嘿，我来重新给你说一下这段话吧，尽量阳春白雪：这篇著述啊，便是吐槽一些不悦的事儿，让心里陶然点，咱就叫它“吐不悦的痰娱”吧！

剪辑 | 吐槽一下那些让东谈主不悦的文娱八卦

【引子】

火山灰能帮我们了解火山一初始是如何行径的，以及它可能会如何变化。火山灰是由火山里各式东西构成的，计较它就能知谈火山是如何喷发的。不外，要把火山灰分红不同的种类可收敛易。因为不雅察收尾王人不同样，每次的样本也王人有离别。

这里，我们尝试用机器学习来提高分类的准确度和领路性。我们选了个很棒的火山灰颗粒数据库，来优化和磨砺两个机器学习模子。一个模子是极点梯度提高，它用颗粒的物理属性来探讨收尾，我们还用SHAP标准解释探讨收尾。另一个模子是VisionTransformer，它用来对双目、多焦点、粒子图像进行分类。

我们发现XGBoost的合座分类准确率是0.77，其中时势和纹理这两个特征最能帮我们分袂不同的粒子类型。用粒子图像和ViT来分类会更准一些，准确率从圆顶爆炸样本的0.85到潜水和亚普林尼式事件的0.95不等。不外，天然分类算法挺收效的，但磨砺数据集在粒子数目、喷发容貌范围和火山方面照旧有一些甘休的。

【火山学过火火山灰的难点】

火山学的一浩劫题便是探讨不领路火山啥时候会变化。火山不领路时，小领域的爆发或蒸汽先冒出来，也可能一直不太活跃，然后歇菜。并且，好多火山喷发有好几个阶段，爆发和溢出会换着来，或者跟着时分变来变去。

思要知谈火山会酿成哪种行径类型，东谈主们会用好多地球物理和地球化学的标准来不雅察息争释火山底下发生的事情。不外，解释起来可能挺复杂的，并且我们手头的数据也未几，是以很难细目收尾。另一个了解火山景况的好标准便是计较火山灰。

火山灰的颗粒类型，其实便是它的身分，这些身分不错告诉我们火山行径是如何发生的。像那种年青的颗粒，就和岩浆从浅层升上来时翻脸关络续。如若我们能认出这种颗粒，再联结其他监测到的信息，就可能提前知谈火山会不会喷发岩浆。就像1980年好意思国圣海伦斯火山和1991年日本云仙火山喷发前，东谈主们在千里积物里发现了极少的年青颗粒，这就解释了它们行将迎来更大领域的喷发。

是以啊，如若能早点发现这些颗粒，我们可能会对接下来爆炸的威力有新的意识。还有啊，有时候火山刚爆发时，里面的物资分类不太明晰，这就让火山危险管理变得相配复杂，就像1975-1977年苏弗里耶尔瓜德罗普岛那次危险同样。另外，计较火山灰里不同物资的占比、景观和结晶进度，也能帮我们找到爆发容貌可能转变的痕迹，这样就能更好地减少火山带来的危害了。

要把颗粒分红不同的类型，就得靠一些技能来收罗每个颗粒的详备信息，这些信息可能是定性的也可能是定量的。比如，我们不错用双目显微镜仔细不雅察颗粒的光芒、时势和景观，望望它们的名义和外形长啥样。思要更深切地了解颗粒的里面结构，那就得用扫描电子显微镜了。至于化学分析嘛，那就得靠电子探针、质谱仪和折射率测量等这些高档修复了。

这些本性会因为火山和喷发容貌的不同而有所离别。天然Ross他们提议了一种计较年青火山碎片的好标准，但具体如何分袂不同颗粒类型，照旧不太明晰，也很难在总共样本上王人这样用。

【机器学习的联系先容过火应用】

分类问题挺难搞的吧？不外别惦念，现时有个好帮手，那便是机器学习。用机器学习模子，我们能贬责各式复杂图像的分类。这种模子会学一些端正，然后就能对东西进行分类了。比如，它不错用来分辨蘑菇或者叶子的病。跟我们关系最紧的，还得说Shojietal的计较。

我们用了VolcAshDB这个开源数据库，里面有6,300多张火山灰颗粒的图片和测量数据。这些数据王人是用双目显微镜拍的，然后再加工成那种相配澄莹的多焦点图片。我们还把柄一些伏击的不雅察本性，像有的计较者说的那样，用二分法给这些图片分了类。

这个数据库里收罗了12个火山灰颗粒样本，它们分别来自8座火山和11次不同的喷发。这些样本能展示出不同岩浆身分和喷发类型的本性。比如说，1976年和1977年苏弗里耶尔火山发生的蒸汽喷发，还有1991年4月皮纳图博火山和2014年御岳火山早期的一些行径记载王人包括在里面了。

