Unsupervised classification applications in enhancing lithological mapping and geological understanding: a case study from Northern Ireland
Notice bibliographique
Résumé
Pattern classification algorithms can help us to recognize and predict patterns in large and complex multivariate datasets. Self-organizing maps (SOMs), which use competitive learning, are unsupervised classification tools that are considered to be very useful in pattern classification and recognition. This technique is based on the principles of vector quantification of similarities and clustering in a high-dimensional space and the method can handle the analysis and visualization of high-dimensional data. This tool is ideal for analysing a complex combination of categorical and continuous spatial variables, with particular applications to geological features. We used SOMs to predict geological features based on airborne geophysical data acquired through the Tellus Project in Northern Ireland. The SOMs were applied through 20 experiments (iterations), incorporating radiometric data in combination with geological features, including elevation, slope angle, terrain ruggedness and geochronology. The SOMs were able to differentiate contrasting bedrock geology, such as acidic v. mafic igneous rocks, although data clustering over intermediate rocks was less clear. The presence of a thick cover of glacial deposits in most of the study area presented a challenge for data clustering, particularly over the intermediate igneous and sedimentary bedrock types. Supplementary material: Twenty iterations were carried out during this research. Only six are included in the article. The rest of the iterations are available at https://doi.org/10.6084/m9.figshare.c.6603098
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».