mineral exploration machine learning

exploración-mineral-aprendizaje-automático

Esta página enumera recursos para la exploración minera y el aprendizaje automático, generalmente con códigos y ejemplos útiles. El aprendizaje automático y la ciencia de datos son un campo enorme, estos son recursos que he encontrado útiles y/o interesantes en la práctica. Los enlaces actualmente a una bifurcación de un repositorio se deben a que cambié algo para usar y lo puse en una lista como referencia. También se brindan recursos para el análisis, la transformación y la visualización de datos, ya que esa es la mayor parte del trabajo.

Se aceptan sugerencias: abra una discusión, un problema o una solicitud de extracción.

Tabla de contenido

• Prospectividad
• Geología
• Procesamiento del lenguaje natural
• Teledetección
• Calidad de datos
• Comunidad
• Proveedores de nube
• Dominios
• Descripción general
• Servicios web
• Portales de datos
• Herramientas
• Ontologías
• Libros
• Conjuntos de datos
• Papeles
• Otro
• Interés general

Mapa

• Mapa de Github

Marcos

• Marco UNCOVER-ML
  • Geo-Ondas
  • Preprocesamiento de ML
  • Flujo de trabajo de aprendizaje automático de SIG
• EIS Toolkit -> Biblioteca Python para mapeo de prospectividad mineral del proyecto EIS Horizon EU
• PySpatialML -> Biblioteca que facilita la predicción y el manejo para el aprendizaje automático rasterizado de forma automática para geotiff, etc.
• mapa-scikit
• TorchGeo -> Biblioteca Pytorch para modelos de estilo de detección remota
• terratorch -> Marco de ajuste flexible para modelos de cimentación geoespacial
• AntorchaEspacial
  • papel
• geodl
• Geo Deep Learning -> Marco de aprendizaje profundo simple basado en RGB
• AIDE: Inteligencia artificial para desenredar los extremos
• ExPloRA -> ExPLoRA: Preentrenamiento extendido eficiente en parámetros para adaptar transformadores de visión bajo cambios de dominio
  • Sitio web
  • papel
• (https://www.researchgate.net/profile/Miguel-Angel-Fernandez-Torres/publication/381917888_The_AIDE_Toolbox_Artificial_intelligence_for_d isentangling_extreme_events/links/66846648714e0b03153f38ae/The-AIDE-Toolbox-Artificial-intelligence-for-disentangling-extreme-events.pdf)

R

• CAST -> Aplicaciones Caret para modelos espacio-temporales
• geodl -> segmentación semántica de datos geoespaciales mediante aprendizaje profundo basado en redes neuronales convolucionales
  • papel

Tuberías

• geotargts -> Extensión de objetivos a terra y estrellas

Prospectividad

Australia

• Mapas de potencial de minerales de cobre y oro de óxido de hierro
• Aprendizaje automático para mapeo geológico: algoritmos y aplicaciones -> Tesis doctoral con código y datos
• Mapeo de prospectividad de lateritas de Ni-Co
• Tutorial de Transform 2022 -> Ejemplo de bosque aleatorio
  • Video
• Estaño-Tungsteno
  • Colaboración
• Exploración espacio-temporal de pórfidos de cobre
  • papel
• minpot-toolkit -> Ejemplo de análisis de límites de laboratorio de Hoggard et al con cobre sedimentario
• MPM-WofE -> Mapeo del potencial mineral: ponderación de la evidencia

Desafío Explorador

• Explorer Challenge -> OZ Minerals organiza una competencia con introducción a la ciencia de datos

Australia del Sur

• Gawler_MPM -> Cobalto, Cromo, Níquel
  • Papel
• Agrupación de datos geofísicos en el cratón Gawler
  • [Datos Zenodo] (Detección automatizada de estructuras de cratones relacionadas con la mineralización utilizando datos geofísicos y aprendizaje automático no supervisado)

Explore SA - Competencia del Departamento de Energía y Minería de Australia del Sur

• Ganadores -> Información de datos del SARIG
• Caldera -> Análisis de Caldera Analytics
• IncertoData
• Butterworth y Barnett -> Entrada de Butterworth y Barnett
• Mapeo de mineralización basado en datos

América del norte

Canadá

• Transferir Prospectividad Aprendizaje
  • artículo -> Mapeo de prospectividad de minerales de tipo pórfido con datos desequilibrados mediante aprendizaje previo por transferencia geológica

Sudamerica

• Aprendizaje automático para clasificar depósitos minerales a partir de propiedades tectonomagmáticas

Brasil

• Mapa Preditivo -> Proyecto estudiantil de Brasil
• Course_Predictive_Mapping_USP -> Proyecto del curso
• Mapeo de Prospectividad Mineral
• Pesos de evidencia 3D
• Complejidad Geológica SMOTE -> incluye análisis fractal
  • papel
• MPM Jurena -> Provincia Mineral de Jurena

Porcelana

• MPM por aprendizaje conjunto -> Distrito polimetálico Qingchengzi Pb-Zn-Ag-Au China
• Predicción de prospectividad mineral Redes neuronales convolucionales -> Ejemplo de CNN con algunas arquitecturas [un artículo de este autor utiliza GoogleNet]
• Predicción de Prospectividad Mineral por CSAE
• Predicción de Prospectividad Mineral por CAE
  • papel

Sudán

• Mapeo de Prospectividad Mineral ML

Noruega

• Un enfoque basado en el aprendizaje automático para el mapeo a escala regional de arcilla glaciomarina sensible que combina electromagnetismo aéreo y datos geotécnicos
  • papel

Geología

• Mapas Geológicos Predictivos de Brasil -> Trabajo del Servicio Geológico de Brasil
• profundidad al lecho de roca (Evaluación de enfoques de aprendizaje automático habilitados espacialmente para el mapeo de profundidad al lecho de roca)
  • papel
• DL-RMD -> Una base de datos de modelos de resistividad electromagnética geofísicamente restringida para aplicaciones de aprendizaje profundo
• Clasificador de imágenes geológicas
• Mapeo geológico en la era de la inteligencia artificial -> Mapeo geológico en la era de la inteligencia artificial
• GeolNR -> Representación neuronal implícita geológica para aplicaciones de modelado geológico estructural tridimensional
  • papel
• mapeamento_litologico_preditivo
• Mapeo de las condiciones de presión y temperatura del manto litosférico global mediante termobarometría de aprendizaje automático
  • papel
• Escritura de rocas neuronales
• Incertidumbre geológica de West Musgraves -> Predicción de mapas de incertidumbre con análisis de entropía: muy útil
• Transformador de mitigación no estacionaria
  • Colaboración -> Cuaderno
    • papel
• Lecho rocoso versus sedimento
  • papel
• autoencoders_remotesensing
  • artículo -> Marco de teledetección para mapeo geológico mediante codificadores automáticos apilados y agrupación

Datos de entrenamiento

• Into the Noddyverse -> un almacén de datos masivo de modelos geológicos 3D para aplicaciones de inversión y aprendizaje automático
  • repositorio zenondo
  • sitio web

litología

• Litología de aprendizaje profundo
• Predictor de protolitos de roca
• Predicciones de litología y geología de SA
• Correlación automatizada de registros de pozos
• dawson-facies-2022 -> Transferir aprendizaje para imágenes geológicas
  • artículo - > Impacto del tamaño del conjunto de datos y la arquitectura de la red neuronal convolucional en el aprendizaje por transferencia para la clasificación de rocas carbonatadas
• Lito-Clasificación -> Clasificación de facies volcánicas usando Random Forest
• Enfoque de aprendizaje automático de conjuntos de vistas múltiples para modelado 3D utilizando datos geológicos y geofísicos
  • papel
• Sednet
  • papel

Perforación

• Perforación heterogénea: informe del proyecto Nicta/Data61 para analizar el modelado utilizando perforaciones que no llegan lo suficientemente lejos
• corel -> modelo de visión por computadora inteligente que identifica facies y realiza tipificación de rocas en imágenes centrales

Paleovalles

• Sub3DNet1.0: un modelo de aprendizaje profundo para el mapeo de estructuras del subsuelo en 3D a escala regional

Estratigrafía

• Predicatops -> Predicación estratigráfica diseñada para hidrocarburos
• geometrías-estratales -> Predicción de geometrías estratigráficas a partir de registros de pozos subterráneos

Estructural

• APGS -> Paquete de geología estructural
• Evaluación de modelos de reconstrucción de placas mediante pruebas de consistencia de la fuerza impulsora de placas -> Cuaderno y datos de Jupyter
  • papel
• gplately
• [libro de cocina de geología estructural] (https://github.com/gcmatos/structural-geology-cookbook]
• GEOMAPLEARN 1.0 -> Detección de estructuras geológicas a partir de mapas geológicos con aprendizaje automático
• Aprendizaje lineal -> Predicción y mapeo de fallas a través de agrupamiento y aprendizaje profundo de campos potenciales
• LitMod3D -> Modelado interactivo geofísico-petrológico integrado en 3D de la litosfera y el manto superior subyacente
• otros

Simulación

• GebPy -> generación de datos geológicos de rocas y minerales
• OpenGeoSys -> desarrollo de métodos numéricos para la simulación de procesos termo-hidro-mecánicos-químicos (THMC) en medios porosos y fracturados
• Stratigraphics.jl -> Creación de estratigrafía 3D a partir de procesos geoestadísticos 2D

Geodinámica

• Badlands -> Dinámicas de Cuenca y Paisaje
• CitcomS -> código de elementos finitos diseñado para resolver problemas de convección termoquímica compresible relevantes para el manto terrestre.
• LaMEM -> simula varios procesos geodinámicos termomecánicos, como la interacción manto-litosfera
• PTatin3D -> estudiar procesos a larga escala de tiempo relevantes para la geodinámica [motivación original: kit de herramientas capaz de estudiar modelos tridimensionales de alta resolución de deformación litosférica]
• inframundo -> Modelado de elementos finitos de la geodinámica

Geofísica

Modelos de cimentación

• Adaptación del modelo básico entre dominios: modelos pioneros de visión por computadora para el análisis de datos geofísicos -> parte del código por venir
  • papel
• Modelo de base sísmica -> "un modelo de aprendizaje profundo de nueva generación en geofísica"

Australia

Profundidad del regolito

• Profundidad del Regolito -> Modelo
• Cuadrícula radiométrica completa de Australia con relleno modelado

Interpolación AEM

• Mapeo de conductividad de alta resolución mediante encuesta AEM regional
  • Abstracto

electromagnetismo

• TEM-NLnet: una red de eliminación de ruido profunda para señales electromagnéticas transitorias con aprendizaje de ruido

inversión

• Aprendizaje automático e inversión geofísica -> artículo de reconstrucción de Y. Kim y N. Nakata (The Leading Edge, volumen 37, número 12, diciembre de 2018)

deconvolución de Euler

• https://legacy.fatiando.org/gallery/gravmag/euler_moving_window.html
  • ¿Versión armónica finalmente? https://hackmd.io/@fatiando/development-calls-2024?utm_source=preview-mode&utm_medium=rec
• https://notebook.community/joferkington/tutorials/1404_Euler_deconvolution/euler-deconvolution-examples
• https://github.com/ffigura/Euler-deconvolution-plateau

Gravedad

• [Recuperación del relieve del sótano en 3D utilizando datos de gravedad a través de redes neuronales convolucionales]
  • Datos
  • papel
• Continuación estable hacia abajo del campo potencial de gravedad implementada mediante aprendizaje profundo
  • papel
• Imágenes rápidas de estructuras de densidad 3D mediante un enfoque de aprendizaje automático
  • papel

magnéticos

• Mapa aeromagnético de alta resolución mediante Adapted-SRGAN
  • papel
• MagImage2Geo3D
  • papel

Sísmico

• StorSeismic -> Un enfoque para entrenar previamente una red neuronal para almacenar características de datos sísmicos
• PINNtomo -> Tomografía sísmica utilizando redes neuronales basadas en la física
  • papel

Sismología

• obspy -> marco para el procesamiento sismológico

petrofísica

• ML4Rocks -> Algunos trabajos de introducción

Tectónica

• Discernir el desprendimiento de la losa en subducción en una antigua zona de subducción mediante aprendizaje automático -> Cuaderno
  • higuera
• Cuaderno de Colab -> Archivo de entrada de Google Colab para resultados comparativos de la publicación ML-SEISMIC
  • papel
• Liberando el poder del aprendizaje automático en geodinámica
  • Tesis de Honores relacionadas
• Redes neuronales de Physics-Infomred para simulación de deslizamiento de fallas con ley de fricción de velocidad y estado
  • Simulación y estimación de parámetros friccionales en eventos de deslizamiento lento.
  • artículo -> Aprendizaje profundo basado en la física para estimar la distribución espacial de parámetros de fricción en regiones de deslizamiento lento

Geoquímica

• CODAinPractice -> Análisis de datos composicionales en la práctica
• GeoCoDa
• DAN-GRF -> Red de codificador automático profundo conectada a un bosque aleatorio geográfico para la detección de anomalías geoquímicas espacialmente conscientes
  • papel
• Dash Geochemical Prospection -> Aplicación web que clasifica los sedimentos de los arroyos con K-means
• Mejora de la termobarometría del aprendizaje automático para magmas que contienen clinopiroxeno
  • artículo -> Mejora-de-la-termobarometría-ML-para-magmas-que-portan-clinopiroxeno
• Modelos de fertilidad del circón -> Árboles de decisión para predecir el circón fértil a partir de depósitos de pórfido de cobre
  • papel
• Herramienta de aprendizaje automático de elementos traza de circonio para predecir el tipo de depósito de pórfido y el tamaño del recurso
  • archivo zenodo
  • papel
• geology_class0 -> Un enfoque de aprendizaje automático para la discriminación de rocas ígneas y depósitos minerales mediante oligoelementos de circón
  • papel
  • Aplicación de demostración
  • https://colab.research.google.com/drive/1-bOZgG6Nxt2Rp1ueO1SYmzIqCRiyyYcT
• GeochemImprimir
  • papel
• Geoquímica global
• ICBMS Jacobina -> Análisis de la química de la pirita de un depósito de oro
• Interpretación de la química de oligoelementos de circones de Bor y Cukaru Peki: enfoque convencional y clasificación forestal aleatoria
• Indicator_minerals -> ¿Puede el PCA contar la historia del origen de la turmalina?
• Revista de exploración geoquímica - Colector
• LewisML -> Análisis de la Formación Lewis
• MICA -> Composición química, en Brillante
• Análisis estadístico multivariado y modelado de redes de desviación a medida para la detección de anomalías geoquímicas de elementos de tierras raras.
  • papel
• Mapeo de prospectividad de elementos de tierras raras mediante análisis de datos geoquímicos -> Mapeo de prospectividad de elementos de tierras raras mediante análisis de datos geoquímicos
• QMineral Modeller -> Asistente virtual de Química Mineral del Servicio Geológico de Brasil
• Cambios seculares en la ocurrencia de la subducción durante el Arcaico -> Archivo del código Zenodo
  • [artículo] https://www.researchgate.net/publication/380289934_Secular_Changes_in_the_Occurrence_of_Subduction_During_the_Archean Un enfoque de aprendizaje automático para la discriminación de rocas ígneas y depósitos de minerales mediante oligoelementos de circón

kriging

• DKNN: red neuronal de kriging profundo para interpolación geoespacial interpretable
  • papel

