Mineral Mapping for Exploration: An Australian Journey of Evolving Spectral Sensing Technologies and Industry Collaboration
Notice bibliographique
Résumé
This paper describes selected results from over a dozen collaborative projects led by Commonwealth Scientific and Industrial Research Organisation (CSIRO) in Australia spanning a 30-year history of developments in satellite, airborne, field and drill core sensing technologies and how these can assist explorers to measure and map valuable mineral information. The exploration case histories are largely from Australian test sites and describe how spectral sensing technologies have progressed from early “niche creation” systems, such as the field PIMA-II (Portable Field Mineral Analyzer) and airborne Geoscan, HyMap™ and OARS-TIPS (Operational Airborne Remote Sensing – Thermal Infrared Profiling Spectrometer) systems and drill-core HyLogger™ systems, to the current expanding array of pubic and commercial mineral mapping sensors, including the ASTER (Advanced Spaceborne Thermal Emission and Reflectance Radiometer) satellite system which has acquired imagery spanning the entire Earth’s land surface (<83° latitude). These sensors are delivering voluminous spectral data from different parts of the visible to the thermal infrared (400 to 14,000 nm) spectrum at different spectral, radiometric and spatial resolutions. Two critical exploration challenges are central to the case histories, namely: (i) can surface cover, such as vegetation, regolith or transported materials, be characterized and accounted for so that the target geology is accurately revealed; and (ii) does this revealed geology show evidence of alteration footprints to potential economic mineralization. Spectrally measurable minerals important to solving these challenges include white micas, kaolinite and garnets, with measurement of their respective physicochemistries being key. For example, kaolin disorder is useful for mapping transported versus weathered in situ materials, while the chemical substitution in white micas and garnets provide vectors to potential economic mineralization. Importantly, appropriate selection of the optimum sensor/data type for a given geological application depends primarily on the level of detail/accuracy of the mineral information required by the user. A major opportunity is to now harness the many sensor/data types and deliver to users consistent, accurate mineral information products, that is, creation of a number of valuable global mineral product standards. As part of this vision, CSIRO has been developing improved sensor/data calibration processes and information extraction methods that for example, unmix the target mineralogy from green and dry vegetation cover in remote sensing data sets. Emphasis to date has been on generating public spectral-mineral product standards, especially at ASTER’s limited but geologically-valuable spectral resolution. The results are showing that scalable, global, three-dimensional (3D) mineral maps are achievable which will only improve our ability to more accurately characterize regolith and geological architecture, increase our understanding of formative processes and assist the discovery of new economic mineral systems.
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 | 0,021 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».