A kriging-informed machine learning framework for spatial property estimation

doi:10.1016/j.acags.2026.100380

A kriging-informed machine learning framework for spatial property estimation

2026-07-01

0

PRE

AI

DOI：10.1016/j.acags.2026.100380

原文链接

原文求助

摘要

En 中文

基于稀疏测量的精确空间预测是地球科学应用中的一个基本挑战，包括储层表征、环境监测和地下建模。本研究介绍了一种基于克里金法的机器学习框架，该框架将地质统计方法与现代神经网络架构相结合，以在数据稀疏条件下提高预测精度。该方法通过密集的普通克里金网格增强稀疏的真实测量值，生成合成训练样本，并通过反距离加权对克里金节点进行评估，构建空间先验k(x, y)。输入特征结合中心坐标(Xc,Yc)、低阶多项式项(Xc²,Yc²,XcYc)和基于克里金的空间先验k(x, y)。将三种成熟方法（包括随机森林（RF）、极端梯度提升（XGBoost）和多层感知器（MLP））与一种先进模型柯尔莫哥洛夫-阿诺德网络（KAN）进行基准测试，该模型用可学习的单变量基函数替换固定激活函数。模型使用多保真度策略（合成+真实，10倍重复）在60%的数据上进行训练，并在保留的40%测试集上进行评估。KAN表现出卓越的性能：测试R²=0.934（95%置信区间：[0.843, 0.967]），RMSE=133.89（95%置信区间：[102.27, 163.69]），与仅使用普通克里金相比误差减少31%（R²=0.859）。在合成-真实比率（3:1至10:1）上的敏感性分析证实了稳健性能（R²=0.934±0.002），五折交叉验证产生了一致的泛化能力（R²=0.876±0.098）。该框架可推广到具有稀疏测量的空间估计任务，并表明混合地质统计-机器学习方法能够从有限野外数据中实现准确、稳定的预测。

Keyword:

Machine learning

Kolmogorov-Arnold networks

Productivity index prediction

Sparse data

Reservoir characterization

A kriging-informed machine learning framework for spatial property estimation

摘要

期刊

机构

引用论文