在2016年12月，内华达斯德奇廉火山群初始喷发，然后在2018年4月，它的圆顶因为挤压又喷发了。默拉皮火山在2013年的7月和11月也有喷发。2021年10月，加那利群岛的玄武岩熔岩喷泉也喷发了。另外，还有2014年克卢德火山的两种不同喷发容貌的样本，以及1980年好意思国圣海伦斯火山那次壮不雅的普林尼式喷发样本。

VolcAshDB不仅展示了火山灰的图像，还详备记载了每个颗粒的33个本性，像是它的景观、纹理和时势。它还给每个颗粒王人贴了个标签，告诉我们它是啥类型。另外，还有颗粒的元数据，比如颗粒的大小、拍照时用的放大倍数等。之前的计较里，这些景观特征就很有效。

VolcAshDB里的纹理特征啊，其实是通过算好多粒子区域的灰度像素强度分散来的，用的是灰度共生矩阵这个标准。通过这个矩阵，我们能取得一些特征，有的是裸露纹理更均匀的，有的是裸露纹理更复杂或者不同质的。这些特征啊，还包括对颗粒大小空腔明锐的、跟周长关连的不端正性和景观本性。

【对相应的现实进行数据整理】

数据集里包括了从每种粒子和粒子类型上测得的33个本性。这个数据集或者包含了6300个粒子，它们被分红了两部分：一部分是磨砺集，用来优化和调整模子；另一部分是测试集，在模子学习的经由中没用上。这些原始本性的分散不太同样，是以我们用了Scikit-learn里的StandardScaler函数来把它们标准化，这样有助于机器学习模子更好地管制。

标准缩放器会对每个特征的值进行重新分拨，把它们的平均值王人酿成0，标准差酿成1或-1。测试集里的特征也要按照磨砺集里如故算好的缩放器来标准化，这样就不会闪现数据了。如若搜检源图像后阐述没问题，那总共的很是值王人会保留住来。我们还会保留那些高度联系的变量，这样在特征置换的时候，就能更好地探讨它们对分类的伏击性了。

高度联系的变量可能会让归来模子遭遇多重共线性问题，但基于树的模子里好像还没东谈主说过这事儿。VolcAshDB数据集里蚀变物资近年少和岩屑颗粒要多，游离晶体就相比特等。这种颗粒类型分散不平衡可能会让数据集变得不屈衡。为了解决这个问题，我们用了SMOTE包对数目少的颗粒类型进行了过采样。

这个包通过K最附进算法生成了一些模拟数据。热烈推选你完成这一步，这样模子就能更好地学习如何分袂不同的类别，哪怕类别相比少。超参数呢，其实便是我们我方设定的、用来限定模子学习经由的那些参数。在我们计较的时候，我们试了各式各样的模子，比如方案树、K-最附进、未必丛林，还有梯度提高分类器和极点梯度提高等等。

为了更快地找到最棒的超参数，我们用了Scikit-optimize包里的贝叶斯优化标准。这个标准会把柄之前搜过的超参数来赞理找，这样就不需要一丝点试遍总共的可能了，省时又省力。思知谈哪个超参数最佳用，我们就用磨砺集上的10倍交叉考证来打分。

这个标准是通过持续地将数据分红磨砺集和测试集来评估模子效用的，这样作念能驻扎模子过度拟合数据。用了最佳的超参数去测试模子后，XGBoost的交叉考证分数最高，F1分数达到了0.9，紧随自后的是KNN和GBC，它们的F1分数是0.88。

用10,000张从增强磨砺集里选的图像来鼎新ViT基础模子，再用测试集来搜检效用。在测试集和各种粒子类型上，我们王人能分得清领悟爽：蚀变材料、幼体、游离晶体还有岩屑王人分得准。有85%多的的确例子王人被模子自信地探讨出来了，这讲明ViT分类不仅准还很自信。

【结语】

火山灰里的颗粒分类可确实个头疼的事，因为判断的标准王人不同样，也不准，思系统地找出特定的颗粒类型也收敛易。是以，我们就思了个目的，试着用现时最牛的机器学习模子，去找出每种颗粒最有本性的场地，再碰幸运能弗成用它来分明晰这些颗粒。这样应该能帮我们更好地处理这个问题吧。

识别出来的特征让我们对年少颗粒和岩屑颗粒有了新意识，也帮我们更好地给它们分类。天然图像分类器分得很准，但不同喷发和类型的区别，也让东谈主惦念它能弗成用在新的样本上。要思解决这个问题，我们不错把更多种类的火山喷发和大王人的火山粒子信息加到机器学习模子里，这样我们就能更平允地相比火山灰样本，用它来监测火山行径啦。

这篇著述里的经由形貌和图片王人是我们从网上找的，我们的狡计便是为了传播社会的正能量，齐备莫得啥低俗或不好的东西。如若发现存版权问题或者扰乱了谁的权力，请飞快告诉我们世博体育，我们会随即删掉这些现实。如若有啥场地你以为不合劲，也请告诉我们，我们会尽快改正或者删掉。