فهرست نشریات علمی دسترسی آزاد ایران

محاسبه واریوگرام و پیوستگی فضایی یکی از اولین و مهم‌ترین فرآیندها در مدل‌سازی زمین‌آماری بوده که فرآیندی زمان‌بر و تجربه‌محور است. همچنین به دلیل پیچیدگی‌های محاسبه واریوگرام تجربی، تفسیر و برازش مدل مناسب همواره یکی از چالش‌های اصلی در این زمینه است. در این مقاله یک روش مدل‌سازی هوشمند واریوگرام با استفاده از یادگیری عمیق ارایه شده است که می‌تواند سرعت برازش مدل واریوگرام را افزایش دهد و مانع بروز خطاهای متداول در برازش دستی مدل واریوگرام شود. در این روش از دو شبکه عصبی کانولوشن استفاده شده است. شبکه اول داده‌های اولیه را تبدیل به نقشه دوبعدی شبیه‌سازی‌شده بر مبنای مدل‌های مختلف واریوگرام می‌کند. بدین منظور نیاز است تا شبکه اول، با داده‌های اولیه و شبیه‌سازی‌های مانند آن‌ها آموزش داده شود؛ سپس خروجی این مدل وارد شبکه عصبی کانولوشن دوم شده که در این شبکه تصاویر دوبعدی شبیه‌سازی‌شده به‌عنوان ورودی به شبکه داده می‌شود و پارامترهای واریوگرام شامل دامنه، آزیموت جهت اصلی، نسبت دامنه جهت اصلی به جهت فرعی و اثر قطعه‌ای پیش‌بینی می‌شود. در این مقاله ابتدا الگوریتم پیشنهادی بر روی داده‌های دوبعدی مصنوعی پیاده‌سازی و پارامترهای مدل بهینه شده است. دقت مدل در پیش‌بینی پارامترهای واریوگرام 97 درصد بوده است. سپس از الگوریتم پیشنهادی برای مدل‌سازی واریوگرام داده‌های ژئوشیمیایی منطقه نوچون که شامل عناصر Cu، Zn و Pb استفاده شد که دقت مدل واریوگرام به‌دست‌آمده نسبت به مدل دستی برازش شده 90 درصد است.