Prediction and Assessment for Metals and Petroleum, Pergamon Press, Oxford. Statistical Pattern Integration for Mineral Exploration*
Notice bibliographique
Résumé
The method of statistical pattern integration used in this paper consists of reducing each set of mineral deposit indicator features on a map to a pattern of relatively few discrete states. In its simplest form the pattern for a feature is binary representing its presence or absence within a small unit cell; for example, with area of 1 km 2 on a 1:250,000 map. The feature of interest need not occur within the unit cell; its "presence " may indicate that the unit cell occurs within a given distance from a linear or curvilinear feature on a geoscience map. By using Bayes ’ rule, two probabilities can be computed that the unit cell contains a deposit. The log odds of the unit cell's posterior probability is obtained by adding weights W + or W- for presence or absence of the feature to the log odds of the prior probability. If a binary pattern is positively correlated with deposits, W+ is positive and the contrast C=W +-W- provides a measure of the strength of this correlation. Weights for patterns with more than two states also can be computed and special consideration can be given to unknown data. Addition of weights from several patterns results in an integrated pattern of posterior probabilities. This final map subdivides the study region into areas of unit cells with different probabilities of containing a mineral deposit. In this paper, statistical pattern integration is applied to occurrence of gold mineralization in Meguma Terrane, eastern mainland Nova Scotia, Canada.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,109 | 0,043 |
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 ».