Procesamiento del lenguaje natural

• Extracción de texto -> Extracción de texto de documentos: ML pago como servicio, pero funciona muy bien, puede extraer tablas de manera eficiente
  • Gran escala -> Versión a gran escala
• Etiquetado de conceptos de la NASA -> Predicción de palabras clave
  • API -> servicio web API
  • Presentación
• Extractor de datos de informes petrográficos
• Modelado de temas de exploración de SA -> Modelado de temas a partir de informes de exploración
• estratigrafo
• Geocorpus
• BERT portugués
• BERT CWS
  • papel
• Extracción automatizada de resultados de perforaciones de empresas mineras
  • Documento de conferencia

Incrustaciones de palabras

• Modelos de lenguaje de geociencia -> procesamiento de canales y modelos de código [Glove, BERT) reentrenado en documentos de geociencia de Canadá
  • Conjuntos de datos -> Datos para respaldar modelos
  • paper -> Modelos de lenguaje de geociencias y su evaluación intrínseca
  • artículo -> Aplicaciones del procesamiento del lenguaje natural a los datos de texto de geociencia y al modelado de prospectividad
• GeoVec -> Modelo de incrustación de Word entrenado en artículos de geociencia de 300.000
  • Modelo GeoVec -> Almacenamiento OSF para el modelo GeoVec
  • papel
  • GeoVecto Litho -> Interpolación de modelos 3D a partir de incrustaciones de palabras
  • GeoVEC Playground -> Trabajar con el modelo de incrustaciones de palabras del guante Padarian GeoVec
• GloVe -> Biblioteca Standford para producir incrustaciones de palabras
  • gloVE python guante, guante-python muy problemático en Windows: aquí se instala la versión binaria para Windows:
• Mitones -> Implementación de guantes vectorizados en memoria
• PetroVec -> Incrustaciones de palabras portuguesas para la industria del petróleo y el gas: desarrollo y evaluación
• wordembeddingsOG -> Incrustaciones de palabras en portugués sobre petróleo y gas
• Incrustaciones de palabras en portugués
  • modelos portugueses
• Incrustaciones de palabras en español
• Alineación multilingüe
  • Resumen de enfoques

Reconocimiento de entidad nombrada

• Modelo Geo NER -> Reconocimiento de entidades nombradas
• GeoBERT: repositorio de cara abrazada para modelo en
  • [artículo] https://www.researchgate.net/publication/359186219_Few-shot_learning_for_name_entity_recognition_in_geological_text_based_on_GeoBERT
• INDUS -> Suite LLM adaptada a la ciencia de la NASA
  • papel
• Cómo encontrar términos clave de geociencia en texto sin dominar la PNL usando Amazon Comprehend
• OzRock - OzRock: un conjunto de datos etiquetados para el reconocimiento de entidades en el dominio geológico (exploración mineral)

Ontología

• GAKG -> Un gráfico de conocimiento académico de geociencias multimodal (chino)
• GeoERE-Net -> Comprensión de informes geológicos basados ​​en gráficos de conocimiento utilizando un enfoque de aprendizaje profundo
  • papel
• Ontología GeoFault
• geosim -> Simulación cualitativa activada semánticamente de un proceso geológico
  • [https://www.duo.uio.no/handle/10852/111467](Modelado de conocimientos para geología digital) -> Tesis doctoral con dos artículos
  • SIRIUS GeoAnnotator -> Ejemplo de sitio web desde arriba
• Ontología CWS
• Gráfico de conocimiento estratigráfico (StraKG)
  • papel

Modelos de lenguaje grandes

• Modelo de lenguaje grande para geociencias
  • Documento de aprendizaje de modelos lingüísticos básicos para la comprensión y utilización del conocimiento en geociencias
• GeoGalactica -> Un modelo de lenguaje básico más amplio en geociencias
  • informe técnico
• GeoChat -> Modelo de lenguaje de visión amplia fundamentado para teledetección
• LAGDAL -> LLM Emparejamiento de información de mapas geológicos con experimentos de ubicación

Chatbots

• GeoGPT -> Proyecto Deep Time Digital Earth Research Group de China

Teledetección

• CNN Sentinel -> Descripción general sobre la clasificación del uso de la tierra a partir de datos satelitales con CNN basadas en un conjunto de datos abiertos
• Cuadernos DEA -> Ejemplo de aprendizaje automático escalable, pero aquí hay muchas cosas útiles
• Cuadernos de libros de cocina EASI -> Introducciones de la plataforma CSIRO Earth Analytics para análisis de estilo ODC
• DS_UNet -> Unet fusiona el radar de apertura sintética (SAR) Sentinel-1 y el generador de imágenes multiespectral Sentinel-2
• Codificador automático enmascarado de pretexto múltiple (MP-MAE)
• datos
• segmento-geoespacial -> Segmentar cualquier cosa para usos geoespaciales
• SamGIS -> Segmentar todo lo aplicado a SIG
• SatMAE++ -> Repensar el entrenamiento previo de transformadores para imágenes satelitales multiespectrales
• grid-mae -> Investigar utilizando cuadrículas multiescala en un codificador automático enmascarado de Vision Transformer
• escalamae
  • papel
• CIMAE -> CIMAE - Autocodificador enmascarado independiente del canal
• fork -> para darle el nombre como referencia
• [Aprendizaje de representación autosupervisado para teledetección] -> La tesis de maestría incluye lo anterior y comparaciones de varios modelos
• Granero U
  • papel
• redes terrestres
• GeoTorchAI -> GeoTorchAI: un marco de aprendizaje profundo espaciotemporal
• [pytorcheo](https://github.com/earthpulse/pytorchEO -> Aprendizaje profundo para aplicaciones e investigación de observación de la Tierra
• AiTLAS -> un conjunto de pruebas de código abierto para evaluar enfoques de aprendizaje profundo de última generación para la clasificación de imágenes en la observación de la Tierra
• Segmentation Gym -> Gym está diseñado para ser una "ventanilla única" para la segmentación de imágenes en "ND": cualquier número de bandas coincidentes en una imagen multiespectral.
• zonas_de_alteración_de_aprendizaje_profundo
• impresionante colección de proporciones de bandas mineras -> colección de usos simples de proporciones de bandas para resaltar varios minerales
• impresionantes modelos básicos de teledetección
• Clay -> Un modelo e interfaz de IA de código abierto para la Tierra
• IBM-NASA-GEOSPATIAL Prithvi
• Segmentación de imágenes por ajuste del modelo básico -> Para Prithvi
• AM-RADIO: Modelo de Fundación de Visión Aglomerativa
  • paper -> - Reducir todos los dominios en uno
• RemoteCLIP -> Un modelo básico de lenguaje de visión para la teledetección
• GPT espectral
• zenodo) -> modelo básico de teledetección personalizado para datos espectrales
  • papel -> Invisible

Tratamiento

• Conversión ASTER -> Conversión de ASTER hd5 a geotiff NASA github
• Recursos de datos HLS -> Disputas armonizadas de Landsat Sentinel
• sarsen -> procesamiento y corrección de imágenes SAR basado en xarray
• openEO -> openEO desarrolla una API abierta para conectar R, Python, JavaScript y otros clientes a los back-ends de la nube de EO

Desmezcla espectral

• Encuesta-de-clasificación-de-imagen-hiperespectral-convencional-a-transformador-2024
  • papel
• Revisión de aprendizaje profundo hiperespectral
• Autocodificadores hiperespectrales
• Aprende HSI en profundidad
• Clasificación-hiperespectral-3DCAE
• DEHIC
• Rev-Net
  • artículo -> Una red generativa reversible para la separación hiperespectral con variabilidad espectral
• Pysptools -> también tiene algoritmos heurísticos útiles
• Pitón espectral
• Conjunto de datos espectrales RockSL -> Abrir conjunto de datos espectrales
• desmezclar

hiperespectral

• CasFormer: transformadores en cascada para imágenes hiperespectrales computacionales con reconocimiento de fusión
• Normalización espectral para Keras
  • papel
• S^2HM^2 -> S2HM2: un marco de modelado enmascarado jerárquico espectral-espacial para el aprendizaje de características autosupervisado y la clasificación de imágenes hiperespectrales a gran escala
  • papel

Visualización

• Extracción profunda de mapas de colores de visualizaciones
  • papel
• Segmentación semántica para extraer perturbaciones históricas de la minería a cielo abierto a partir de mapas topográficos -> El ejemplo es para minas de carbón
  • papel
• Códigos de Colores Cronoestratigráficos Internacionales -> Códigos RGB y otros en hoja de cálculo y otros formatos
• LithClass -> Versión USGS de códigos de color de litología
• versión en color
• SeisWiz -> Visor SEG-Y ligero de Python

Textura

• Clasificación de textura mineral mediante redes neuronales convolucionales profundas: una aplicación a circones de depósitos de pórfido de cobre
  • papel

Simulación

• Intelligent Prospector -> Planificación secuencial de adquisición de datos
• Zenodo
  • papel

Geometría

• Ángulo profundo -> Cálculo rápido de ángulos de contacto en imágenes de tomografía mediante aprendizaje profundo

Otro

• Análisis de Redes de Sistemas Mineralógicos
  • Datos -> Datos del papel aquí
• Geoanálisis y aprendizaje automático
• Subsuelo de aprendizaje automático
• ML Geociencia
• Sea un detective de geociencias
• Earth ML -> Algunos tutoriales básicos sobre enfoques de PyData
• GeoMLA -> Algoritmos de Machine Learning para datos espaciales y espaciotemporales

Plataformas

Guías

• CLI geoespacial: lista de herramientas de línea de comandos geoespaciales
• Aprendizaje profundo de imágenes satelitales
• Observación de la Tierra
• Inteligencia artificial terrestre
• SIG de código abierto -> Descripción general completa del ecosistema

Calidad de datos

• Calidad de datos de geociencia para aprendizaje automático -> Calidad de datos de geociencia para aprendizaje automático
• Datos de gravedad australianos -> Descripción general y análisis de los datos de la estación de gravedad
• Geodiff -> Comparación de datos vectoriales
• Redflag -> Análisis de datos y visión general para detectar problemas

Aprendizaje automático

• Dask-ml -> Versiones distribuidas de algunos algoritmos de ML comunes
  • papel
• geospatial-rf -> Funciones y envoltorios para ayudar con aplicaciones forestales aleatorias en un contexto espacial
• Geospatial-ml -> Instalar varios paquetes comunes a la vez

Espacio latente

• Fusión anidada
  • documento -> Fusión anidada: reducción de dimensionalidad y análisis de estructura latente de datos anidados de múltiples escalas para datos M2020 PIXL RGBU y XRF

Métrica

• puntuaciones -> Verificar y evaluar modelos y predicciones con xarray

probabilístico

• NG Boost -> regresión probabilística
• ML probabilístico
• Ensacado PU con BO -> Ensacado positivo sin etiquetar con optimización bayesiana

Agrupación

Mapas autoorganizados

• GisSOM -> Mapas autoorganizados centrados en el geoespacial del Servicio Geológico de Finlandia
• SimpSOM -> Mapas autoorganizados

Otro

• hdbscan
• kmedoides
  • kmedoides
• picasso

bayesiano

• Bayseg -> Segmentación espacial

Explicabilidad

• InterpretML -> Interpretación de modelos de datos tabulares
• InterpretML -> Adición de comunidad

Aprendizaje profundo

• Extracción profunda de mapas de colores -> Intentar extraer una escala de datos de imágenes
• Extraer y clasificar imágenes de documentos de geociencias

Datos

• Xbatcher -> Lectura de datos basada en Xarray para aprendizaje profundo
  • Cargadores de datos nativos en la nube para aprendizaje automático usando Zarr y Xarray
• zen3geo -> Ciencia de datos estilo Xbatcher con pytorch

Explicabilidad

• Valores de forma
• Weight Watcher -> Analizar qué tan bien están entrenadas las redes
• pesowatcher.ai
• Weightwatcher-ai.com -> Versión web profesional

Aprendizaje autosupervisado

• Autosupervisado -> Implementaciones relámpago de Pytorch de múltiples algoritmos
• Simclr
• Impresionante aprendizaje autosupervisado -> Lista seleccionada

Hiperparámetros

• hiperóptica
• TPOT aprendizaje automático automatizado

Entornos de codificación

• Zona de pruebas de la DEA
• Cubo en una caja

Comunidad

• Software Underground: comunidad de personas interesadas en explorar la intersección del subsuelo y el código
  • Registro de chat - Registro de chat de la comunidad SWUNG
  • Mattermost: servicio de chat comunitario
    • Antiguo canal de Slack (en desuso, consulte el tema más arriba)
  • Enlace de código abierto de geociencia
  • Vídeos
    • Transformar 2022
  • Impresionante geociencia abierta [nota con sesgo de petróleo y gas]
  • Ejemplos de piratería de Transform 2021
  • Tutorial Segysák 2021
  • Cuaderno sísmico T21
  • Sísmica Práctica con Python
  • Transformar 2021 Simpeg
• Pangeo
  • Foro
  • Mejores prácticas del COG
• Tierra Digital Australia
  • Canal flojo
• Fundación Geoespacial de Código Abierto
• OSGeoLive -> DVD/USB de arranque con mucho software geoespacial de código abierto
• ASEG -> vídeos de la Sociedad Australiana de Geocientíficos de Exploración
• IA para modelado y cartografía geológica -> vídeos del día de la conferencia
• conferencia

Proveedores de nube

AWS

• ec2 Spot Labs -> Facilitar el trabajo automático con instancias Spot
• Sagemaker Geoespacial ML
• Sagemaker -> Servicio administrado de ML
  • SDK
  • Utilidades de punto de entrada
  • Taller 101
  • Kit de herramientas de capacitación

Lote

• Shepard -> Configuración automatizada de formación de nubes de AWS Batch Pipelines: esto es genial

Paquetes

• Mlmax - Iniciar biblioteca rápida
• Asunto pequeño
• Pyutil

General

• Contenedores de aprendizaje profundo
• Loguru -> Biblioteca de registro
• AWS GDAL Robot -> Lambda y procesamiento por lotes de geotiffs
• Procesamiento sísmico sin servidor
• LIthops -> marco de computación distribuida multinube

Resúmenes

• Exploración de minerales

Dominios

• Geología
  • Edades geológicas
  • litología
  • Estratigrafía
• Geoquímica
• Geofísica
• Teledetección

Servicios web

Si se enumeran, se supone que generalmente son datos; si son solo imágenes como WMS, lo dirá.

