Introduction to this special section: Geophysics for mineral exploration
Notice bibliographique
Résumé
Mineral exploration, the forefront phase of the mineral supply chain, aims to discover and define economically viable mineral deposits. High global demand for mineral resources, driven by modern industry development and the energy transition, has led to a significant increase in applying and developing geophysical technologies to evaluate new and existing mineral resources. Seismic, gravity, magnetic, electromagnetic (EM), electrical, magnetotelluric, induced polarization, self-potential, radiometric, and ground-penetrating radar are commonly used geophysical technologies. They are implemented through spaceborne, airborne, UAV-borne, ground-based, marine-based, and underwater platforms. Different from petroleum exploration, geologic and geophysical information about the earth’s surface is particularly important in mineral exploration. Remote sensing provides this information by measuring the reflected, scattered, or emitted EM radiation or acoustic signals from the surface. Integration of remote sensing (which studies the earth’s surface) and geophysics (which studies the earth’s subsurface) improves data quality and completeness (Li et al., 2019). On other fronts, new geophysical technologies improve regional mapping and prospect evaluation; multiphysics overcomes the shortcomings of technologies; multidisciplinary integration results in a more accurate and comprehensive understanding of mineral deposits; and the use of modern technologies like artificial intelligence (AI), big data, automation, and advanced sensors leads to more efficient mineral exploration.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».