Random forest rock type classification with integration of geochemical and photographic data
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
Systematic manual and algorithmic classification workflows to characterize rock types are increasingly applied in the mineral exploration and mining industry, leveraging large systematically collected datasets. The aim of these are robust and repeatable classifications to aid more traditional visual logging practices. This study uses random forest algorithms to examine the impacts of integrating distinct datasets with complementary characteristics; chemistry to enable compositional distinctions, and photography to enable textural distinctions. We use a random forest classifier to examine the accuracy metrics of models producing rock type classifications using these two data types independently and integrated together. Prediction accuracy, measured using 10-fold cross validation, was 87% for geochemical-only inputs, 85% for photographic-only inputs, and 90% for mixed inputs from both datasets. A mining and exploration project in the Late Miocene to early Pliocene porphyry belt in Chile is the site of this case study, where datasets were systematically acquired using in-field methods on historical drill-cores. Results indicate that classification of lithology is improved by integration of photography-based and composition-based feature inputs. We infer that the benefits of integration would increase in proportion with increasing compositional similarity between rock types. This approach might also be applied to similar geological problems, such as alteration or metallurgical classifications; and with somewhat distinct datatypes, such as geochemical interval data and photographic metric extraction from coincident intervals in core photos.
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 | 0,000 |
| 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 | 0,000 |
| 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