Mundo

• Minerales y depósitos críticos

Australia

• AusGIN
• Geociencia Australia
• Potencial Mineral -> WMS
• Servicio de catálogo de geociencias de Australia

Geología

• AUSLAMP - > Tennant Creek - MtIsa
• Geología de campo
• Litosfera Profunda -> Potencial Mineral Litosférico Profundo
• Geocronología -> Geocronología
• Provincias geológicas
• WMS -> imagen WMS
• EGGS -> Estimaciones de Superficies Geológicas y Geofísicas
• Rocas alcalinas proterozoicas - Conjunto de datos de rocas alcalinas proterozoicas WFS {también tiene WMS}
• Cenozoico
• mesozoico
• Paleozoico
• arcaico
• Estratigrafía -> Unidades Estratigráficas

Geofísica

• Estudios geofísicos
• Estudios sísmicos -> Estudios sísmicos terrestres
• Magnetotelúrico -> Estaciones AUSLAMP del norte de Australia

Otro

• Ni-Cu-PEGE -> Depósitos de PGE de níquel y cobre alojados por intrusión
• Área EFTF -> Explorando áreas futuras
• Temperatura -> Temperatura interpretada
• DEA -> Tierra Digital Australia
• Cobertura terrestre
• Cuerpos de agua
• BOM -> Oficina de Meteorología Hidrogeoquímica

Nueva Gales del Sur

• Nueva Gales del Sur
• WCS
• Perforaciones minerales WFS
• Perforaciones de petróleo de WFS
• Perforaciones de carbón WFS
• Sísmica -> Sísmica y otros

Queensland

• Queensland
• Geocientífico -> Geofísica e índice de informes
• Geología
• Regional
• Estado
• Viviendas
• Carreteras
• Corriente de agua

Australia del Sur

• sarig
• Perforaciones
• Geología
• Geofísica
• Prospectividad
• Minerales y Minas
• Teledetección
• Sísmico
• Viviendas

Territorio del Norte

• NTGS -> Servicio Geológico del Territorio del Norte

Tasmania

• CMA de Tasmania
• DESCANSO de Tasmania
• Pozos

Victoria

• Victoria Geored

Australia Occidental

• Australia Occidental
• Descansar

Nueva Zelanda

• GNS -> Lista de servicios web

Sudamerica

Brasil

• Geoportal de Brasil
• Brasil CPRM

Perú

• Ingemento
• Ocurrencias minerales
• Ambiental

México

• GeoInfo -> Servicios de descanso

Argentina

• SIGAM

Colombia

• Descansar
• Depósitos 2018

Uruguay

• Descansar

Otro

• SIG Andes -> Geología de los Andes

Europa

EGDI -> EGDI Minerales

Suecia

• SGU Magnética WMS
• SGU Uranio
• Metadatos geofísicos

Finlandia

• GTK -> Servicio Geológico de Finlandia
  • Finlandia
    • Geología del lecho rocoso
    • Geofísica
    • Estudios de terreno
• Minerales árticos -> Ocurrencias minerales árticas 1M

Dinamarca

• deus -> Groenlandia WMS/WFS

Portugal

• Geología de Portugal
• Ocurrencias minerales -> WMS
• Ciudades y Pueblos

España

• España
• Geología -> 200K
• 1 millón -> 1 millón
• 50K -> 50K
• Geoda IGME
• Geofísica
• Cobre - Cobre
• GeoFPI - > Geología y Minerales Zona Sur Portuguesa
• Agua

Ucrania

• Geoinformar -> [actualmente suspendido]

Irlanda

• Descansar
• Ubicaciones de minerales

Gran Bretaña

• BGS -> Servicio Geológico Británico
• Geoindex -> ejemplo de ocurrencia de minerales
• Descanso -> Servicios BGS Rest e Inspire 625

Alemania

• BRG

República Checa

• Descansar

Eslovaquia

• Descansar

Hungría

• MBFZ OGC
• Descanso MBFZ

Rumania

• IGR -> Sólo WMS
• Mineros IGR -> solo WMS

Polonia

• Ejemplo de descanso -> Muchos más servidores de mapas

América del norte

Canadá

• Quebec
• Nuevo Mundo
• Descansar
• Referencias

EE.UU

• Mineral mundial del USGS
• USGS MRDS
• Minnesota

Asia

• China -> WMS depósito mineral wap
• yacimiento -> Puntos de ocurrencia de minerales
• Minerales de la India -> WMS
• India Geofísica

África

• Geoportal África -> Servicios de descanso
• África 10M -> África 10M Ocurrencias minerales https://pubs.usgs.gov/of/2005/1294/e/OF05-1294-E.pdf
• IPIS Minas Artesanales - > También existe una versión WMS
• github
• Uganda -> GMIS WMS

General

• Servicios web de exploración de minerales -> Complemento QGIS con acceso a muchos servicios web relevantes

Otro

• Abrir mapa de calles -> útil servicio general de mosaicos

API

• API de datos abiertos -> API del portal de datos abiertos GSQ
  • Análisis de geoquímica
• CORE -> Textos abiertos de investigación
  • API Notebook -> Ejemplo y funciones
• COMPARTIR -> API de ciencia abierta
• Publicaciones del USGS
• CRUZADO
• xDD -> ex GeoDeepDive
• ADEPT -> GUI a xDD para buscar 15 millones de artículos recolectados
• AbrirAlex
  • API
  • Biblioteca Python diophila
  • Biblioteca de Python
    • papel
• macroestrato
  • papel
• OpenMinData -> facilitar la consulta y recuperación de datos sobre minerales y geomateriales desde la API de Mindat

Portales de datos

Mundo

• Colaboración con modelos terrestres -> acceso a varios modelos terrestres, herramientas de visualización para vista previa del modelo, instalaciones para extraer datos/metadatos del modelo y acceso al software y scripts de procesamiento aportados.
• Boletín ISC -> Búsqueda de mecanismo focal de terremoto
• [Consorcio de Información Magnética[(https://www2.earthref.org/MagIC/search) -> paleomagnético, geomagnético, magnético de rocas

Australia

Geociencia Australia

• Catálogo de datos de geociencias de Australia
• AusAEM
• Portal de geociencias de Australia
• Portal Explorando el futuro -> Portal web de Geoscience Australia con información de descarga
• AusAEM
• AusLAMP
• Geocronología e isótopos
• Cuencas hidrogeológicas -> buscar capa de cuencas
• Iniciativa de mapeo de minerales críticos
• Unidades estratigráficas australianas
• Unidades estratigráficas de pozos australianos -> Compilación de aguas subterráneas de unidades sedimentarias
• Geociencia Australia Temas de geofísica -> Acceso OpendDAP y https
• MORPH gdb -> Datos de perforación del oficial Musgrave

CSIRO

• Portal de acceso a datos de CSIRO
• Profundidad del regolito
• TWI -> Índice de humedad topográfica
• Mapas de Geociencia ASTER -> Sitio web
  • FTP -> sitio ftp CSIRO
  • Notas de ASTER Maps -> Notas para lo anterior

AuScope

• Geología 3D -> Modelos de múltiples áreas

charrán

• Covariables de tierra desnuda mejoradas para modelado litológico y de suelos

Oficina de Meteorología

• Explorador de aguas subterráneas -> Oficina de Meteorología

Datos espaciales fundamentales

• elvis

Australia del Sur

• SARIG -> Búsqueda basada en mapas geoespaciales del Servicio Geológico de Australia del Sur
• Catálogo SARIG -> catálogo de datos
  • Modelos 3D
    • SA amplia
    • ubicación s3
  • Paquetes de datos: actualización anual
  • Informes s3 -> Informes y versiones textuales en el depósito s3 con interfaz web)
  • Informes
  • Sísmico
    • Descargas sísmicas -> Una página de enlaces

Territorio del Norte

• HUELGA -> Servicio Geológico del Territorio del Norte
• GÉMIS
  • Cuenca McArthur -> Modelo 3D
  • Estudios geofísicos
  • Geofísica -> referencia
  • Perforación y Geoquímica -> referencia
    • Paquete de datos -> paquete de datos

Queensland

• Servicio Geológico de Queensland
• Estudios geofísicos
• Perforación y geoquímica.

Australia Occidental

• GEOVIEW -> Servicio Geológico de Australia Occidental
• DMIRS -> Centro de software y datos DMIRS
• URL de descarga -> conjunto de datos de enlaces de descarga
• Perforación y Geoquímica
• Descargar paquete: ¿mejora?
• Geoquímica
• Pozos de petróleo con profundidades.
• subconjunto de datos WA

Nueva Gales del Sur

• MINVIEW -> Servicio Geológico de Nueva Gales del Sur
• DiGS -> Publicaciones y Colecciones Geotécnicas

Tasmania

• MRT
• Mapas MRT -> Mapa web

Victoria

• Recursos de la Tierra
  • Geofísica
• GeoVIC -> Webmaps necesita registro para ser más útil

Nueva Zelanda

• Base de datos de exploración -> En línea
• GERM -> Mapa de recursos geológicos de Nueva Zelanda
• Geología -> Mapa Web
  • https://maps.gns.cri.nz/gns/wfs

Sudamerica

Brasil

• CPRM -> Servicio Geológico de Brasil
• Descargas -> Descargas del Servicio Geológico de Brasil
• Rigeo -> Repositorio Institucional de Geociencias

Perú

• Ingemmet GeoPROMINE -> Servicio Geológico del Perú
• GeoMAPE

México

• Información geográfica

Argentina

• SIGAM -> Servicio Geológico Argentino
• SIGAM

Colombia

• Geportal

Uruguay

• imagen

Chile

• Portalgeomin

Europa

• EGDI -> Europa geociencia
• CMA
• promine
• Inspirar -> Geoportal Inspirar

Dinamarca

• Datos del subsuelo danés

Finlandia

• Minerales4EU
• GTK -> Servicio Geológico de Finlandia
• Mapas geoquímicos -> ¡solo pdf!

Suecia

• SGU -> Servicio Geológico Sueco

España

• IGME -> Servicio Geológico Español

Portugal

• Geoportal
• Ocurrencias minerales

Irlanda

• GSI -> Servicio Geológico de Irlanda
• GSI - Visor de mapas
• Goldmine -> Búsqueda de mapas y documentos
• data.gov.ie -> Vista del portal nacional
• isde -> Intercambio de datos espaciales de Irlanda

Noruega

• NGU -> Servicio Geológico de Noruega
• base de datos -> Búsquedas de recursos minerales y estratigrafía
• github
• API
• Geoporta -> Geofísica
• GEONORGE -> Catálogo de datos con descarga

Gran Bretaña

• Gran Bretaña
• servidor de mapas
• github

Ucrania

• Recursos minerales

Rusia

• Instituto Ruso de Investigaciones Geológicas -> Inaccesible actualmente
• RGU -> Proyecto SIG de depósitos

Alemania

• Geoportal
• Mapa geográfico -> M
• Átomo -> Fuente de datos de átomo
• GDI -> Modelos 3D Alemania

Francia

• Infoterre -> Servicio Geológico Francés

Croacia

• Geoportal -> Servicio Geológico de Croacia
• Geología

República Checa

• GS -> Servicio Geológico Checo

Eslovenia

• Catálogo de datos

Eslovaquia

• Catálogo de datos
• API de geoportátiles

Hungría

• MBFSZ Mapas

Rumania

• IGR -> Servicio Geológico de Rumania
• Recursos minerales

Polonia

• Geoportal

Reino Unido

• Biblioteca geofísica terrestre del Reino Unido
• OS Data Hub Geología británica
• Geología 625

América del norte

Canadá

• Recursos Naturales Canadá
• github
• Repositorio de datos de geociencias -> Servidor DAP
• Portal de mapas web mineros
• DEM -> Canadá DEM en formato COG
• CDEM -> Modelo Digital de Elevación (2011)
• ontario
• Quebec
• Base de datos SIGEOM
• Columbia Británica
• Base de datos de presencia de minerales
• Yukón
  • ftp
• Nueva Escocia
• provincial
• Isla del Príncipe Eduardo
• Saskatchewan
• Base de datos de ocurrencia de minerales
• Terranova -> no funcionó en Chrome, lo probé en Edge
• Alberta
• Aplicación de mapeo interactivo
• Territorios del Noroeste
• Tenencia de minerales

EE.UU

• USGS -> Base de datos de mapas
• MRDS -> Sistemas de datos de recursos minerales
• Earth Explorer -> Portal de datos de teledetección del USGS
• Base de datos de mapas nacionales
• Base de datos de mapas nacionales
• Alaska
• ReSci -> Registro de Colecciones Científicas del Programa Nacional de Preservación de Datos Geológicos y Geofísicos
• Michigan

África

• Catastro
• Hidrogeología -> Hidrogeología y geología del atlas de aguas subterráneas
• África Occidental -> Depósitos minerales
• Namibia
• Ocurrencias minerales
• mineros
• Sudáfrica -> Servicio geológico de Sudáfrica
• Ocurrencias minerales -> Ejemplo donde debe iniciar sesión para descargar
• Uganda -> portal GMIS
• Minerales metálicos
• Tanzania
• Ocurrencias minerales
• minas
• SIGM -> Túnez Geología y Minería
• Zambia -> Zambia viviendas aquí

Asia

Porcelana

• Datos geocientíficos
• Ocurrencias minerales
• Base de datos nacional de depósitos minerales

India

• Bhukosh -> Servicio Geológico de la India
• Tenga en cuenta que la geología de Rajasthan no funciona excepto poco a poco, lo cual es doloroso; si lo desea, hágamelo saber.

