apprentissage automatique appliqué à la prédiction des carbonates

Utilisation d'algorithmes statistiques (tels que les forêts aléatoires ou les réseaux de neurones) pour prédire la teneur en carbonate de calcium (CaCO₃) et en carbone organique dans les sédiments marins ou les sols à partir de données spectrales XRF ou infrarouges (Lee et al., 2022; Padarian et al., 2020). Cette approche permet de générer des enregistrements chimiques à haute résolution spatiale et temporelle avec une précision accrue (souvent R²>0,95) par rapport aux méthodes conventionnelles, facilitant ainsi la modélisation des cycles biogéochimiques (Diesing et al., 2017; Song et al., 2022; Wadoux et al., 2020).