Development and application of feature engineered geological layers for ranking magmatic, volcanogenic, and orogenic system components in Archean greenstone belts
Notice bibliographique
Résumé
Geologically representative feature engineering is a crucial component in geoscientific applications of machine learning. Many commonly applied feature engineering techniques used to produce input variables for machine learning apply geological knowledge to generic data science techniques, which can lead to ambiguity, geological oversimplification, and/or compounding subjective bias. Workflows that utilize minimally processed input variables attempt to overcome these issues, but often lead to convoluted and uninterpretable results. To address these challenges, new and enhanced feature engineering methods were developed by combining geological knowledge, understanding of data limitations, and a variety of data science techniques. These include non-Euclidean fluid pre-deformation path distance, rheological and chemical contrast, geologically constrained interpolation of characteristic host rock geochemistry, interpolation of mobile element gain/loss, assemblages, magnetic intensity, structural complexity, host rock physical properties. These methods were applied to compiled open-source and new field observations from Archean greenstone terranes in the Abitibi and western Wabigoon sub-provinces of the Superior Province near Timmins and Dryden, Ontario, respectively. Resulting feature maps represent conceptually significant components in magmatic, volcanogenic, and orogenic mineral systems. A comparison of ranked feature importance from random forests to conceptual mineral system models show that the feature maps adequately represent system components, with a few exceptions attributed to biased training data or limited constraint data. The study also highlights the shared importance of several highly ranked features for the three mineral systems, indicating that spatially related mineral systems exploit the same features when available. Comparing feature importance when classifying orogenic Au mineralization in Timmins and Dryden provides insights into the possible cause of contrasting endowment being related to fluid source. The study demonstrates that integrative studies leveraging multi-disciplinary data and methodology have the potential to advance geological understanding, maximize data utility, and generate robust exploration targets.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».