Arabia Saudita

• Portal de base de datos geológica nacional

Otro

Geología

• StratDB
• Fallas activas globales de GEM
• Propiedades minerales del RRuff
• artículo -> Sistema evolutivo de mineralogía
• UnaGeología
• catalogar

Irán

Geología

• OGC BGS 1M lecho de roca

General

• OSF -> Fundación de Ciencia Abierta
• Metales básicos alojados en sedimentos -> Metales básicos alojados en sedimentos
• Límite Litosfera Atenosfera -> LAB Hoggard/Czarnota
• Lista de estudios geológicos

Informes

Australia

• GEMIS del Territorio del Norte
  • buscar
  • ejemplo
• Australia del Sur
• Australia Occidental WAMEX
  • buscar
  • API
    • ejemplo
• Queensland
• Excavaciones en Nueva Gales del Sur
  • Excavaciones de Nueva Gales del Sur abiertas
  • API no pública
• PorterGEO -> Bases de datos mundiales de depósitos minerales con resúmenes resumidos
• Sustainable Minerals Institute -> Organización de Queensland de investigadores afiliados a universidades que producen conjuntos de datos y conocimientos

Canadá

• Columbia Británica
  • Buscar -> Informes de evaluación de minerales
  • Publicaciones -> Publicaciones
• Ontario -> Informes de evaluación de minerales
  • Publicaciones de Ontario
• Alberta
  • Publicaciones
• Yukón
• Huella
• manitoba
• Publicaciones
• Terranova y Labrador
• Territorios del Noroeste
• Nueva Escocia
• Quebec
• Saskatchewan
  • Buscar
  • iMaQs -> Sistema Integrado de Minería y Canteras

EE.UU

• Arizona
• Montana
• Nevada
• Nuevo Méjico
• Minnesota
• Michigan
• json
• Alaska
• Washington

Otro

• Servicio Geológico Británico NERC
  • Potencial mineral
  • Buscar
  • Ejemplo de API
  • Publicaciones
  • MEIGA -> Informes del proyecto de exploración mineral MEIGA 600 BGS
• GeoLagret -> Suecia
• MinData -> Recopilación de localizaciones de rocas de todo el mundo
• Base de datos de minerales -> Lista exportable de minerales con propiedades y edades científicas
• NASA
• ResearchGate -> Red de investigadores y profesionales

Herramientas

SIG

• QGIS -> Visualización y análisis de datos SIG Aplicación de escritorio de código abierto, tiene algunas herramientas de aprendizaje automático: indispensable para una visualización rápida y sencilla
  • Geología 2D en QGIS -> Taller para QGIS NA 2020 que presenta mapas geológicos y secciones transversales para estudiantes y aficionados
  • OpenLog -> Complemento de perforación beta
  • Geo-SAM -> Complemento QGIS para segmentar cualquier cosa con rásteres
  • Pesos de la evidencia
  • complemento
• CÉSPED
• saga -> espejo de sourceforge

3D

• PyVista -> API de ajuste VTK para una excelente visualización y análisis de datos

  • PVGeo
  • Pyvista-Xarray -> Transformar datos de xarray a VTK 3D sin problemas: ¡una gran biblioteca!
  • Omfvista -> pyvista para formato de minería abierta
  • Tutorial de scipy 2022

• Pymeshlab -> transformación de malla

• Formato de minería abierto

• Herramientas de Whitebox

  • GUI -> Versión de escritorio

• Subsuperficie

• Geolambda -> Configuración de AWS Lambda

• Analista de geociencia

  • Geoh5py -> Obtener datos hacia y desde proyectos Geoh5
  • GeoApps -> Aplicaciones basadas en cuaderno para geofísica a través de Geoh5py
  • Geoh5vista
  • Gams -> Análisis de datos magnéticos
    • Documento: un marco para datos de geociencia mineral y portabilidad del modelo - GeoH5

• Rayshader

• VDEO

General geoespacial

• Recursos de Python para ciencias de la tierra
• Geoutilos -> Análisis geoespacial y fomentar la interoperabilidad entre otros paquetes de SIG de Python.

Datos de vector

Pitón

• Geopandas
  • Dask-geopandas
    • Tutorial
  • GeofileOps -> Aumento de velocidad espacial se une a través de funciones de base de datos y geopackage
• Kart -> Control de versiones distribuidas para Daata
• Pyesridump -> Biblioteca para obtener datos a escala de los servidores ESRI REST

R

• SF
• Terra -> Terra proporciona métodos para manipular datos geográficos (espaciales) en forma de "ráster" y "vector".

Datos de ráster

do

• ExcactExtract -> Línea de comando Estadísticas zonales en C

Julia

• Rasters.jl -> Lectura y redacción de tipos de datos de ráster comunes

Pitón

• Rasterio -> Biblioteca base de Python para el manejo de datos de trama
• Georeader -> Procesar datos de trama de diferentes misiones satelitales
• Rasterstats -> Resumen de conjuntos de datos de ráster geoespacial basados ​​en geometrías vectoriales
• XArray -> Manejo y análisis de matriz etiquetados multidimensionales
  • Rioxarray -> API fabulosa de alto nivel para el manejo de XArray de datos de trama
  • Geocube -> Rasterización de la API de datos vectoriales
  • ODC -GEO -> Herramientas para el manejo de ráster basado en la teledetección con muchas herramientas extremadamente útiles como colorización, flujos de trabajo de la cuadrícula
  • Validador COG -> Formato de verificación de geotiffs optimizados en la nube
  • Serverless-Datacube-Demo-> XArray a través de Lithops / Enrollado / Modal
  • XArray Spacial -> Análisis estadístico de datos de trama, como clasificación como descansos naturales
  • XDGGS -> Otros tipos de cuadrículas
  • xgcm -> histogramas con etiquetas
  • XRFT -> Transformaciones de Fourier basadas en Xarray
  • xvec -> cubos de datos vectoriales para xarray
  • xarray -einstats -> estadísticas, álgebra lineal y einops para xarray

R

• Raster -> R Biblioteca
• Terra -> proporciona métodos para manipular datos geográficos (espaciales) en forma de "ráster" y "vector".
• estrellas -> matrices espacio -temporales: datacubos de trama y vector
• ExcactExtracr -> estadística zonal de trama para R

Puntos de referencia

• Raster -Benchmark -> Benchmarking algunas liberias de trama en Python y R

gui

• Whitebox Tools -> Python API, GUI, etc. se han utilizado para el cálculo del índice de humedad topográfica

Recopilación de datos

• PiaUtastage-> 'Una herramienta impresa en 3D de código abierto para la colección automática de imágenes de microscopio de alta resolución; Diseñado para muestras minerales.

Conversión de datos

• Aem a seg-y
• ASEG GDF2
• Lector de Outfile de CGG
• Geosoft Grid to Raster
• Grid de bucle Geosoft
• Armónica Geosoft Grid -> Solicitud de extracción en progreso en la conversión a XArray
• Auscope -> Datos de modelos binarios de Gocad
• Lector de cuadrícula de gocad sg
  • Geomodel-2-3dWeb-> Aquí tienen un método para extraer datos de las redes binarias de Gocad SG
• Lector de malla de salto
• OMF -> Formato de minería abierto para la conversión entre cosas
• Minero pdf
• VTK a DXF

Geoquímica

• PygeochemTools -> Línea de biblioteca y comando para habilitar el QC rápido y el trazado de datos geoquímicos
• Mapas geoquímicos de SA -> Análisis de datos y trazado de datos de geoquímica de Australia del Sur del Servicio Geológico de SA
• Levenning geoquímico
• Tutorial de geoquímica de Scott Halley
• Tabla periódica

Geoestadística

• Geostatspy
• Pyinterpolate

Geocronología

• Escala de tiempo geológico -> código para producir, pero también tiene un buen CSV regular de las edades

Geología

• Gempy -> Modelado implícito

• GEMGIS -> Asistencia de análisis de datos geoespaciales

• Loopstructural -> Modelado de implicidad

• Manual Python Geologia -> Análisis de datos de geología

• MAP2LOOP -> Automatización de modelado 3D

  • Loop3d -> GUI para map2loop

• Pybedforms

• SA Estratigrafía -> Editor de bases de datos de estratigrafía WebApp WebApp

• Striplog

• Analise_de_DADOS_ESTRUTURAIS_ALTAMIRA

• Global Tectonics -> conjunto de datos de código abierto para construir, placas, márgenes, etc.

  • papel

• Adiciones de Zenodo

• Litólogo

• pigplates

• Datos de tutoría

  • papel

Geofísica

• Geoscience Australia Utilities
• Geofísica para practicar geocientíficos
• Caja de herramientas de campo potencial -> Algunos filtros de transformación de Fourier rápida basado en XArray - derivados, pseudogravedad, rpg etc.
  • Cuaderno -> clase con algunos ejemplos [derivado vertical, pseudogravedad, continuación ascendente, etc.)
• COMPUTACIÓN GEOPHYSICS Sandbox
• Sedimento del sótano RIS -> Profundidad al sótano magnético en la Antártida
• Procesamiento de imágenes de señal

Electromagnético

• Geosciencia Australia AEM
• UH Electromagnetics -> Cursos de trabajo en comprensión de este dominio
• Interpretación AEM
• Emag py -> fdem
• Resipy -> DC / IP

Gravedad y magnética

• Harmónica
• Ejemplos de filtro -> Procesamiento basado en transformación rápida de Fourier a través de Xarray
• Datos de gravedad australianos
• gusanos
• Worms Update <- Campos potenciales Creación de gusanos con algunas actualizaciones menores para manejar la nueva API NetworkX *GitHub Mirror
• Osborne Magnetic -> Ejemplo de procesamiento de datos de encuesta

Sísmico

• Segyio
• Segysak -> Manejo y análisis de datos SEG -Y basado en Xarray
• Notas geofísicas -> Procesamiento de datos sísmicos

Magnetotélica

• Mtpy
• Tutoriales
• MTPY -> Actualización de lo anterior para facilitar las cosas
• Kit de herramientas de estadísticas minerales -> Distancia al análisis de características de MT
• Papel de conductores litosféricos
• Mtwaffle -> MT Ejemplos de análisis de datos
• pymt
• resistencia
• Mecmus -> Herramientas para leer el modelo de conductividad eléctrica de los Estados Unidos
• modelo

Cuadrícula

• GMT
  • Pygmt
• verdes
• Grid_aeromag -> Ejemplo de cuadrícula brasileña
• pyinterp -> cuadrícula multidimensional a través de BOOST
• Pseudogravedad -> De Blakely, 95

inversión

• Simpatía
  • Mira Geoscience Fork -> Usado para GeoApps
  • Horquilla de simpeg
  • Transformar 2020 Simpeg
  • Transformar 2021 Simpeg
  • Scripts de Simpeg
  • Ejemplo de inversión de articulación asta
• gimli
• Tomfast-x
• USGS anónimo FTP
• Software USGS -> Lista más larga de cosas útiles más antiguas: Dosbox, ¿alguien?
• Subrutinas de geofísica -> Código FORTRAN
• 2020 Problemas de inversión de Aachen -> Descripción general de la teoría de la inversión de gravedad

Geoquímica

• Pirolito
  • Pirolita GS2021
• Arrasamiento
• Herramientas de Pygeochem
• Geoquimica
• Geoquímica
  • papel

Perforación

• Dh2loop -> Asistencia de intervalo de perforación
  • papel
• Drinterdown -> Visualización de perforación en cuadernos a través de Geoh5py -> Nota Desurveying
• Pygslib -> topografía en el pozo de pozo y normalización de intervalo
• Pyborehole -> Procesamiento y visualización de datos de pozo
• dhcomp -> compuestos datos geofísicos a un conjunto de intervalos

Teledetección

• INFIESTROS INDICOS SPECTRAL -> Guía para la creación de índice espectral
• Abrir Cubo de datos
  • Cuadernos de la DEA -> Código para usar en flujos de trabajo de estilo ODC
  • Datacube -Stats -> Biblioteca de análisis estadístico para ODC
  • Geo Notebooks -> Ejemplos de código del elemento 84
• Raster4ml -> una gran cantidad de índices de vegetación
• LEFA -> Análisis de fracturas, lineamientos

Sin servidor

• Kerchunk -> Acceso sin servidor a datos basados ​​en la nube a través de Zarr
  • Kerchunk GeoH5 -> Acceso a los proyectos de analista de geoscientas/geoh5 sin servidor a través de Kerchunk
  • Icehunk -> Motor de almacenamiento transaccional para datos de tensor / matriz ND diseñados para su uso en el almacenamiento de objetos en la nube.

