XiaoMi-AI文件搜索系统
World File Search SystemGeolo
地质学课程
GEOL 5324。地球科学中的机器学习。这门机器学习课程为地球研究构建了重要的人工智能基础。它将地球科学原理与机器学习工具相结合，使学生能够分析不同的地球数据集。学生将学习数据预处理、特征提取和算法，如决策树、随机森林、梯度提升、支持向量机和神经网络，用于解决地球科学问题。分类和回归的动手编码项目包括土地覆盖分类、地理空间预测、资源估计、社会模式以及气候和地球系统建模。系：地质学 3 学分 5 总接触时间 3 实验室时间 2 讲座时间 0 其他时间 先决条件：（GEOL 5321 w/C 或更高）或（GEOL 6331 w/C 或更高）或（GEOL 4385 w/C 或更高）或（SOCI 5381 w/C 或更高）或（INSS 5355 w/C 或更高）
地质氢（主题G＆H）
伊甸园地Geopower正在开发一种应用其电储液刺激技术，以通过测试从阿曼的Samail Ophiolite中选择的多个地点上的橄榄岩核心样品的刺激方法来增加地质氢的产生。公司的电刺激方法可以产生显着的表面积增强，同时还会增加局部温度以促进适合氢生产的反应条件。实验测试橄榄岩岩石对电刺激的反应如何支持确定最佳条件和地质形成刺激。
地质（GEOL）
GEOL 101-地质与环境简介（4小时）本课程探讨了人类与其地质环境之间的关系。首先，它通过解决科学，系统和时间的性质来提供一种理解地质概念的构造。使用这个基础，学生检查地质系统的内部/外部过程和响应，例如河流，海岸，含水层，冰川，土壤，地幔和地壳（火山和地震）。在此过程中，学生学习：地质与其他学科的关系；如何对媒体中的故事以及利益集团成员的论点做出批判性回应；以及如何做出更明智的商业，政治和道德决定。实验室和领域的工作提供了动手的机会，可以学习地质的基本构建基础，并分析人类对地球系统的影响。上课三个小时和每周三个小时的实验室课程。c21：ns，sp。课程：NS，SP
使用多模式深度学习改进图像地理位置
•提出的地理位置模型成功地将图像分类为以多模式方式代表的国家。•图像来自街景全景。•从GeoGuessr社区教程网站和论坛中收集的文本数据。•提出的模型在“街道视图”图像测试集和IM2GPS基准数据集的准确性上超过了最新的G 3模型。•与G 3模型相比，训练时间和可训练参数的数量大大减少。
地质氢生成网络 - 博客
“莫滕是一位企业家，经验丰富的气候技术投资者，也是自然氢风险投资（NHV）的创始人，这是世界上第一个专门从事新兴天然氢行行业的投资基金。该基金在全球范围内投资于勘探和相关技术，并最近完成了对该行业的第二笔投资。他是一位公认的专家，对天然氢行有全面的看法，重点是商业化，市场获取，认证，技术，项目融资，当然还有投资。利用多年的经验跟踪私人天然氢公司，Morten和他的团队最近推出了NHV NATH2Index，这是世界上第一个跟踪10个最相关的公共交易天然氢公司的索引。像一个好祖先一样投资，莫顿实现“盈利影响”的目标是由他渴望“成为一个好祖先”的愿望的投资，以确保他的孩子在宜居的星球上的经济上确保。”
矿石地质评论
有效的矿物前景映射（MPM）依赖于机器学习（ML）模型从地球物理数据中提取有意义模式的能力。然而，在矿物探索中，与整体地质景观相比，鉴定矿藏的存在通常是罕见的事件。这种稀有性导致了高度不平衡的数据集，其中积极实例（矿化样品）的频率大大低于负面实例（非矿化样品）。不平衡的数据可能会使ML模型偏向多数类，从而导致对主要兴趣的少数类别（矿化样本）的预测不准确。为了应对这一挑战，我们在这项研究中提出了两级方法。在数据级别上，我们采用了在培训数据集上运行的不平衡数据处理技术并更改类分布。在算法级别上，我们调整了模型的决策阈值，以平衡误报和假否定性之间的交易。实验结果是根据芬兰拉普兰的地球物理数据收集的。数据集表现出明显的类别不平衡，包括17个正样本与1个。84×10 6负样本。我们研究了处理不平衡数据对四个ML模型的性能的影响，包括多层感知器（MLP），随机森林（RF），决策树（DT）和逻辑回归（LR）。从结果来看，我们发现MLP模型实现了最佳的总体表现，使用合成少数民族过采样方法，平衡数据的总准确度为97.13％。随机森林和DT也表现良好，精度分别为88.34％和89.35％。这项工作的实施方法是在QGI中集成为新工具包，称为MPM的EIS工具包1。
