PulseAugur
中
实时 10:11:23
English(EN) K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data

新的K-STEMIT图神经网络改进了地下厚度估算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了K-STEMIT，这是一种新颖的图神经网络，用于从雷达数据估算地下地层厚度。该模型整合了Model Atmospheric Regional天气模型的物理知识，并采用自适应特征融合策略来结合时空学习分支。实验表明，K-STEMIT比现有方法具有更高的准确性和效率，物理先验和自适应融合的引入将均方根误差降低了21.01%。 AI

影响 这项研究为地下地层分析引入了一种更准确、更有效的方法，有可能改善气候建模和资源勘探。

排序理由 发布了一篇详细介绍新图神经网络模型的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的K-STEMIT图神经网络改进了地下厚度估算

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zesheng Liu, Maryam Rahnemoonfar ·

    K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data

    arXiv:2604.09922v2 Announce Type: replace Abstract: Subsurface stratigraphy contains important spatio-temporal information about accumulation, deformation, and layer formation in polar ice sheets. In particular, variations in internal ice layer thickness provide valuable constrai…

相关话题