Estimation of bedrock sediment thickness with Kriging vs. Machine Learning

Denne avhandlingen hadde som mål å finne de beste regresjonsmetodene for å estimere berggrunnens sedimenttykkelse rundt Årungen, ved å sammenligne Kriging Interpolering med Maskinlæring-metoder. Nøyaktig modellering er viktig i flere samfunnsutfordringer, inkludert; å finne grunnvanns lokasjoner, produksjon av geotermisk varme og sikkerhet for infrastruktur i byplanlegging. Vi forsøkte å finne modellene som var best utstyrt for ulike mål, inkludert: Hvilken modell (1) gir de beste prediksjons målingene, (2) har de mest stabile resultatene med den laveste prediksjons variasjonen, (3) gir de mest realistiske prediksjons-overflatene, og (4) er den mest praktiske? GRANADA borehulls database, NADAG borehull, digitale løsmassekart og Kartverket digitale høydedata-modeller ble brukt for å lage nøyaktige data. Semivariogram tilpasning og parameter justering ble brukt på flere implementeringer av Kriging, for å optimalisere deres ytelse. Et representativt utvalg av Maskinlæring-regresjonsmodeller ble brukt og optimalisert ved hjelp av grid-søk-metoden. Det ble gjennomført flere runder med kryssvalidering for å sikre trygghet til resultatene. KNN-modellene forklarte 67% variansen, men med dårlige prediksjons overflater. Modellene Kriging og XGBoost var i stand til å forklare 64% av variansen med sine prediksjoner, samtidig som de hadde realistiske prediksjons-overflater. Kriging-interpolasjonsmetoden kom ut på topp i de fleste av bedømmelseskriteriene, med XGBoost på andreplass. Basert på våre data og metoder som er brukt, konkluderer vi med at Kriging fortsatt er det beste innen overflate regresjon.