Predictive Modeling of Canadian Carbonatite-Hosted REE +/− Nb Deposits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Carbonatites are the primary geological sources for rare earth elements (REEs) and niobium (Nb). This study applies machine learning techniques to generate national-scale prospectivity models and support mineral exploration targeting of Canadian carbonatite-hosted REE +/− Nb deposits. Extreme target feature label imbalance, diverse geological settings hosting these deposits throughout Canada, selecting negative labels, and issues regarding the interpretability of some machine learning models are major challenges impeding data-driven prospectivity modeling of carbonatite-hosted REE +/− Nb deposits. A multi-stage framework, exploiting global hierarchical tessellation model systems, data-space similarity measures, ensemble modeling, and Shapley additive explanations was coupled with convolutional neural networks (CNN) and random forest to meet the objectives of this work. A risk – return analysis was further implemented to assist with model interpretation and visualization. Multiple models were compared in terms of their predictive ability and their capability of reducing the search space for mineral exploration. The best-performing model, derived using a CNN that incorporates public geoscience datasets, exhibits an area under the curve for receiver operating characteristics plot of 0.96 for the testing labels, reducing the search area by 80%, while predicting all known carbonatite-hosted REE +/− Nb occurrences. The framework used in our study allows for an explicit definition of input vectors and provides a clear interpretation of outcomes generated by prospectivity models.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle