01/20/2020

Zwei neue Veröffentlichungen zur Anwendung von machinellem Lernen in den Geowissenschaften

Das Team um Cluster-Mitglied Prof. Thomas Scholten, Leiter des Forschungsbereichs “Bodenkunde und Geomorpholgie” an der Universität Tübingen, setzt bei seiner Forschung bereits seit 15 Jahren sogenannte neuronale Netze ein, um hochkomplexe Daten zu bewältigen. Nun haben er und Mitglieder seines Teams zwei weitere Veröffentlichungen zur Anwendung des maschinellen Lernens in den Geowissenschaften publiziert.

Behrens T., Viscarra Rossel R.A., Kerry R., MacMillan R.A., Schmidt K., Lee J., Scholten T., Zhu A.-X. (2019). The relevant range of scales for multi-scale contextual spatial modelling. Scientific Reports 9:14800, doi: 10.1038/s41598-019-51395-3

Behrens T., MacMillan R.A., Viscarra Rossel R.A., Schmidt K., Lee, J. (2019). Teleconnections in spatial modelling. Geoderma 354, 113854, doi: 10.1016/j.geoderma.2019.07.012

 

In diesen Beiträgen definieren sie kontextuelle Umweltprozesssysteme und Telekonnektionen für maschinelles Lernen in der Bodenkunde und stellen eine datengetriebene Methode zur Ableitung des relevanten Bereichs von Prozessskalen mit deutlichen oberen und unteren Skalengrenzen vor. Das Team testete diesen Ansatz für die räumliche Modellierung mit maschinellem Lernen und evaluierten die Auswirkung auf die Modellierungsgenauigkeit. Ausserdem testeten sie einen Ansatz unter Verwendung des Variogramms, um zu sehen, ob ein solcher effektiver Skalenraum a priori und mit geringerem Rechenaufwand approximiert werden kann. Die Ergebnisse zeigten, dass die Modellierung mit einem effektiven Skalenraum die räumliche Modellierung mit maschinellem Lernen verbessern kann und dass es eine starke Korrelation zwischen den Eigenschaften des Variogramms und dem relevanten Skalenbereich gibt. Daher kann das Variogramm einer Bodeneigenschaft für a priori-Approximationen des effektiven Skalenraumes für kontextbezogene räumliche Modellierung verwendet werden und ist daher ein wichtiges Analysewerkzeug nicht nur in der Geostatistik, sondern auch für die Analyse struktureller Abhängigkeiten bei der kontextbezogenen räumlichen Modellierung mit maschinellem Lernen

Back