Predictive Geochemical Exploration: Inferential Generation of Modern Geochemical Data, Anomaly Detection and Application to Northern Manitoba
Notice bibliographique
Résumé
Abstract Geochemical surveys contain an implicit data lifecycle or pipeline that consists of data generation (e.g., sampling and analysis), data management (e.g., quality assurance and control, curation, provisioning and stewardship) and data usage (e.g., mapping, modeling and hypothesis testing). The current integration of predictive analytics (e.g., artificial intelligence, machine learning, data modeling) into the geochemical survey data pipeline occurs almost entirely within the data usage stage. In this study, we predict elemental concentrations at the data generation stage and explore how predictive analytics can be integrated more thoroughly across the data lifecycle. Inferential data generation is used to modernize lake sediment geochemical data from northern Manitoba (Canada), with results and interpretations focused on elements that are included in the Canadian Critical Minerals list. The results are mapped, interpreted and used for downstream analysis through geochemical anomaly detection to locate further exploration targets. Our integration is novel because predictive modeling is integrated into the data generation and usage stages to increase the efficacy of geochemical surveys. The results further demonstrate how legacy geochemical data are a significant data asset that can be predictively modernized and used to support time-sensitive mineral exploration of critical minerals that were unanalyzed in original survey designs. In addition, this type of integration immediately creates the possibility of a new exploration framework, which we call predictive geochemical exploration. In effect, it eschews sequential, grid-based and fixed resolution sampling toward data-driven, multi-scale and more agile approaches. A key outcome is a natural categorization scheme of uncertainty associated with further survey or exploration targets, whether they are covered by existing training data in a spatial or multivariate sense or solely within the coverage of inferred secondary data. The uncertainty categorization creates an effective implementation pathway for future multi-scale exploration by focusing data generation activities to de-risk survey practices.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».