Prospecting for Space Exploration
Notice bibliographique
Résumé
Prospecting for terrestrial ore deposits relies on numerous methods ranging from large scale geophysical surveys to smaller scale geochemical sample analyses. Exploration entails physical methods, such as remote sensing and seismic or gravitational surveys to evaluate the surface and subsurface of the Earth to detect or infer the presence of valuable deposits. Geoscientists use 3D modeling to determine the geometry and placement of these deposits. A 3D model is a mathematical representation of a three dimensional region in order to evaluate the concentration, method of extraction and potential economic value of the deposit. In January 2010, the Northern Centre for Advanced Technology, Inc (NORCAT) demonstrated the ability to apply geotechnical criteria to acquired 3D data during a field test at approximately 9000 ft elevation on Mauna Kea in Hawaii. This activity was meant to mirror a lunar ISRU mission where robotic precursors are deployed and must survey the surroundings to allow ground operators to select a suitable location to begin construction of a landing site for suture lunar modules. It is necessary to ensure the excavation activity is only attempted in a location where the task is within the operational capability of the mobility platforms. The 3D model was created from surface data acquired by Neptec’s TriDAR and subsurface data acquired by Ground Penetrating Radar (GPR). The data was processed by Xiphos’ Hybrid Processing Card (HPS) for transmission over a limited bandwidth satellite link. RADARSAT-2 remote sensing satellite imaging was acquired prior to, during and following the field test. The imagery acquired provided useful data for base camp deployment, land use and site remediation. Satellite imagery can provide a comprehensive view of a broad area, and potentially enable detailed topographical, geological, geophysical, and environmental data acquisition, and is dependent upon the instruments onboard the satellite. The integration of such satellite imagery and data in NORCAT’s 3D model would present scientists the opportunity to evaluate numerous data types in one interactive tool. This paper describes the NORCAT 3D model and discusses the potential to integrate remote sensing satellite imagery into the model to enhance overall effectiveness for ISRU prospecting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,135 | 0,064 |
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 source (Gemma direct ou Codex distillé), 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 ».