A balanced mineral prospectivity model of Canadian magmatic Ni (± Cu ± Co ± PGE) sulphide mineral systems using conditional variational autoencoders
Notice bibliographique
Résumé
With the increasing demand for raw materials, innovative exploration techniques are needed to discover large mineral deposits that are accessible from the surface. In recent years, various supervised machine learning techniques have proven effective for mineral prospectivity modelling (MPM). However, the successful application of these techniques has been limited due to the scarcity of known mineral deposits compared to barren regions, which leads to a model imbalance favouring the latter. We address the data imbalance challenge in MPM by proposing a novel generative modelling approach using a conditional variational autoencoder (CVAE). We compare the proposed method with two other data balancing techniques, namely the synthetic minority oversampling technique and class weighting. Furthermore, the efficacy of the balancing strategies is evaluated for three MPM classification methods, including extreme gradient boosting machines (XGBM), random forests, and multilayer perceptrons . We implement and test the approaches by modelling the prospectivity of magmatic Ni (±Cu ±Co ±Platinum group elements) sulphide mineral systems for the Canadian landmass. With an area under the success rate curve of 0.95 for a spatially distinct testing data set, we observe that a combination of the proposed CVAE framework with the XGBM classification model surpasses the other methods. Furthermore, the geographical representation of our XGBM-CVAE model demonstrates a strong association with known Ni mineral occurrences in Canada, along with new prospective regions in underexplored areas.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 tête enseignante, 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 ».