Rock type classification of drill core using continuous wavelet analysis applied to thermal infrared reflectance spectra
Notice bibliographique
Résumé
This study investigates a core logging methodology to map rock type using thermal infrared reflectance (TIR) spectra (500–4000 cm–1 or 2.5–20.0 μm) for 74 samples encompassing 11 rock types exposed in various mines of the Sudbury Basin, Canada. A continuous wavelet transform (CWT) was used to represent the original reflectance spectra as a suite of wavelets, each capturing spectral features of different scales with the low-scale components containing mineral spectral features and the high-scale components capturing the overall continuum. Classification was driven by the use of endmember spectra and the spectral angle mapper (SAM). Modelling and validation suites were developed and the mapping accuracy evaluated iteratively for random data splits. The results were compared for reflectance and wavelets of low components of power and significance. We found that the variability amongst measurements observed for varying orientation of a sample or due to variable surface roughness can be greatly minimized with the use of low-scale components, thus improving rock type classification. The average accuracy computed for the 11 rock types is highest for the low-scale component of power (72%) data as opposed to the reflectance data (55%). The highest average accuracy per rock type is obtained using the low-scale components (average value of 82%) for seven rock units that are relatively texturally homogeneous and of uniform modal mineralogy. Lower accuracy values are observed for rock units that display pronounced textural heterogeneity at the scale of observation, or variability in modal mineralogy, or are spectrally similar to other rock types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».