macrounidad regional de 2900 km en la parte croata del Sistema de Cuenca Pannoniana. Los datos sobre la profundidad se obtuvieron para la Formación Lonja (Plioceno, Cuaternario) más joven (la más superficial) y se mapearon utilizando algoritmos de red neuronal (NN), ponderación por distancia inversa (IDW) y kriging ordinario (OK). Los mapas obtenidos se compararon en función del error cuadrático (utilizando validación cruzada k-fold) y la interpretación visual de isopachas. También se probaron otros dos algoritmos, a saber, el bosque aleatorio (RF) y el aumento de gradiente extremo (XGB), pero se rechazaron como inapropiados para este propósito únicamente basándose en las visuales de los mapas obtenidos, que no seguían ninguna estructura geológica interpretable. Los resultados mostraron que NN es un método altamente ajustable para la interpolación, con ajuste para numerosos hiperparámetros. IDW mostró su fortaleza como uno de los interpoladores clásicos, y sus resultados siempre se ubican cerca de la cima si se comparan varios métodos. OK es el ganador relativo, mostrando la flexibilidad del análisis de variogramas respecto al número de puntos de datos y posible agrupamiento. El modelo de variograma presentado, incluso con un umbral relativamente alto y un efecto de nugget ocasional, puede ajustarse bien al OK, dando mejores resultados que otros métodos cuando se aplica al área y conjuntos de datos presentados. Esto no fue sorprendente porque el kriging es un método bien establecido utilizado exclusivamente para la interpolación. En contraste, los algoritmos de NN y aprendizaje automático se utilizan en muchos campos, y estos algoritmos, particularmente el ajuste de hiperparámetros en NN, simplemente no pueden ser la mejor solución para todos.