High resolution conductivity mapping using regional AEM survey and machine learning.
Notice bibliographique
Résumé
The AEM method measures regolith and rocks' bulk subsurface electrical conductivity, typically to a depth of several hundred meters. AEM survey data is widely used in Australia for mineral exploration (i.e. mapping undercover and detection of mineralisation), groundwater assessment (i.e. hydro-stratigraphy and water quality) and natural resource management (i.e. salinity assessment). Geoscience Australia (GA) has flown Large regional AEM surveys over Northern Australia, including Queensland, Northern Territory and Western Australia. The surveys were flown nominally at 20-kilometre line spacing, using the airborne electromagnetic systems that have signed technical deeds of staging with GA to ensure they can be modelled quantitatively. Geoscience Australia commissioned the survey as part of the Exploring for the Future (EFTF) program. The EFTF program is led by Geoscience Australia (GA), in collaboration with the Geological Surveys of the Northern Territory, Queensland, South Australia and Western Australia, and is investigating the potential mineral, energy and groundwater resources in northern Australia and South Australia. We have used a machine learning modelling approach that establishes predictive relationships between the inverted flight-line modelled conductivity with a suite of national environmental and geological covariates. These covariates include terrain derivatives, gamma-ray radiometric, geological maps, climate derived surfaces and satellite imagery. Conductivity-depth values were derived from a single model using GA's deterministic 1D smooth-30-layer layered-earth-inversion algorithm. (Brodie and Richardson 2015). Three conductivity depth interval predictions are generated to interpolate the actual modelled conductivity data, which is 20km apart. These depth slices include a 0-50cm, 9-11m and 22-27m depth prediction. Each depth interval was modelled and individually optimised using the gradient boosted tree algorithm. The training cross-validation step used label clusters or groups to minimise over-fitting. Many hundreds of conductivity models are generated (i.e. ensemble modelling). Here we use the median of the models as the conductivity prediction and the upper and lower percentiles (95th and 5th) to measure model uncertainty. Grids show conductivity (S/m) in log 10 units. Reported out-of-sample r-squares for each interval in order of increasing depth are 0.74, 0.64, and 0.67. A decline in model performance with increasing depth was expected due to the decrease in suitable covariates at greater depths. Modelled conductivities seem to be consistent with the geological, regolith, geomorphological, and climate processes in the study area. The conductivity grids are at the resolution of the covariates, which have a nominal pixel size of 85 meters. Datasets in this data package include; 1. 0-50cm depth interval 0_50cm_median.tif; 0_50_upper.tif; 0_50_lower.tif 2. 9-11m depth interval 9_11m_median.tif; 9_11m_upper.tif; 9_11m_lower.tif 3. 22-27m depth interval 22_27_median.tif; 22_27_upper.tif; 22_27_lower.tif 4. Covariate shift; Cov_shift.tif (higher values = great shift in covariates) Reference: Ross C Brodie & Murray Richardson (2015) Open Source Software for 1D Airborne Electromagnetic Inversion, ASEG Extended Abstracts, 2015:1, 1-3, DOI: 10.1071/ ASEG2015ab197
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 0,002 |
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 ».