Mineral mapping using spaceborne Tiangong‐1 hyperspectral imagery and ASTER data: A case study of alteration detection in support of regional geological survey at Jintanzi‐Malianquan area, Beishan, Gansu Province, China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This is an extension of our previous study and an applicability test on the mapping capability of Tiangong‐1 data with more complicated geological conditions over large areas. The Jintanzi‐Malianquan area is located in a major Au‐Cu‐Ni‐Cr resource belts in China. In order to support the 1:50,000 regional geological survey, this study presents the mapping results of using spectral angle mapper method and image endmembers from spaceborne Tiangong‐1 Hyperspectral Imager (HSI) shortwave infrared and Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data. Six alteration minerals (muscovite, kaolinite, chlorite, epidote, calcite, and dolomite) related to hydrothermal ore deposits are used in the analysis. By comparing the results from both datasets, it is confirmed Tiangong‐1 HSI data can detect six major minerals (muscovite, kaolinite, chlorite, epidote, calcite, and dolomite), while ASTER can only discriminate the first five minerals in this study area. Fifteen targets for mineral exploration are mapped from the remote sensing results. Eleven targets have been verified by existing geologic maps and field validation for muscovite and epidote alteration. The results of this study suggest that the Tiangong‐1 HSI data are well suited for quick spaceborne reconnaissance of alteration minerals to support routine geological survey in large areas at 20‐m resolution, which provides continuous mapping products for all terrains at an accuracy of better than 1:50,000 scale map.
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.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle