Prospectivity Mapping of Heavy Mineral Ore Deposits Based upon Machine-Learning Algorithms: Columbite-Tantalite Deposits in West- Central Côte d’Ivoire
Notice bibliographique
Résumé
This study aimed to model the prospectivity for placer deposits using geomorphic and landscape parameters. Within a geographic information system (GIS), spatial autocorrelation analysis of 3709 geochemical samples was used to identify prospective and non-prospective targets for columbite-tantalite (Nb-Ta) placer deposits of Hana-Lobo (H-L) Geological Complex (West- Central Côte d’Ivoire, West Africa). Based on mineralization system analysis, hydrologic, geomorphologic and landscape parameters were extracted at the locations of the identified targets. Supervised automatic classification approaches were applied, including Random Forest (RF), K-Nearest Neighbors (KNN) and Support Vector Machines (SVM) to find a prospectivity model complex enough to capture the nature of the data. Metrics such as cross-validation accuracy (CVA), Receiver Operating Characteristic (ROC) curves, Area Under Curve (AUC) values and F-score values were used to evaluate the performance and robustness of output models. Results of applying machine-learning algorithms demonstrated that predictions provided by the final RF and KNN models were very close (κ = 0.56 and CVA = 0.69; κ = 0.54 and CVA = 0.68, respectively) and those provided by the SVM models were slightly lower with κ = 0.46 and CVA = 0.63. Independent validation results confirmed the slightly higher performance of both KNN and RF prospectivity models, compared to final SVM. Sensitivity analyses of both KNN and RF prospectivity models for medium and high-grade Nb-Ta deposits show a prediction rate of up to 90%.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».