Remote Sensing‐based Machine Learning Techniques for Mapping Gold‐Mineralized Alteration Zones in the Fatira Mine Area, Egypt
Notice bibliographique
Résumé
Abstract In the Fatira (Abu Zawal) mine area, located in the northern Eastern Desert of Egypt, fieldwork and mineralogical analysis, integrated with machine learning techniques applied to Landsat‐8 OLI, ASTER, and Sentinel‐2 multi‐spectral imagery (MSI) data delineate gold‐sulfide mineralization in altered rocks. Gold (Au) anomalies in hydrothermal breccias and quartz veins are associated with NE‐oriented felsite dykes and silicified granitic rocks. Two main alteration types are identified: a pyrite‐sericite‐quartz and a sulfide‐chlorite‐carbonate assemblage, locally with dispersed free‐milling Au specks. Dimensionality reduction techniques, including principal component analysis (PCA) and independent component analysis (ICA), enabled mapping of alteration types. Sentinel‐2 PC125 composite images offered efficient lithological differentiation, while supervised classifications, i.e., the support vector machine (SVM) of Landsat‐8 yielded an accuracy of 88.55% and a Kappa value of 0.86. ASTER mineral indices contributed to map hydrothermal alteration mineral phases, including sericite, muscovite, kaolinite, and iron oxides. Results indicate that post‐magmatic epigenetic hydrothermal activity significantly contributed to the Au‐sulfide mineralization in the Fatira area, distinguishing it from the more prevalent orogenic gold deposits in the region.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 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) | 0,001 | 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 ».