Aeromagnetic gradiometry with UAV, a case study on small iron ore deposit
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs), commonly known as drones, offer several advantages over traditional piloted aircraft. They are characterized by enhanced safety, cost-effectiveness, and the ability to operate in closer proximity to targeted sources. Consequently, magnetic sensors have been adapted or specifically designed for integration onto UAV platforms. However, existing sensors are burdened by issues such as weight, cost, and high power consumption. These challenges are particularly pronounced when employing aeromagnetic gradiometry, which necessitates simultaneous measurements from at least two sensors. In response to these limitations, we propose the implementation of a cost-effective, lightweight, and low-power magneto-inductive sensor with satisfactory resolution aboard a UAV. To evaluate its efficacy, a survey was conducted over a small iron ore deposit in Western Iran. To validate our approach, we compare the results with those obtained using only one sensor on the drone. This comparative analysis reveals that employing a gradiometry array leads to a pronounced steepening of magnetic anomaly margins. Specifically, the gradient of magnetic measurements on four selected profiles increases to 3.8, 4.6, 9.3, and 10 nT/m when utilizing the proposed magneto-inductive sensor, in contrast to the conventional method of gradient determination through mathematical derivatives in the z-direction. This research contributes to the advancement of efficient and economical methods for mineral exploration using UAV-based magnetic surveying techniques.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».