ИСТИНА

Широкий круг геофизических исследований требует проведения измерений, покрывающих значительную площадь. Такого рода исследования могут иметь как фундаментальный, так и прикладной характер, изучаемые параметры могут иметь разную физическую природу, измеряться непосредственно или быть результатом постобработки. Представление и анализ площадных измерений обычно используют различные интерполяционные процедуры: линейная, полиномиальная интерполяция, сплайны, равно как и более мощные методы, такие как различные модификации метода ближайших соседей, кригинг и др. В последнем случае качество интерполяции существенно зависит от выбора значений управляющих параметров алгоритма (гиперпараметров). Как правило, невозможно однозначно выбрать значения гиперпараметов исходя только из физической постановки задачи, требуется дополнительный анализ данных. Ниже речь пойдёт о данных полевых измерений, имеющих значительную пространственную анизотропию. Такого рода ситуация часто возникает при проведении полевых работ, в частности, при скважинных исследованиях. Будет показано, что стандартные методы интерполяции применимы и в этом случае, однако требуются их модификация. Это приводит к появлению дополнительных гиперпараметров, значение которых, вместе с параметрами исходного алгоритма можно определить методами теории машинного обучения. Такой подход к анализу данных будет продемонстрирован на примере алгоритма ближайших соседей (kNN) применительно к нескольким наборам геофизических измерений: данных межскважинного электромагнитного просвечивания, аэромагнитной съёмки с применением беспилотных аппаратов, результатов анализа обменных волн от телесейсмических событий (функций приёмника).