Machine Learning-Based Lithological Mapping from ASTER Remote-Sensing Imagery
Notice bibliographique
Résumé
Accurately mapping lithological features is essential for geological surveys and the exploration of mineral resources. Remote-sensing images have been widely used to extract information about mineralized alteration zones due to their cost-effectiveness and potential for being widely applied. Automated methods, such as machine-learning algorithms, for lithological mapping using satellite imagery have also received attention. This study aims to map lithologies and minerals indirectly through machine-learning algorithms using advanced spaceborne thermal emission and reflection radiometer (ASTER) remote-sensing data. The capabilities of several machine-learning (ML) algorithms were evaluated for lithological mapping, including random forest (RF), support vector machine (SVM), gradient boosting (GB), extreme gradient boosting (XGB), and a deep-learning artificial neural network (ANN). These methods were applied to ASTER imagery of the Sar-Cheshmeh copper mining region of Kerman Province, in southern Iran. First, several spectral features that were extracted from ASTER bands were used as input data. Second, correlation coefficients between the original spectral bands and features were extracted. The importance of the random forest features (RF’s feature importance) was subsequently computed, and features with less importance were removed. Finally, the remained features were given to the models as input data in the second scenario. Accuracy assessments were performed for lithological classes in the study region, including Sar-Cheshmeh porphyry, quartz eye, late fine porphyry, hornblende dike, granodiorite, feldspar dike, biotite dike, andesite, and alluvium. The overall accuracy results of lithological mapping showed that ML-based algorithms without feature extraction have the highest accuracy. The overall accuracy percentages for ML-based algorithms without conducting feature extraction were 84%, 85%, 80%, 82%, and 80% for RF, SVM, GB, XGB, and ANN, respectively. The results of this study would be of great interest to geologists for lithological mapping and mineral exploration, particularly for selecting appropriate ML-based techniques to be implemented in similar regions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».