Automated Interpretation of Depth to Bedrock from Airborne Electromagnetic Data Using Machine Learning Techniques

Tradisjonelle metoder for modellering av berggrunn fra AEM data har tidligere vært avhengig av tidkrevende manuell arbeidskraft. Nye teknikker har introdusert aspekter av automatisering, men det har også presentert nye utfordringer i forbindelse med estimering av usikkerhet fra automatiserte prediksjoner. Denne oppgaven tar sikte på å forbedre nåværende praksis ved å foreslå en ny teknikk for automatisering, men også ved å vurdere egnetheten til tre forskjellige konstruksjonsteknikker for prediksjonsintervall som usikkerhetsmål. En case-studie viser hvordan aspekter fra det akademiske feltet om computer-vision kan brukes i sammenheng med mer konvensjonelle maskinlærings teknikker for å forbedre dagens standard. Resultatene fra case-studien viser hvordan tilnærmingen gir reduksjoner i Mean Absolute Error og Mean Squared Error for prediksjoner opp til henholdsvis ~ 50% og ~ 52% sammenlignet med en konvensjonell kunstig nevral nettverk metode. En egen case-studie viser hvordan ulike konstruksjonsmetoder for prediksjonsintervall passer til forskjellige situasjoner, avhengig av faktorer i det respektive datasettet. Oppgaven presenterer ny kunnskap i det fortsatt utilstrekkelig utforskede krysningspunktet mellom maskinlæring og elektromagnetiske geotekniske data, og ny kunnskap om muligheten for prediksjonsintervall som et usikkerhetsmål for automatiserte prediksjoner av dybde til berggrunn.