近期，中国地质调查局地质环境监测院组织召开了机器学习在水文地质调查中的应用培训班。培训课上，研究员团队讲授了数据融合与机器学习理论开发的环境地学计算模拟和分析，构建四维时空环境地学数据技术方法，环境地学数据时空及属性缺失值补齐，监测值驱动的梯度场模拟，水流与溶质运移数值模拟，地下水流场反向求取含水层参数，高频地下水位波动求取含水层参数，高维度地球化学数据降维分析等方面的机器学习相关理论与典型案例。

　　

　　水文地质调查，亦称“找水”。对某一地区地下水情况及其与自然地理和地质因素相互关系进行的调查研究工作。

　　

　　水文地质调查基本任务是在大范围查明区域水文地质条件，包括查明各类含水层的赋存条件和分布规律;查明地下水的水质、水量及其补给、径流、排泄条件;并对各地区的地下水资源及其开发前景作出评价。区域水文地质调查工作原则上以同比例尺区域地质调查工作为基础，对未开展过区域地质调查的地区，必须先做必要的基础地质工作，或与区域地质调查工作互相配合，联合进行。区域水文地质调查一般按国际图幅部署;根据国民经济建设和社会发展的需要，也可按行政区划或自然单元安排。

　　

　　在综合性调查基础上加有必要专门性调查工作的水文地质调查。小比例尺区域水文地质调查的主要任务是通过收集资料、地面调查、勘探、试验和观测工作等手段，查明调查区区域水文地质条件，包括主要含水层的岩性、埋藏分布条件，各含水层地下水的成因、类型、补迳排条件及其水质水量的分布和变化情况等。中比例尺区域水文地质调查的主要任务是在小比例尺区域水文地质调查的基础上，通过增加必要的调查工作和提高调查工作的精度要求，进一步查明区域水文地质条件，并根据其专门性水文地质调查任务的需要，进行必要的专门调查、勘探、试验和观测工作,查明有关问题。

　　

　　机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。

　　

　　机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。传统机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。

　　

　　统计机器学习三个要素：

　　

　　模型：模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。

　　

　　策略：即从假设空间中挑选出参数最优的模型的准则。模型的分类或预测结果与实际情况的误差(损失函数)越小，模型就越好。那么策略就是误差最小。

　　

　　算法：即从假设空间中挑选模型的方法(等同于求解最佳的模型参数)。机器学习的参数求解通常都会转化为最优化问题，故学习算法通常是最优化算法，例如最速梯度下降法、牛顿法以及拟牛顿法等。

　　

　　数据融合技术是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。包括对各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，以便辅助人们进行态势/环境判定、规划、探测、验证、诊断。

　　

　　数据融合技术为先进的作战管理和CI系统提供了重要的数据处理技术基础。数据融合在多信息源、多平台和多用户系统内起着重要的处理和协调作用，保证了数据处理系统各单元与汇集中心间的连通性与及时通信，而且使原来由军事操作人员和情报分析人员完成的许多功能均由数据处理系统快速、准确、有效地自动完成。

　　

　　数据融合技术对未来作战技术和武器系统的影响极为深远。大量新的作战技术的发展迫切需要数据融合技术的应用和支持。如现代作战原则强调纵深攻击和遮断能力，要求能描述目标位置、运动及其企图的信息，这已超过了使用的常规传感器的性能水平。未来的战斗车辆、舰艇和飞机将对射频和红外传感器呈很低的信号特征。为维持其低可观测性，它们将依靠无源传感器和从远距离信息源接受的信息。那么，对这些信息数据的融合处理就是至关重要的了。

　　

　　新闻来源：中国地质环境监测院