Spatial Interpolation Using Machine Learning: From Patterns and Regularities to Block Models
Notice bibliographique
Résumé
Abstract In geospatial data interpolation, as in mapping, mineral resource estimation, modeling and numerical modeling in geosciences, kriging has been a central technique since the advent of geostatistics. Here, we introduce a new method for spatial interpolation in 2D and 3D using a block discretization technique (i.e., microblocking) using purely machine-learning algorithms and workflow design. This paper addresses the challenges of modeling spatial patterns and regularities in nature, and how different approaches have been used to cope with these challenges. We specifically explore the advantages and drawbacks of kriging while highlighting the long and complex sequence of procedures associated with block kriging. We argue that machine-learning techniques offer opportunities to simplify and streamline the process of mapping and mineral resource estimation, especially in cases of strong spatial relationships between sample location and resource concentration. To test the new method, synthetic 2D and 3D data were used for both 2D block modeling and geometallurgical modeling of a synthetic porphyry Cu deposit. The synthetic porphyry Cu data were very useful in validating the performance of the proposed microblocking technique as we were able to reproduce known values at unsampled locations. Our proposed method delivers the benefits of a machine learning-based block modeling approach, which includes its simplicity (a minimum of 2 hyperparameters), speed and familiarity to data scientists. This enables data scientists working on spatial data to employ workflows familiar to their training, to tackle problems that were previously solely in the domain of geoscience. In exchange, we expect that our method will be a gateway to attract more data scientist to become geodata scientists, benefitting the modern data-driven mineral value chain.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».