Catálogos de STAC

• DEA StackStac -> Ejemplos de trabajo con Digital Earth Australia Data
• Estacas de admisión
• Ml extensión AOI
• Especificación de extensión del modelo ML -> Especificación del modelo de aprendizaje automático para catalogingspatio -temporal modelos
  • papel
• ODC -STAC -> Cubo de datos abiertos gratuitos de la base de datos
• Pystac
• Búsqueda de sat
• StackStac -> Metadatos aceleró Dask y XArray Timeseries

Estadística

• Naranja -> GUI de minería de datos
• Hdstats -> Base algorítmica de medianas geométricas
• Hdmedianos

Visualización

• TV -> Ver imágenes satelitales en una terminal
• Titiler
• se sienta
• Hsdar
• estrellas
• Sar de minería de oro de Perú

Potencial mineral

• Mapeo de potencial mineral de níquel -> Análisis basado en ESRI
• Herramienta en línea de prospección

Economía minera

• BlueCap -> Marco de la Universidad de Monash para evaluar la viabilidad de la mina
• Ley ZIPFS ​​-> Curva ajustando la distribución de las deposiciones minerales
• Pyasx -> desguace de alimentación de datos ASX
• API de precio de metal -> microservicio contenedor

Visualización

• Napari -> Visor de imágenes multidimensional
• Holoviews -> Visualización de datos a gran escala
• Graphviz -> Información de instalación de Windows de trazado/visualización de Graphing Windows
• Espacial-kde

Colormapapas

• Cet perceptualmente colormaps uniformes
• Colormaps de PU -> Formateado para el usuario en Geocience Analyst
• Distortiones de ColorMap -> Una aplicación de panel para demostrar distorsiones creadas por colormaps no perceptuales en datos geofísicos
• Rastar datos de Colormpas
• Proyectos de código de geociencia abierto

Geoespacial

• GeoSpacial>- Instala múltiples paquetes comunes de Python
• Python geoespacial -> Lista curada

Pilas de tecnología

do

• GDAL -> Marco de transformación y análisis de datos absolutamente crucial
  • Herramientas -> Nota tiene muchas herramientas de línea de comandos que también son muy útiles

Julia

• Julia Earth -> Fomentar la ciencia de datos geoespaciales y el modelado geoestadístico en las ciencias de la tierra
• Julia Geodynamics -> Código de geodinámica computacional
• Introducción a Julia por geociencia

Python - Pydata

• Anaconda -> Obtenga lotes ya instalados con este Administrador de paquetes.
  • Gdal et al -> Saca el dolor de GDAL y las instalaciones de TensorFlow aquí
  • Git Bash -> Hacer que Conda funcione en Git Bash
• Matrices multidimensionales numpy
• Análisis de datos tabulares de pandas
• Visualización de matplotlib
• Zarr -> matrices distribuidas comprimidas y fortuadas
• DASK -> Computación distribuida paralela
  • Proveedor de Dask Cloud -> Inicio automáticamente los clústeres de Dask en la nube
  • Dask Median -> Notebook que da un prototipo de función mediana de Dask
• Ecosistema geoespacial de Python -> Información curada

Rust - Georust

• Georust -> Colección de utilidades geoespaciales en óxido

Bases de datos

• DuckDB -> En el proceso OLAP DB a velocidad - tiene algunas capacidades geoespaciales y de matriz
• IBIS + DuckDB Geopsacial -> Scipy2024 Talk

Ciencia de datos

• Plantilla de ciencia de datos de Python -> Configuración del paquete de proyecto
• Awesome Python Data Science -> Guía curada

Probabilidad

• Distfit -> Ajuste de densidad de probabilidad

Ciencia

• Recursos de Python para ciencias de la tierra
• Increíble informática científica

Estibador

• Contenedores de aprendizaje profundo de AWS
• Acopolador espacial
• DL Docker geoespacial
• Balancín
• Docker Lambda
• Geobase
• DL Docker geoespacial

Ontologías

• Sociedad Geológica de Vocabularios de Queensland
  • Base de datos de propiedades geológicas
  • Geofeaturas
• Sociedad Geológica de Australia Occidental
• Estratigráfico
• Gerente de conocimiento de geociencia
• Vocabularios Geosciml

Libros

Pitón

• Libro de cocina de análisis geoespacial de Python
• Geoprocesamiento con Python -> Manning LiveBook

Otro

• Libro de texto
• Aprendizaje automático en la industria del petróleo y el gas
• Geocomputación con R
• Libro de cocina en la nube de datos de la tierra -> Cómo acceder a los recursos de la NASA
• Libro de cocina del limpiador de datos -> Poner las herramientas UNIX a un buen uso de la disputa y la limpieza de datos
• Enciclopedia de Geociencias Matemáticas
• Manual de geociencias matemáticas

Otro

• GXPY -> API de Geosoft Python
• Eartharxiv -> Descargar documentos del archivo de preimpresión
• Essoar -> Archivo de papel de preimpresión

Conjuntos de datos

Mundo

Geología

• Bedrock -> Geología generalizada del mundo
• GLIM -> Mapa de litología global
• Paleogeología un atlas de mapas paleogeográficos fanerozoicos
• Capas sedimentarias -> Global de espesor cuadrada de 1 km del suelo, regolito y capas de depósito sedimentarias
• Mapa de estrés mundial -> Compilación global de información sobre el campo de estrés actual de la corteza
• GMBA -> Inventario global de montaña

Geofísica

Gravedad

• Curvatura -> Análisis de curvatura global a partir de datos de gradiente de gravedad
• WGM 2012

magnéticos

• EAMG2V3 _> cuadrícula de anomalía magnética de la tierra
• WDMAM -> Mapa mundial de anomalías magnéticas digitales

Magnetotélica

• EMC -> Modelo inverso 3D global de conductividad eléctrica

Sísmico

• Laboratorio slnaafsa
• Lab Cam2016
• Moho -> Datos de Gemma
• MOHO -> Datos de Szwillus
• Velocidad sísmica -> Debayle et al
• Lithoref18 -> Un modelo de referencia global de la litosfera y el manto superior a partir de la inversión conjunta y el análisis de múltiples conjuntos de datos
• Corteza1.0 -> modelo de corteza global netcdf
• Descripción general de la página de inicio

Térmico

• Flujo de calor

General

• Tiempo profundo Tierra digital -> Datos y visualización para una variedad de fuentes y modelos de datos
• EarthChem -> Preservación, descubrimiento, acceso y visualización impulsadas por la comunidad de datos geoquímicos, geocronológicos y petrológicos
• Georoc -> Composición geoquímica de rocas
• GEOLOGÍA GLOBAL -> Una receta breve para hacer un mapa de geología global en formato SIG (p. Ej., ShapeFile), con rangos de edad asignados a la escala de tiempo GTS2020
• Gran Comisión de Provincias Igénicas
• Columnas de manto
• Espesor del sedimento -> mapa
• SpatialReference.org -> Repositorio para el sitio web

Australia

• Modelo de tierra común
• Mapa mineral pesado
• Mapa mineral pesado del piloto de Australia
• Aplicación brillante

Geoquímica

• Redes predictivas de concentraciones de óxido mayores en roca superficial y regolito sobre el continente australiano -> Varios óxidos

Geología

• Alcalino rocas atlas
• Cenozoico
• mesozoico
• Paleozoico
• arcaico
• buscar
• Rocas alcalinas proterozoicas -> Rocas ígneas e ígneas de proterozoicas de Australia GIS de Australia
• Cenozoico
• mesozoico
• Paleozoico
• arcaico
  • Documento https://ecat.ga.gov.au/geonetwork/srv/eng/catalog.search#/metadata/147963
• Hidrogeología -> Mapa de hidrogeología de Australia
• Hidrogeología -> 5m
• Geología en capas -> 1m
• Geología de la superficie -> 1M Escala
• El conjunto de datos GIS de eventos magmáticos máficos y ultramáticos australianos

Geofísica

• Gravedad -> 2019 Australia National Gravity Grids

magnéticos

• TMI -> Mapa de anomalías magnéticas de Australia, séptima edición, 2019 TMI
• 40m -> 40m versión
• VRTP -> Grid de intensidad magnética total (TMI) de Australia con reducción variable al polo (VRTP) 2019
• 1VD -> Red de intensidad magnética total de Australia 2019 - Primer derivado vertical (1VD)

Radiometría

• Radiometría -> Grida radiométrica completa de Australia (RADMAP) V4 2019 con relleno modelado
• K -> Grid radiométrica de Australia (RadMAP) V4 2019 Grid de potasio PCT filtrado
• U -> Grid radiométrico de Australia (RadMAP) V4 2019 Uranio PPM filtrado
• TH -> REJIFICA RADIOMÉTRICA DE AUSTRALIA (RADMAP) V4 2019 Torio filtrado PPM
• TH/K -> REDIOMÉTRICA DE Australia (RadMAP) V4 2019 Relación torio sobre potasio
• U/K -> Grid radiométrica de Australia (RadMAP) V4 2019 Relación uranio sobre potasio
• U/th -> Grid radiométrica de Australia (RadMAP) V4 2019 Relación uranio sobre torio
• U cuadrado/th -> cuadrícula radiométrica de Australia (RadMAP) V4 2019 Relación uranio Square sobre torio
• Tasa de dosis-> Red radiométrica de Australia (RADMAP) V4 2019 Tasa de dosis terrestre filtrada
• Imagen ternaria -> Grid radiométrica de Australia (Radmap) V4 2019 - Imagen ternaria (K, TH, U)

Ausma

• AUSAEM 1 -> AUSAEM Año 1 NT/QLD Survey Electromagnetic en el aire; Productos de inversión de tierra en capas GA
• AUSAEM 1 -> AUSAEM Año 1 NT/QLD: Datos electromagnéticos en el aire de Tempest® y estimaciones de conductividad EM Flow®
• Paquete de datos de interpretación de AUSAEM 1 -> AUSAEM1
• AUSAEM 2 -> AUSAEM 02 WA/NT 2019-20 Airborne Electromagnetic Survey
• AUSAEM -WA -> AUSAEM -WA, Murchison Bloques de encuestas electromagnéticas aerotransportadas
• AUSAEM-WA-> AUSAEM-WA, Southwest-Albany Airborne Electromagnetic Survey Survey
• AUSAEM -WA -> AUSAEM WA 2020-21, Eastern Goldfields y East Yilgarn Airborne
• AUSAEM -WA -> AUSAEM (WA) 2020-21, Strip Earheedy & Desert
• AUSAEM ERC -> AUSAEM Corredor de recursos orientales
• AUSAEM WRC -> AUSAEM Corredor de recursos occidentales
• Descripción general de Interp
• Redes de conductividad de superficie y cercana nacionales -> Interpolación Nacional de ML para Ausem de manera similar al norte de Australia

Auslamp

• AUSLAMP SEA -> Modelo de resistividad del sudeste continente australiano a partir de datos magnetotálvicos de Auslamp
• Datos de Victoria
• Datos de NSW
• AUSLAMP TISA -> Modelo de resistividad derivado de Magnetotellurics: proyecto Auslamp -Tisa
• Auslamp Delamerian -> Modelo de resistividad litosférica del orógeno delameriano a partir de datos magnetotálvicos de Auslamp
• Auslamp ne sa
• Auslamp gawler
• Estaciones de Auslamp -> alrededor de 2017
• Papel de Tasmanides

moho

• Moho 2019 y 2023
  • papel

Depósitos minerales

• Entorno geológico, edad y dotación de los principales depósitos minerales australianos
• Un conjunto de datos integral para la producción de minas australianas 1799 a 2021
  • papel

Potencial mineral

• Descripción general - Geoscience Australia -> Descripción general de publicaciones y conjuntos de datos
• Sedimento alojado zinc
• Informe
• Sedimento alojado de cobre
• Informe
• Abstracto
• Elementos de tierras raras de carbonatita
  • papel

Residuos de la mía

• Residuos de la mina australiana

Título nativo

• Tribunal de Título Nacional Nacional

Teledetección

• Landsat Bare Earth - Bare Earth Median de Landsat
• Imágenes de Landsat de Tierra Barest Mayor para el suelo y el modelado litológico: conjunto de datos -> Detalles de una mejora
• Huella minera global mapeada de imágenes satelitales de alta resolución ** Paper
• Dem -> Australia 1 seg srtm dem de varias variedades

Estructura

• Límites de la corteza principal de Australia - Edición 2024

Velocidad

• Au Tomo -> Modelo de velocidad de próxima generación de la corteza australiana de imágenes de ruido ambiental sincrónico y asincrónico

Topografía

• Posición topográfica multiescala - RGB
• Información
• Índice de humedad topográfica - 1 y 3 segundos de arco
• Información
• Índice de posición topográfica - 1 y 3 segundos de arco
• Información
• Modelo de intensidad de meteorización
  • papel
• Información
• {Info] (https://researchdata.edu.au/weathering-intensity-model-australia/1361069)

Del norte

• Grosor de cubierta TISA -> Puntos de espesor de cubierta para Tennant Creek Mt Isa con cuadrículas interpoladas
• Mapeo de conductividad de alta resolución utilizando una encuesta AEM regional y aprendizaje automático -> ml Interpolación de conductividad para AUSEM
• Abstracto extendido
• Geología sólida -> Geología sólida del cratón del norte de Australia
• Modelos de inversión -> Los modelos de gravedad 3D de Craton 3D del norte de Australia
• Ni-CU-PGE-> Potencial para depósitos de sulfuro Ni-Cu-PGE con orificio de intrusión en Australia: un análisis a escala continental de la prospectividad del sistema mineral
• TISA IOCG -> Evaluación del potencial mineral de cobre de óxido de hierro (IOCG) para el Tennant Creek -MT Región ISA: datos geoespaciales
• Alteración de TISA -> Producción de proxies de alteración de magnetita y hematita utilizando gravedad 3D e inversión magnética

Australia del Sur

Geología

• Geología de roca madre
• Sótano cristalino -> Dimensores de intersección de sótano cristalino
• Minas y depósitos minerales
• Perforación mineral
• Geología sólida 3D
• 100k fallas
• arcaico
• Fallas arqueicas
• Mesoproterozoico -> medio
• Mesoproterozoico -> fallas medias
• Mesoproterozoico -> tarde
• Fallas mesoprotererozoicas -> fallas tardías
• Neoproterozoico
• Fallas neoproterozoicas
• Modelo 3D de cobre sedimentario de Stuart
• Geología de la superficie

Geofísica

• Auslamp 3D -> Inversiones magnetotélicas
• GCAS -> Gawler Craton Airborne Survey
• Gravedad -> cuadrículas de gravedad
• Estaciones -> Estaciones de gravedad
• Magnética -> magnética
• Líneas sísmicas -> líneas sísmicas

Gawler

• Gawler MPP -> Proyecto de promoción de minerales de Gawler - Datos

Queensland

• Descripción general
• Deep Mining Queensland-> Deep Mining Queensland
• Depósito Atlas -> Atlas de depósito de la provincia mineral del noroeste
• Geología -> Descripción general de la serie de geología
• Informe mineral y de energía -> Informe de la provincia mineral y de energía del noroeste de Queensland 2011 -NWQMEP
• Vectorización -> Vectorización de geoquímica mineral
• Petróleo de petróleo
• Pozos de gas de carbón
• Perforaje

Cloncurrería

• Toolkit -> Kit de herramientas y laboratorio multielement

Territorio del Norte

• ARUNTA IOCG-> Potencial de óxido de hierro-cobre de la región del sur de Arunta
• Uranio sur -> Package Digil de uranio y sistemas de energía geotérmica de territorio del sur
• Tennant Creek -> Modelo de conductividad derivado de datos magnetotélules en la región de Tennant Oriental, Territorio del Norte

Nueva Gales del Sur

Geología

• Geología sin costura -> Paquete de datos de geología sin costura de NSW (versión anterior también en esta página)

Paquetes de datos de potencial mineral

• Curnamona
• Oriental Lachlan
• Lachlan central
• Sur de Nueva Inglaterra

Australia Occidental

Geoquímica

• Mafic/ultramáfico

Geología

• 100k Bedrock
• 100k hojas de mapas para superficie tienes que descargar individualmente y combinar: no son consistentes
• 250k hojas de mapa para la superficie Debe descargar individualmente y combinar: no son consistentes
• 500k Bedrock
• Minas abandonadas
• Ocurrencias minerales

