Comparative machine learning analysis for gold mineral prediction using random forest and XGBoost: A data-driven study of the Greater Bendigo Region, Victoria
Notice bibliographique
Résumé
Gold mineral exploration remains critical to supporting global industries, yet traditional methods relying on manual interpretation of geophysical data are increasingly inefficient and prone to error, particularly when targeting undercover deposits. In Australia, most exploration research has focused on Western Australia, while the Greater Bendigo region in Victoria remains underexplored using modern data-driven approaches, despite its rich mining history and availability of high-resolution geophysical datasets. This study aims to demonstrate that a geospatial analysis methodology based on a machine learning approach enables high-accuracy prediction of gold mineral deposits in Bendigo. The methodology integrates geophysical data, including gravity, total magnetic intensity, and radiometric surveys, combined with geospatial preprocessing, scalable multi-resolution modelling, spatial labelling, and ensemble machine learning techniques, using Random Forest as the primary algorithm and XGBoost as a comparative model. Model performance was assessed using accuracy scores, ROC-AUC metrics, and spatial validation methods, including checkerboard and cluster-based cross-validation, across different spatial scales. Results showed that gravity and magnetic features were the strongest predictors, while radiometric features provided supporting information. Coarser spatial resolutions produced more stable predictions, reflecting regional geological patterns. The study presents a reproducible and adaptable machine learning methodology that addresses key exploration challenges and advances mineral prospectivity analysis using open-access geophysical data. • Machine learning applied to predict gold mineralisation in Greater Bendigo, Victoria. • Integrated gravity, magnetic, and radiometric data with geospatial preprocessing. • Random Forest used as the primary model with XGBoost for comparative analysis. • Model performance evaluated using ROC-AUC through checkerboard and cluster-based validation. • Established a reproducible workflow for spatially informed mineral prospectivity mapping.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».