Machine Learning Classification of Fertile and Barren Adakites for Refining Mineral Prospectivity Mapping: Geochemical Insights from the Northern Appalachians, New Brunswick, Canada
Notice bibliographique
Résumé
This study applies machine learning (ML) techniques to classify fertile [for porphyry Cu and (or) Au systems] and barren adakites using geochemical data from New Brunswick, Canada. It emphasizes that not all intrusive units, including adakites, are inherently fertile and should not be directly used as the heat source evidence layer in mineral prospectivity mapping without prior analysis. Adakites play a crucial role in mineral exploration by helping distinguish between fertile and barren intrusive units, which significantly influence ore-forming processes. A dataset of 99 fertile and 66 barren adakites was analyzed using seven ML models: support vector machine (SVM), neural network, random forest (RF), decision tree, AdaBoost, gradient boosting, and logistic regression. These models were applied to classify 829 adakite samples from around the world into fertile and barren categories, with performance evaluated using area under the curve (AUC), classification accuracy, F1 score, precision, recall, and Matthews correlation coefficient (MCC). SVM achieved the highest performance (AUC = 0.91), followed by gradient boosting (0.90) and RF (0.89). For model validation, 160 globally recognized fertile adakites were selected from the dataset based on well-documented fertility characteristics. Among the tested models, SVM demonstrated the highest classification accuracy (93.75%), underscoring its effectiveness in distinguishing fertile from barren adakites for mineral prospectivity mapping. Statistical analysis and feature selection identified middle rare earth elements (REEs), including Gd and Dy, with Hf, as key indicators of fertility. A comprehensive analysis of 1596 scatter plots, generated from 57 geochemical variables, was conducted using linear discriminant analysis (LDA) to determine the most effective variable pairs for distinguishing fertile and barren adakites. The most informative scatter plots featured element vs. element combinations (e.g., Ga vs. Dy, Ga vs. Gd, and Pr vs. Gd), followed by element vs. major oxide (e.g., Fe2O3T vs. Gd and Al2O3 vs. Hf) and ratio vs. element (e.g., La/Sm vs. Gd, Rb/Sr vs. Hf) plots, whereas major oxide vs. major oxide, ratio vs. ratio, and major oxide vs. ratio plots had limited discriminatory power.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».