Potencial mineral

• Níquel alojado en komatiita
• Informe

Prospección

• Capricornio-> Análisis de prospección utilizando un enfoque de sistemas minerales - Proyecto de estudio de caso de Capricornio
• King Leopold -> Prospectividad mineral de la plataforma del rey Leopold Orogen y Lennard: Análisis de datos de campo potenciales en la región de West Kimberley
• Yilgarn Gold
• Yilgarn 2 -> Descubrimiento de minerales predictivos en el este de Yilgarn Craton: un ejemplo de orientación a escala de distrito de un sistema mineral de oro orogénico
• [Nota de la tienda] -> WA tiene algunos paquetes de prospectividad disponibles para comprar en USB Drive para precios de tipo 50-60AU -Consulte la sección Mapas GeoshaS

Tasmania

Geología

• 250k
• 500k
• 25K
• Ocurrencias minerales
• Modelo 3D

Victoria

• Geología sin costura

Nueva Zelanda

• Paquete de datos minerales -> paquete de datos de exploración mineral

North Americia

• Datos y cuadrículas de recursos geofísicos, geológicos y minerales a escala nacional -> también tiene algunos datos de Australia
• Pozos de agua subterránea -> base de datos
• Datos de orientación máxima del estrés horizontal y magnitud del estrés relativo (régimen de fallas) en toda América del Norte

Canadá

Geología

• Mapa
• Geología -> Mapa de geología de roca madre actualizada
• Geología -> Bedrock Geology Compilación y síntesis regional de South Rae y partes de los dominios de Hearne, provincia de Churchill, Territorios del Noroeste, Saskatchewan, Nunavut, Manitoba y Alberta
• MOHO -> Base de datos nacional de Moho Estimaciones Estimaciones de las estimaciones de la refracción sísmica y las encuestas telesísmicas

Geofísica

• DAP Search -> Búsqueda de geoportal - Nota Molnemente estas están en las cuadrículas de Geosoft - Ver Elsewere para las posibilidades de conversión
• [Gravedad, Magnética, Radiometría] -> Principalmente escala de país

Europa

Finlandia

• FODD -> Depósitos minerales fennescandos

Irlanda

• MPM -> Proyecto de mapeo potencial mineral

Documentos con código

PNL

• https://www.sciencedirect.com/science/article/pii/S2590197422000064?via%3Dihub#bib20- -> Modelos de lenguaje de geociencia y su evaluación intrínseca -> Código NRCAN anterior [incluye modelo]
• https://www.researchgate.net/publication/334507958_word_embeddings_for_application_in_geosciences_development_evaluation_and_examples_of_soil-related_concepts -> geovec [incluye modelo]
• https://www.researchgate.net/publication/347902344_portuguese_word_embeddings_for_the_oil_and_gas_industry_development_and_evaluation -> petrovec [incluye modelo]
• Un recurso para la búsqueda automatizada y la recopilación de conjuntos de datos geoquímicos de los suplementos de la revista

Geoquímica

• https://www.researchgate.net/publication/365758387_a_resource_for_automated_search_and_collation_of_geochemical_datasets_from_journal_supplements
  • https://github.com/erinlmartin/figshare_geoscrape?s=09

Geología

• https://github.com/sydney-machine-letarning/autoencoders_remotesensing-> Autoencoders apilados para el mapeo litológico

Mineral

• https://www.researchgate.net/publication/318839364_network_analysis_of_mineralogical_systems

Documentos con datos de características

• Estos pueden reproducir la salida geoespatialmente de los datos dados.

Prospección mineral

• https://www.sciencedirect.com/science/article/pii/s016913682100010x#s0135 -> Modelado de prospección de sistemas minerales de sulfuro de NI magmáticos canadienses (± Cu ± CO ± PGE) [bien vale la pena leer]
• https://www.sciencedirect.com/science/article/pii/S0169136821006612#b0510 -> Modelado de prospectividad impulsada por datos de sistemas minerales Zn -PB con sedimentos y sus materias primas críticas [bien vale la pena leer]
• https://www.researchgate.net/publication/358956673_towards_a_fly_data-driven_prospectivity_mapping_methodology_a_case_study_of_the_southeastern_churchill_province_quebec_and_labradoror

Inglaterra

• https://www.researchgate.net/publication/358083076_machine_learning_for_geochemical_exploration_classify_metallogenic_fertility_in_arc_magmas_and_insights_into_porphyry_copper_eposit_formation

Geoquímica

• https://www.researchgate.net/publication/361076789_automated_machine_learning_pipeline_for_geochemical_analysis

Geología

• https://eprints.utas.edu.au/32368/ -> Modelado asistido por máquina de litología y metasomatismo

Geofísica

• https://github.com/tomasnaprstek/aeromagnetic_cnn - Aeromagnetic CNN
• Documento https://www.researchgate.net/publication/354772176_convolution_neural_networks_applied_to_the_interpretation_of_lineAments_in_aeromagnetic_data
• PhD -> Nuevos métodos para la interpolación e interpretación de los lineamientos en datos aeromagnéticos
• Documento https://www.researchgate.net/publication/354772176_convolution_neural_networks_applied_to_the_interpretation_of_lineages_in_aeromagnetic_data -> Convolución redes neurales aplicadas a la interpretación de los linajes en datos aeromagnéticos

Salida geoespacial: sin código

• https://geoscience.data.qld.gov.au/report/CR113697 -> Exploración mineral con datos NWMP y mapeo geológico [CSIRO también]

Revistas

• https://www.sciencedirect.com/journal/artificial-intelligence-in-geociences-> Inteligencia artificial en geociencias

Papeles

• Generalmente no ml, o no hay código/datos y, a veces, no hay disponibilidad en absoluto
• Eventualmente se separará en cosas que tienen paquetes de datos o no como estudios de zona de NSW.
• Sin embargo, si está interesado en un área, a menudo puede Georeference una imagen si nada más como una guía aproximada.
• En general, estos no son reproducibles: algunos como los estudios de la zona de prospección de NSW y NWQMP están con algún trabajo.
• El documento ocasional en esta sección se puede enumerar arriba

Nuevo en el archivo

General

• https://www.researchgate.net/publication/337650865_a_combinative_knowledge-driven_integration_method_for_integrating_geophysical_layers_with_geological_and_geochemical_datasetsets
• https://link.springer.com/article/10.1007/S11053-023-10237-W-Una nueva generación de algoritmos de inteligencia artificial para el mapeo de prospección mineral
• https://www.researchgate.net/publication/235443297_addressing_challenges_with_exploration_datasets_to_generate_usable_mineral_potential_maps
• https://www.researchgate.net/publication/330077321_An_Improved_Data-Driven_Multiple_Criteria_Decision-Making_Procedure_for_Spatial_Modeling_of_Mineral_Prospectivity_Adaption_of_Prediction-Area_Plot_and_Logistic_Functions
• Inteligencia artificial para la exploración mineral: una revisión y perspectivas sobre direcciones futuras de la ciencia de datos -> https://www.sciencedirect.com/science/article/pii/s0012825224002691
• https://www.researchgate.net/project/bayesian-machine-letarning-for-geological-modeling-and-geophysical- segmation
• https://www.researchgate.net/publication/229714681_classifiers_for_modeling_of_mineral_potential
• https://www.researchgate.net/publication/352251078_data_analysis_methods_for_prospectivity_modelling_as_applied_to_mineral_exploration_targeting_state-of-the-art_and_and_and_and_utlook
• https://www.researchgate.net/publication/267927728_data-driven_evidential_belief_modeling_of_mineral_potential_using_few_prospects_and_evidence_with_missing_values
• https://www.linkedin.com/pulse/deep-letarning-meets downward-continuation-caldera-analytics/?trackingid=ybkv3ukni7ygh3irchzdgw%3D%3D
• https://www.researchgate.net/publication/382560010_dinov2_rocks_geological_image_analysis_classification_segmentation_and_interpretabilidad
• https://www.researchgate.net/publication/368489689_discrimination_of_pb-zn_deposit_types_using_sphalerite_geochemistry_new_insights_from_machine_learning_algorithm
• https://link.springer.com/article/10.1007/s11430-024-1309-9-> Modelos de inteligencia artificiales explicables para la mapeo de prospección mineral
• https://www.researchgate.net/publication/229792860_from_predictive_mapping_of_mineral_prospectivity_to_quantitative_estimation_of_number_of_undiscovered_prospects
• https://www.researchgate.net/publication/339997675_fly_reversible_neural_networks_for_large-scale_surface_and_sub-surface_characterización_via_remote_sensing
  • arxiv
  • presentación
  • conferencia
  • juliacón
• https://www.researchgate.net/publication/220164488_geocomputation_of_mineral_exploration_targets
• https://www.researchgate.net/publication/272494576_geological_knowledge_discovery_and_mineralals_targeting_from_regolith_using_a_machine_learning_appoach
• https://www.researchgate.net/publication/280013864_geometric_average_of_spatial_evidence_data_layers_a_gis basado_multi-criteria_decision-raking_appoach_to_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/355467413_harnessing_the_power_of_artificial_intelligence_and_machine_learning_in_mineral_exploration-opportunities_and_cautionary_notes
• https://www.researchgate.net/publication/335819474_importance_of_spatial_predictor_variable_selection_in_machine_learning_applications_-moving_from_data_reproduction_to_spatial_prediction
• https://www.researchgate.net/publication/337003268_improved_supervised_classification_of_bedrock_in_areas_of_transported_overburden_applying_domain_exptise_at_kerkasha_eritra - gazley/hood/hood
• https://www.researchgate.net/publication/360660467_lithosferic_conductors_reveal_source_regions_of_convergent_margin_mineral_systems
• https://api.research-Rpository.uwa.edu.au/portalfiles/portal/5263287/lysytsyn_volodymyr_2015.pdf (tesis de doctor) asignación de prospección de cobre epítma basada
• https://www.researchgate.net/publication/374972769_knowledge_and_technology_transfer_in_and_beyond_mineral_exploration -> Transferencia de conocimiento y tecnología en la exploración mineral y más allá
• https://www.researchgate.net/publication/331946100_machine_learning_for_data-driven_discovery_in_solid_eath_geoscience
• https://theses.hal.science/tel-04107211/document-Enfoques de aprendizaje automático para fuentes heterogéneas geológicas subsuperiores
• https://www.researchgate.net/publication/309715081_magmato-hydrothermal_space_a_new_metric_for_geochemical_characterisation_of_metallic_ore_deposits
• https://www.researchgate.net/publication/220164234_mapping_complexity_of_spatial_distribution_of_faults_using_fractal_and_multifractal_models_vectoring_towards_exploration_targets
• https://www.researchgate.net/publication/220163838_objective_selection_of_suitable_unit_cell_size_in_data-driven_modeling_of_mineral_prospectividad
• https://www.researchgate.net/publication/273500012_prediction-area_p-a_plot_and_c-a_fractal_analysis_to_classify_and_evaluate_evidential_maps_for_mineral_prostivity_modeling
• https://www.researchgate.net/publication/354925136_soil-sample_geochemistry_normalised_by_class_membership_from_machine-learnt_clusters_of_satellite_and_geophysics_data [gazley/hood]
• https://link.springer.com/article/10.1007/s12665-024-11870-1-> Cuantificación de la incertidumbre de los mapas geocientíficos que depende de la participación sensorial humana
• https://www.researchgate.net/publication/235443294_the_effect_of_map-scale_on_geological_complexity
• https://www.researchgate.net/publication/235443305_the_effect_of_map_scale_on_geological_complexity_for_comuter-ided_exploration_targeting
• https://link.springer.com/article/10.1007/s11053-024-10322-8-> incertidumbre inducida por flujo de trabajo en la asignación de prospección mineral basada en datos

Prospección mineral

Australia

• https://www.mdpi.com/2072-4292/15/16/4074-> Un enfoque espacial basado en datos para la asignación de prospección mineral
• https://www.researchgate.net/publication/353253570_a_truly_spatial_random_forests_algorithm_for_geoScience_data_analysis_and_modelinting
• https://www.researchgate.net/publication/253217016_advanced_methodologies_for_the_analusis_of_databases_of_mineral_deposits_and_major_faults
• https://www.researchgate.net/publication/362260616_assessing_the_impact_of_conceptual_mineral_systems_uncerty_on_prospectivity_predicciones
• https://www.researchgate.net/publication/352310314_central_lachlan_mineral_potential_study
• https://meg.resourcesregulator.nsw.gov.au/sites/default/files/2024-05/eith%202024%20muller_exploration_in_theuse_keynote.pdf -> minerales críticos -mapeo de prospección usando AI generativo
• https://www.tandfonline.com/doi/pdf/10.1080/22020586.2019.12073159?? Needaccess=true -> Integración de un enfoque de sistemas de minerales con aprendizaje automático: un estudio de caso de 'exploración de minerales modernos' en el bosque de MT INLIER - NORTERNERN Gawler Craton, Australia del Sur
• https://www.researchgate.net/publication/365697240_mineral_potential_modelelling_of_orogenic_gold_systems_in_the_granites-tanami_orogen_northern_territory_australia_a_multi-technique_approach
• https://publications.csiro.au/publications/publication/picsiro:ep2022-0483 -> firmas de sistemas minerales clave en la provincia oriental de Mount Isa, Queensland: nuevas perspectivas de Analytics de datos
• https://link.springer.com/article/10.1007/s11004-021-09989-z-> Modelado estocástico de objetivos de exploración mineral
• https://www.researchgate.net/publication/276171631_supervised_neural_network_targeting_and_classification_analysis_of_airborne_em_magnetic_and_gamma-ray_spectrometry_data_for_mineral_exploration
• https://www.researchgate.net/publication/353058758_using_machine_learning_to_map_western_australian_landscapes_for_mineral_explorator
• https://www.researchgate.net/publication/264535019_weaks-of-evidence_and_logistic_regression_modeling_of_magmatic_nickel_sulfide_prospectivity_in_the_yilgarn_craton_western_australia

Argentina

• https://www.researchgate.net/publication/263542691_analysis_of_spatial_distribution_of_epithermal_gold_deposits_in_the_deseado_massif_santa_cruz_province
• https://www.researchgate.net/publication/263542560_evidential_belief_mapping_of_epithermal_gold_potential_in_the_deseado_massif_santa_cruz_province_argentina
• https://www.researchgate.net/publication/277940917_Porphyry_epithermal_and_orogenic_gold_prospectivity_of_Argentina
• https://www.researchgate.net/publication/269518805_Prospectivity_for_epithermal_gold-silver_deposits_in_the_Deseado_Massif_Argentina
• https://www.researchgate.net/publication/235443303_Prospectivity_mapping_for_multi-stage_epithermal_gold_mineralization_in_Argentina

