Discover the new approach to applications development with ‘Artificial Intelligence Knowledge Packs (AI KPs)’ in the GEO Knowledge Hub: Towards the Open and Reproducible Knowledge application for mine site monitoring
Notice bibliographique
Résumé
To accomplish strategic objectives on zero-pollution, the entire mining life cycle (exploration, extraction, closure, mine- site rehabilitation) needs to develop minimal impact exploration and monitoring technologies and applications which are open to the broadest groups of stakeholders. In this respect Earth Observation (EO), Drone & Proximal Sensing and relevant in-situ data bring significant contribution for both, sustainable management of mineral resources and efficient multi-scale monitoring of mining impacts. In this sense, the purpose of the GEOMIN activity, part of the Group on Earth Observations (GEO) Work Programme [1] [2], is to increase awareness and use of state-of-the-art EO data and methods which represent a novel means for sustainable monitoring and management of mineral resources and efficient multi-scale monitoring mining impacts. How is GoldenEye project through AI-driven tools and applications enhances the GEOMIN community?In the scope of the GoldenEye project, OPT/NET delivered the next generation of AI exploitation system: a hybrid platform which combines the processing & automation capabilities of AI with the natural problem-solving abilities of humans. We have developed dedicated applications with our novel approach based on the Artificial Intelligence Knowledge Packs (AI KPs), integrated in GOLDENAI Engine, to rapidly interpret the geographical patterns and environmental impacts caused by the mining activity.What is the role of the GEO Knowledge Hub (GKH) as the Digital portal in promoting the replicability and re-usability of AI KP in the mining sector and how it relates to Goldeneye ?The GEO Knowledge Hub (GKH) is a central cloud-based digital library providing access to Earth Observations applications developed by GEO. The GEO Knowledge Hub is part of the GEOSS Infrastructure and helps the GEO to advance Open Knowledge. The scope of the GKH is to promote the replicability and re-usability of EO Applications by sharing with the end users, all the Knowledge Resources essential to fully understand and re-use them. All the Knowledge Resources are directly shared, curated and organized by the Knowledge Provider to ensure replicability with proper documentation.Therefore, several Knowledge Packages (KPs) related to the technological solutions of the GoldenEye project can be found in the GKH. In this paper, the KP related to the GOLDENAI platform will be presented, including the description of the integrated AIKPs, such as:AI KP for mineral mapping - Band-ratios based on WorldView-3 AI KP for mineral mapping - SPCA based on WorldView-3 AI KP for UML clustering based on Copernicus Satellite imagery (Sentinel-1 SLC) The paper has been prepared in the frame of the Horizon 2020 co-funded project GOLDENEYE, which has received funds through the GA 869398. References:[1] GEO (2023a). GEO Work Programme 2023-2025. Access 09 Jan. 2023. url: https://earthobservations.org/geo_wp_23_25.php [2] GEO (2023b). GEO WEEK 2022. Access 09 Jan. 2023. url: https://earthobservations.org
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 | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,010 | 0,025 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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 ».