Evidential data integration to produce porphyry Cu prospectivity map, using a combination of knowledge and data‐driven methods
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
ABSTRACT Producing an accurate and valid mineral prospectivity map is one of the most significant parts of mineral exploration studies. For this purpose, it is needed to obtain valid evidential layers and integrate them with an accurate methodology. Knowledge and data‐driven methods are two primary techniques applied to combine various evidential layers for mineral prospectivity mapping, of which each of them includes a variety of analytical techniques. In this study, in the first step, satellite data, aeromagnetic and airborne radiometric data, stream sediment geochemical data and geological data were applied to create valid remote sensing, geophysical, geochemical, lineaments and lithological evidential layers of the study area that are an essential factor in recognition porphyry copper mineralization, then in the second step, based on the known mineralization occurrences data, the evidential layers were weighted. Finally, these layers were integrated using fuzzy logic and index overlay methods in a combination of knowledge and data‐driven way. Validation of each layer was done using available data in the second step. The final mineral prospectivity map was evaluated, and the confirmation of this layer detected that the final mineral prospectivity map obtained from data‐driven multi‐index overlay method has a higher ore prediction rate of 76%, which identifies 24% of the area as potential zones for further exploration.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| 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