Brasil

• https://www.researchgate.net/publication/367245252_Geochemical_multifractal_modeling_of_soil_and_stream_sediment_data_applied_to_gold_prospectivity_mapping_of_the_Pitangui_Greenstone_Belt_northwest_of_Quadrilatero_Ferrifero_Brazil
• https://www.researchgate.net/publication/381880769_How_do_non-deposit_sites_influence_the_performance_of_machine_learning-based_gold_prospectivity_mapping_A_study_case_in_the_Pitangui_Greenstone_Belt_Brazil
• https://www.researchsquare.com/article/rs-5066453/v1 -> Enhancing Lithium Exploration in the Borborema Province, Northeast Brazil: Integrating Airborne Geophysics, Low-Density Geochemistry, and Machine Learning Algorithms
• https://www.researchgate.net/publication/362263694_Machine_Learning_Methods_for_Quantifying_Uncertainty_in_Prospectivity_Mapping_of_Magmatic-Hydrothermal_Gold_Deposits_A_Case_Study_from_Juruena_Mineral_Province_Northern_Mato_Grosso_Brazil
• https://www.researchgate.net/publication/360055592_Predicting_mineralization_and_targeting_exploration_criteria_based_on_machine-learning_in_the_Serra_de_Jacobina_quartz-pebble-metaconglomerate_Au-U_deposits_Sao_Francisco_Craton_Brazil

Difuso

• https://www.researchgate.net/publication/272170968_A_Comparative_Analysis_of_Weights_of_Evidence_Evidential_Belief_Functions_and_Fuzzy_Logic_for_Mineral_Potential_Mapping_Using_Incomplete_Data_at_the_Scale_of_Investigation A Comparative Analysis of Weights of Evidence, Evidential Belief Functions, and Fuzzy Logic for Mineral Potential Mapping Using Incomplete Data at the Scale of Investigation
• https://www.researchgate.net/publication/360386350_Application_of_Fuzzy_Gamma_Operator_to_Generate_Mineral_Prospectivity_Mapping_for_Cu-Mo_Porphyry_Deposits_Case_Study_Kighal-Bourmolk_Area_Northwestern_Iran
• https://www.researchgate.net/publication/348823482_Combining_fuzzy_analytic_hierarchy_process_with_concentration-area_fractal_for_mineral_prospectivity_mapping_A_case_study_involving_Qinling_orogenic_belt_in_central_China
• https://tupa.gtk.fi/raportti/arkisto/m60_2003_1.pdf -> Conceptual Fuzzy Logic Prospectivity Analysis of the Kuusamo Area
• https://www.researchgate.net/publication/356508827_Geophysical-spatial_Data_Modeling_using_Fuzzy_Logic_Applied_to_Nova_Aurora_Iron_District_Northern_Minas_Gerais_State_Southeastern_Brazil
• https://www.researchgate.net/publication/356937528_Mineral_prospectivity_mapping_a_potential_technique_for_sustainable_mineral_exploration_and_mining_activities_-_a_case_study_using_the_copper_deposits_of_the_Tagmout_basin_Morocco

Canadá

• http://www.geosciencebc.com/i/pdf/SummaryofActivities2015/SoA2015_Granek.pdf -> Advanced Geoscience Targeting via Focused Machine Learning Applied to the QUEST Project Dataset, British Columbia
• https://open.library.ubc.ca/soa/cIRcle/collections/ubctheses/24/items/1.0340340 -> Application of machine learning algorithms to mineral prospectivity mapping
• https://www.researchgate.net/publication/369599705_A_study_of_faults_in_the_Superior_province_of_Ontario_and_Quebec_using_the_random_forest_machine_learning_algorithm_spatial_relationship_to_gold_mines
• https://www.researchgate.net/publication/273176257_Data-_and_Knowledge_driven_mineral_prospectivity_maps_for_Canada's_North
• https://www.researchgate.net/publication/300153215_Data_mining_for_real_mining_A_robust_algorithm_for_prospectivity_mapping_with_uncertainties
• https://www.sciencedirect.com/science/article/pii/S1674987123002268 -> Development and application of feature engineered geological layers for ranking magmatic, volcanogenic, and orogenic system components in Archean greenstone belts
• https://qspace.library.queensu.ca/bitstream/handle/1974/28138/Cevik_Ilkay_S_202009_MASc.pdf?sequence=3&isAllowed=y -> MACHINE LEARNING ENHANCEMENTS FOR KNOWLEDGE DISCOVERY IN MINERAL EXPLORATION AND IMPROVED MINERAL RESOURCE CLASSIFICATION
• https://www.researchgate.net/publication/343511849_Identification_of_intrusive_lithologies_in_volcanic_terrains_in_British_Columbia_by_machine_learning_using_Random_Forests_the_value_of_using_a_soft_classifier
• https://www.researchgate.net/publication/365782501_Improving_Mineral_Prospectivity_Model_Generalization_An_Example_from_Orogenic_Gold_Mineralization_of_the_Sturgeon_Lake_Transect_Ontario_Canada
• https://www.researchgate.net/publication/348983384_Mineral_prospectivity_mapping_using_a_VNet_convolutional_neural_network
• corporate link
• https://www.researchgate.net/publication/369048379_Mineral_Prospectivity_Mapping_Using_Machine_Learning_Techniques_for_Gold_Exploration_in_the_Larder_Lake_Area_Ontario_Canada
• https://www.researchgate.net/publication/337167506_Orogenic_gold_prospectivity_mapping_using_machine_learning
• https://www.researchgate.net/publication/290509352_Precursors_predicted_by_artificial_neural_networks_for_mass_balance_calculations_Quantifying_hydrothermal_alteration_in_volcanic_rocks
• https://link.springer.com/article/10.1007/s11053-024-10369-7 -> Predictive Modeling of Canadian Carbonatite-Hosted REE +/− Nb Deposits
• https://www.sciencedirect.com/science/article/pii/S0098300422001406 -> Preliminary geological mapping with convolution neural network using statistical data augmentation on a 3D model
• https://www.researchgate.net/publication/352046255_Study_of_the_Influence_of_Non-Deposit_Locations_in_Data-Driven_Mineral_Prospectivity_Mapping_A_Case_Study_on_the_Iskut_Project_in_Northwestern_British_Columbia_Canada
• https://www.researchgate.net/publication/220164155_Support_vector_machine_A_tool_for_mapping_mineral_prospectivity
• https://www.researchgate.net/publication/348111963_Support_Vector_Machine_and_Artificial_Neural_Network_Modelling_of_Orogenic_Gold_Prospectivity_Mapping_in_the_Swayze_greenstone_belt_Ontario_Canada
• PhD thesis -> https://zone.biblio.laurentian.ca/bitstream/10219/3736/1/PhD%20Thesis%20Maepa_20210603.%281%29.pdf -> Exploration targeting for gold deposits using spatial data analytics, machine learning and deep transfer learning in the Swayze and Matheson greenstone belts, Ontario, Canada
• https://data.geology.gov.yk.ca/Reference/95936#InfoTab -> Updates to the Yukon Geological Survey's mineral potential mapping methodology
• http://www.geosciencebc.com/i/pdf/SummaryofActivities2015/SoA2015_Granek.pdf -> Advanced Geoscience Targeting via Focused Machine Learning Applied to the QUEST Project Dataset, British Columbia

África Central

• https://www.researchgate.net/publication/323452014_The_Utility_of_Machine_Learning_in_Identification_of_Key_Geophysical_and_Geochemical_Datasets_A_Case_Study_in_Lithological_Mapping_in_the_Central_African_Copper_Belt
• https://www.researchgate.net/publication/334436808_Lithological_Mapping_in_the_Central_African_Copper_Belt_using_Random_Forests_and_Clustering_Strategies_for_Optimised_Results

Chile

• https://www.researchgate.net/publication/341485750_Evaluation_of_random_forest-based_analysis_for_the_gypsum_distribution_in_the_Atacama_desert

