Mapping of glacial erratic boulders for mineral exploration: A review with LiDAR-based examples from modern and ancient glaciated terrains
Notice bibliographique
Résumé
Mineral exploration in glaciated terrains is dependent on a thorough understanding of the history and mode of flow of Pleistocene mid-latitude ice sheets to successfully identify potential mineralized targets in bedrock partially or completely covered by glacial sediments. Mapping of glaciated terrains and exploration using boulder trains and mineralized dispersal trains on the glaciated crystalline shields of Canada and Fennoscandia is challenged by vegetative covers and remote sensing data of inadequate resolution. Two methodological approaches for processing and visualizing drone mapped high-resolution LiDAR data, are described herein and used to identify and map erratic boulders at 1) a modern glacier foreland (Saskatchewan Glacier) in Alberta, where an extensive boulder-strewn and partially drumlinized till surface free of vegetative cover, is being exposed by ice retreat since 1854; and 2) at an area of known lithium and tin mineralisation obscured by thick forest cover in Nova Scotia, which has been affected by several Pleistocene glaciations, most recently by the Appalachian Glacier Complex some 20,000 years ago. The first methodological approach (Strip Alignment) is used to correct offsets formed between adjacent drone flight paths to enhance data coverage and resolution. The second (Semi-Automated Tree Point Classification) is used to eliminate vegetative covers from LiDAR point clouds. In combination with statistical analysis (Point Density), these methods permit successful mapping of erratic boulders and their spatial density. This approach can now be scaled up for regional mineral exploration projects and for geomorphic mapping of modern and ancient glaciated terrains to determine former ice flow trajectories and landform evolution.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».