MétaCan
Menu
Retour à la cohorte
Enregistrement W4409500521 · doi:10.1016/j.frl.2025.107433

Forecasting lithium mine output using satellite data

2025· article· en· W4409500521 sur OpenAlexaff
Lars Hornuf, Johannes Klerner, Daniel Vrankar

Notice bibliographique

RevueFinance research letters · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésLithium (medication)SatelliteEnvironmental scienceEconometricsComputer scienceEconomicsEngineeringPsychologyAerospace engineering

Résumé

récupéré en direct d'OpenAlex

• We examine data from remote sensing satellites to predict lithium mine output. • Strong evidence of an immediate effect of nighttime lights on lithium output. • Nighttime lights Granger-cause lithium production volumes. • Mine size data is less sensitive to immediate changes in production. This article examines whether data from remote sensing satellites can be used to predict lithium mine output. We use pixel classification of land cover to measure long-term mine expansion and nightly light emissions to measure short-term operational activities. We find a strong correlation between satellite data in one period and individual lithium mine production volumes in the following period. Our rapid and cost-effective method of forecasting lithium mine production can help decision-makers in companies that rely on lithium, and policymakers seeking to ensure adequate lithium supplies in their countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,569
Score d'incertitude au seuil0,507

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0030,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,211
Tête enseignante GPT0,362
Écart entre enseignants0,151 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFinance research lettersMême sujetGeochemistry and Geologic MappingTravaux en français237 207