Porcelana

• https://www.researchgate.net/publication/374968979_3D_cooperative_inversion_of_airborne_magnetic_and_gravity_gradient_data_using_deep_learning_techniques - 3D cooperative inversion of airborne magnetic and gravity gradient data using deep learning techniques [UNSEEN]
• https://www.researchgate.net/publication/369919958_3D_mineral_exploration_Cu-Zn_targeting_with_multi-source_geoscience_datasets_in_the_Weilasituo-bairendaba_district_Inner_Mongolia_China
• https://www.researchgate.net/publication/350817136_3D_Mineral_Prospectivity_Mapping_Based_on_Deep_Metallogenic_Prediction_Theory_A_Case_Study_of_the_Lala_Copper_Mine_Sichuan_China
• https://www.researchgate.net/publication/336771580_3D_Mineral_Prospectivity_Mapping_with_Random_Forests_A_Case_Study_of_Tongling_Anhui_China
• https://www.sciencedirect.com/science/article/pii/S0169136823005772 -> 3D mineral prospectivity modeling in the Sanshandao goldfield, China using the convolutional neural network with attention mechanism
• https://www.sciencedirect.com/science/article/pii/S0009281924001144 -> 3D mineral prospectivity modeling using deep adaptation network transfer learning: A case study of the Xiadian gold deposit, Eastern China
• https://www.sciencedirect.com/science/article/pii/S0009281924000497 -> 3D mineral prospectivity modeling using multi-scale 3D convolution neural network and spatial attention approaches
• https://www.researchgate.net/publication/366201930_3D_Quantitative_Metallogenic_Prediction_of_Indium-Rich_Ore_Bodies_in_the_Dulong_Sn-Zn_Polymetallic_Deposit_Yunnan_Province_SW_China
• https://www.researchgate.net/publication/329600793_A_combined_approach_using_spatially-weighted_principal_components_analysis_and_wavelet_transformation_for_geochemical_anomaly_mapping_in_the_Dashui_ore-concentration_district_Central_China
• https://www.researchgate.net/publication/349034539_A_Comparative_Study_of_Machine_Learning_Models_with_Hyperparameter_Optimization_Algorithm_for_Mapping_Mineral_Prospectivity
• https://www.researchgate.net/publication/354132594_A_Convolutional_Neural_Network_of_GoogLeNet_Applied_in_Mineral_Prospectivity_Prediction_Based_on_Multi-source_Geoinformation
• https://www.researchgate.net/publication/369865076_A_deep-learning-based_mineral_prospectivity_modeling_framework_and_workflow_in_prediction_of_porphyry-epithermal_mineralization_in_the_Duolong_Ore_District_Tibet
• https://www.researchgate.net/publication/374982967_A_Framework_for_Data-Driven_Mineral_Prospectivity_Mapping_with_Interpretable_Machine_Learning_and_Modulated_Predictive_Modeling
• https://www.sciencedirect.com/science/article/pii/S0169136824002026 -> A Global-Local collaborative approach to quantifying spatial non-stationarity in three-dimensional mineral prospectivity modeling
• https://link.springer.com/article/10.1007/s11053-024-10344-2 -> A Heterogeneous Graph Construction Method for Mineral Prospectivity Mapping [UNSEEN]
• https://www.researchgate.net/publication/353421842_A_hybrid_logistic_regression_gene_expression_programming_model_and_its_application_to_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/375764940_A_lightweight_convolutional_neural_network_with_end-to-end_learning_for_three-dimensional_mineral_prospectivity_modeling_A_case_study_of_the_Sanhetun_Area_Heilongjiang_Province_Northeastern_China
• https://www.researchgate.net/publication/339821823_A_Monte_Carlo-based_framework_for_risk-return_analysis_in_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/373715610_A_Multimodal_Learning_Framework_for_Comprehensive_3D_Mineral_Prospectivity_Modeling_with_Jointly_Learned_Structure-Fluid_Relationships
• https://www.sciencedirect.com/science/article/pii/S0169136824001343 -> A novel hybrid ensemble model for mineral prospectivity prediction: A case study in the Malipo W-Sn mineral district, Yunnan Province, China
• https://www.researchgate.net/publication/347344551_A_positive_and_unlabeled_learning_algorithm_for_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/335036019_An_Autoencoder-Based_Dimensionality_Reduction_Algorithm_for_Intelligent_Clustering_of_Mineral_Deposit_Data
• https://www.researchgate.net/publication/363696083_An_Integrated_Framework_for_Data-Driven_Mineral_Prospectivity_Mapping_Using_Bagging-Based_Positive_Unlabeled_Learning_and_Bayesian_Cost-Sensitive_Logistic_Regression
• https://link.springer.com/article/10.1007/s11053-024-10349-x -> An Uncertainty-Quantification Machine Learning Framework for Data-Driven Three-Dimensional Mineral Prospectivity Mapping
• https://link.springer.com/article/10.1007/s11004-023-10076-8 - An Interpretable Graph Attention Network for Mineral Prospectivity Mapping
• https://www.researchgate.net/publication/332751556_Application_of_hierarchical_clustering_singularity_mapping_and_Kohonen_neural_network_to_identify_Ag-Au-Pb-Zn_polymetallic_mineralization_associated_geochemical_anomaly_in_Pangxidong_district
• https://www.mdpi.com/2075-163X/14/9/945 -> Application of Machine Learning to Characterize Metallogenic Potential Based on Trace Elements of Zircon: A Case Study of the Tethyan Domain
• https://www.researchgate.net/publication/339096362_Application_of_nonconventional_mineral_exploration_techniques_case_studies
• https://www.researchgate.net/publication/325702993_Assessment_of_Geochemical_Anomaly_Uncertainty_Through_Geostatistical_Simulation_and_Singularity_Analysis
• https://www.researchgate.net/publication/368586826_Bagging-based_Positive-Unlabeled_Data_Learning_Algorithm_with_Base_Learners_Random_Forest_and_XGBoost_for_3D_Exploration_Targeting_in_the_Kalatongke_District_Xinjiang_China
• https://link.springer.com/article/10.1007/s11004-024-10153-6 -> Causal Discovery and Deep Learning Algorithms for Detecting Geochemical Patterns Associated with Gold-Polymetallic Mineralization: A Case Study of the Edongnan Region [UNSEEN]
• https://www.sciencedirect.com/science/article/pii/S0169136824001409 -> CNN-Transformers for mineral prospectivity mapping in the Maodeng–Baiyinchagan area, Southern Great Xing'an Range
• https://www.researchgate.net/publication/347079505_Convolutional_neural_network_and_transfer_learning_based_mineral_prospectivity_modeling_for_geochemical_exploration_of_Au_mineralization_within_the_Guandian-Zhangbaling_area_Anhui_Province_China
• https://www.researchgate.net/publication/352703015_Data-driven_based_logistic_function_and_prediction-area_plot_for_mineral_prospectivity_mapping_a_case_study_from_the_eastern_margin_of_Qinling_orogenic_belt_central_China
• https://www.sciencedirect.com/science/article/abs/pii/S0012825218306123 -> Deep learning and its application in geochemical mapping
• https://www.frontiersin.org/articles/10.3389/feart.2024.1308426/full -> Deep gold prospectivity modeling in the Jiaojia gold belt, Jiaodong Peninsula, eastern China using machine learning of geometric and geodynamic variables
• https://www.researchgate.net/publication/352893038_Detection_of_geochemical_anomalies_related_to_mineralization_using_the_GANomaly_network
• https://www.researchgate.net/publication/357685352_Determination_of_Predictive_Variables_in_Mineral_Prospectivity_Mapping_Using_Supervised_and_Unsupervised_Methods
• https://www.sciencedirect.com/science/article/abs/pii/S0375674221001370 -> Distinguishing IOCG and IOA deposits via random forest algorithm based on magnetite composition
• https://www.researchgate.net/publication/340401748_Effects_of_Random_Negative_Training_Samples_on_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/360333702_Ensemble_learning_models_with_a_Bayesian_optimization_algorithm_for_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/267927676_Evaluation_of_uncertainty_in_mineral_prospectivity_mapping_due_to_missing_evidence_A_case_study_with_skarn-type_Fe_deposits_in_Southwestern_Fujian_Province_China
• https://www.mdpi.com/2075-163X/14/5/492 ->Exploration Vectors and Indicators Extracted by Factor Analysis and Association Rule Algorithms at the Lintan Carlin-Type Gold Deposit, Youjiang Basin, China
• https://www.researchgate.net/publication/379852209_Fractal-Based_Multi-Criteria_Feature_Selection_to_Enhance_Predictive_Capability_of_AI-Driven_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/338789096_From_2D_to_3D_Modeling_of_Mineral_Prospectivity_Using_Multi-source_Geoscience_Datasets_Wulong_Gold_District_China
• https://www.researchgate.net/publication/359714254_Geochemical_characterization_of_the_Central_Mineral_Belt_U_Cu_Mo_V_mineralization_Labrador_Canada_Application_of_unsupervised_machine-learning_for_evaluation_of_IOCG_and_affiliated_mineral_potential
• https://www.researchgate.net/publication/350788828_Geochemically_Constrained_Prospectivity_Mapping_Aided_by_Unsupervised_Cluster_Analysis
• https://www.researchgate.net/publication/267927506_GIS-based_mineral_potential_modeling_by_advanced_spatial_analytical_methods_in_the_southeastern_Yunnan_mineral_district_China
• https://www.researchgate.net/publication/380190183_Geologically_Constrained_Convolutional_Neural_Network_for_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/332997161_GNER_A_Generative_Model_for_Geological_Named_Entity_Recognition_Without_Labeled_Data_Using_Deep_Learning
• https://www.researchgate.net/publication/307011381_Identification_and_mapping_of_geochemical_patterns_and_their_significance_for_regional_metallogeny_in_the_southern_Sanjiang_China
• https://link.springer.com/article/10.1007/s11053-024-10334-4 -> Identification of Geochemical Anomalies Using an End-to-End Transformer
• https://www.researchgate.net/publication/359627130_Identification_of_ore-finding_targets_using_the_anomaly_components_of_ore-forming_element_associations_extracted_by_SVD_and_PCA_in_the_Jiaodong_gold_cluster_area_Eastern_China
• https://www.researchgate.net/publication/282621670_Identifying_geochemical_anomalies_associated_with_Au-Cu_mineralization_using_multifractal_and_artificial_neural_network_models_in_the_Ningqiang_district_Shaanxi_China
• https://www.sciencedirect.com/science/article/abs/pii/S0375674224000943 -> Integrate physics-driven dynamics simulation with data-driven machine learning to predict potential targets in maturely explored orefields: A case study in Tongguangshan orefield, Tongling , Porcelana
• https://www.researchgate.net/publication/329299202_Integrating_sequential_indicator_simulation_and_singularity_analysis_to_analyze_uncertainty_of_geochemical_anomaly_for_exploration_targeting_of_tungsten_polymetallic_mineralization_Nanling_belt_South_
• https://www.sciencedirect.com/science/article/abs/pii/S0883292724001987 -> Integrating soil geochemistry and machine learning for enhanced mineral exploration at the dayu gold deposit, south China block
• https://www.mdpi.com/2071-1050/15/13/10269 -> Intelligent Identification and Prediction Mineral Resources Deposit Based on Deep Learning
• https://link.springer.com/article/10.1007/s11053-024-10396-4 -> Interpretable SHAP Model Combining Meta-learning and Vision Transformer for Lithology Classification Using Limited and Unbalanced Drilling Data in Well Logging
• https://www.researchgate.net/publication/358555996_Learning_3D_mineral_prospectivity_from_3D_geological_models_using_convolutional_neural_networks_Application_to_a_structure-controlled_hydrothermal_gold_deposit
• https://www.researchgate.net/publication/352476625_Machine_Learning-Based_3D_Modeling_of_Mineral_Prospectivity_Mapping_in_the_Anqing_Orefield_Eastern_China
• https://www.researchgate.net/publication/331575655_Mapping_Geochemical_Anomalies_Through_Integrating_Random_Forest_and_Metric_Learning_Methods
• https://www.researchgate.net/publication/229399579_Mapping_geochemical_singularity_using_multifractal_analysis_Application_to_anomaly_definition_on_stream_sediments_data_from_Funin_Sheet_Yunnan_China
• https://www.researchgate.net/publication/328255422_Mapping_mineral_prospectivity_through_big_data_analytics_and_a_deep_learning_algorithm
• https://www.researchgate.net/publication/334106787_Mapping_Mineral_Prospectivity_via_Semi-supervised_Random_Forest
• https://www.researchgate.net/publication/236270466_Mapping_of_district-scale_potential_targets_using_fractal_models
• https://www.researchgate.net/publication/357584076_Mapping_prospectivity_for_regolith-hosted_REE_deposits_via_convolutional_neural_network_with_generative_adversarial_network_augmented_data
• https://www.researchgate.net/publication/328623280_Maximum_Entropy_and_Random_Forest_Modeling_of_Mineral_Potential_Analysis_of_Gold_Prospectivity_in_the_Hezuo-Meiwu_District_West_Qinling_Orogen_China
• https://www.sciencedirect.com/science/article/pii/S016913682400163X -> Metallogenic prediction based on fractal theory and machine learning in Duobaoshan Area, Heilongjiang Province
• https://www.sciencedirect.com/science/article/pii/S0169136824003810 -> Mineral prospectivity mapping susceptibility evaluation based on interpretable ensemble learning
• https://link.springer.com/article/10.1007/s11053-024-10386-6 -> Mineral Prospectivity Mapping Based on Spatial Feature Classification with Geological Map Knowledge Graph Embedding: Case Study of Gold Ore Prediction at Wulonggou, Qinghai Provinc
• https://www.researchgate.net/publication/235443301_Mineral_potential_mapping_in_a_frontier_region
• https://www.researchgate.net/publication/235443302_Mineral_potential_mapping_in_frontier_regions_A_Mongolian_case_study
• https://www.researchgate.net/publication/369104190_Mineral_Prospectivity_Mapping_Using_Attention-based_Convolutional_Neural_Network
• https://www.nature.com/articles/s41598-024-73357-0 -> Mineral prospectivity prediction based on convolutional neural network and ensemble learning
• https://www.researchgate.net/publication/329037175_Mineral_prospectivity_analysis_for_BIF_iron_deposits_A_case_study_in_the_Anshan-Benxi_area_Liaoning_province_North-East_China
• https://link.springer.com/article/10.1007/s11053-024-10335-3 -> Mineral Prospectivity Prediction Based on Self-Supervised Contrastive Learning and Geochemical Data: A Case Study of the Gold Deposit in the Malanyu District, Hebei Province, China [USEEN]
• https://www.researchgate.net/publication/377694139_Manganese_mineral_prospectivity_based_on_deep_convolutional_neural_networks_in_Songtao_of_northeastern_Guizhou
• https://www.researchgate.net/publication/ 351649498_Mineral_Prospectivity_Mapping_based_on_Isolation_Forest_and_Random_Forest_Implication_for_the_Existence_of_Spatial_Signature_of_Mineralization_in_Outliers
• https://www.researchgate.net/publication/358528670_Mineral_Prospectivity_Mapping_Based_on_Wavelet_Neural_Network_and_Monte_Carlo_Simulations_in_the_Nanling_W-Sn_Metallogenic_Province
• https://www.researchgate.net/publication/352983697_Mineral_prospectivity_mapping_by_deep_learning_method_in_Yawan-Daqiao_area_Gansu
• https://www.researchgate.net/publication/367106018_Mineral_Prospectivity_Mapping_of_Porphyry_Copper_Deposits_Based_on_Remote_Sensing_Imagery_and_Geochemical_Data_in_the_Duolong_Ore_District_Tibet - Mineral Prospectivity Mapping of Porphyry Copper Deposits Based on Remote Sensing Imagery and Geochemical Data in the Duolong Ore District, Tibet
• https://www.researchgate.net/publication/355749736_Mineral_prospectivity_mapping_using_a_joint_singularity-based_weighting_method_and_long_short-term_memory_network
• https://www.researchgate.net/publication/369104190_Mineral_Prospectivity_Mapping_Using_Attention-based_Convolutional_Neural_Network
• https://www.researchgate.net/publication/365434839_Mineral_Prospectivity_Mapping_Using_Deep_Self-Attention_Model
• https://www.researchgate.net/publication/379674196_Mineral_prospectivity_mapping_using_knowledge_embedding_and_explainable_ensemble_learning_A_case_study_of_the_Keeryin_ore_concentration_in_Sichuan_China
• https://www.researchgate.net/publication/350817877_Mineral_Prospectivity_Prediction_via_Convolutional_Neural_Networks_Based_on_Geological_Big_Data
• https://www.researchgate.net/publication/338871759_Modeling-based_mineral_system_approach_to_prospectivity_mapping_of_stratabound_hydrothermal_deposits_A_case_study_of_MVT_Pb-Zn_deposits_in_the_Huayuan_area_northwestern_Hunan_Province_China
• https://www.sciencedirect.com/science/article/pii/S0169136824003172 -> New insights into the metallogenic genesis of the Xiadian Au deposit, Jiaodong Peninsula, Eastern China: Constraints from integrated rutile in-situ geochemical analysis and machine learning discrimination
• https://www.researchgate.net/publication/332547136_Prospectivity_Mapping_for_Porphyry_Cu-Mo_Mineralization_in_the_Eastern_Tianshan_Xinjiang_Northwestern_China
• https://www.sciencedirect.com/science/article/pii/S0169136824001823 -> Quantitative prediction methods and applications of digital ore deposit models
• https://www.researchgate.net/publication/344303914_Random-Drop_Data_Augmentation_of_Deep_Convolutional_Neural_Network_for_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/371044606_Supervised_Mineral_Prospectivity_Mapping_via_Class-Balanced_Focal_Loss_Function_on_Imbalanced_Geoscience_DatasetsSupervised Mineral Prospectivity Mapping via Class-Balanced Focal Loss Function on Imbalanced Geoscience Datasets
• https://www.researchgate.net/publication/361520562_Recognizing_Multivariate_Geochemical_Anomalies_Related_to_Mineralization_by_Using_Deep_Unsupervised_Graph_Learning
• https://www.sciencedirect.com/science/article/pii/S0169136824003937 -> Semi-supervised graph convolutional networks for integrating continuous and binary evidential layers for mineral exploration targeting
• https://www.researchgate.net/publication/371044606_Supervised_Mineral_Prospectivity_Mapping_via_Class-Balanced_Focal_Loss_Function_on_Imbalanced_Geoscience_Datasets
• https://www.researchgate.net/publication/360028637_Three-Dimensional_Mineral_Prospectivity_Mapping_by_XGBoost_Modeling_A_Case_Study_of_the_Lannigou_Gold_Deposit_China
• https://link.springer.com/article/10.1007/s11053-024-10387-5 - Toward Data-Driven Mineral Prospectivity Mapping from Remote Sensing Data Using Deep Forest Predictive Model
• https://www.researchgate.net/publication/361589587_Unlabeled_Sample_Selection_for_Mineral_Prospectivity_Mapping_by_Semi-supervised_Support_Vector_Machine
• https://www.researchgate.net/publication/343515866_Using_deep_variational_autoencoder_networks_for_recognizing_geochemical_anomalies
• https://link.springer.com/article/10.1007/s11004-024-10151-8 -> Using Three-dimensional Modeling and Random Forests to Predict Deep Ore Potentials: A Case Study on Xiongcun Porphyry Copper–Gold Deposit in Tibet, Porcelana
• https://www.researchgate.net/publication/361194407_Visual_Interpretable_Deep_Learning_Algorithm_for_Geochemical_Anomaly_Recognition

Egipto

• https://www.researchgate.net/publication/340084035_Reliability_of_using_ASTER_data_in_lithologic_mapping_and_alteration_mineral_detection_of_the_basement_complex_of_West_Berenice_Southeastern_Desert_Egypt

Inglaterra

• https://www.researchgate.net/publication/342339753_A_machine_learning_approach_to_tungsten_prospectivity_modelling_using_knowledge-driven_feature_extraction_and_model_confidence
• https://www.researchgate.net/project/Enhancing-the-Geological-Understanding-of-SW-England-Using-Machine-Learning-Algorithms

Eritrea

• https://www.researchgate.net/publication/349158008_Mapping_gold_mineral_prospectivity_based_on_weights_of_evidence_method_in_southeast_Asmara_Eritrea

Finlandia

• https://www.researchgate.net/publication/360661926_Target-scale_prospectivity_modeling_for_gold_mineralization_within_the_Rajapalot_Au-Co_project_area_in_northern_Fennoscandian_Shield_Finland_Part_2_Application_of_self-organizing_maps_and_artificial_n
• https://www.sciencedirect.com/science/article/pii/S0169136824004037 -> Addressing imbalanced data for machine learning based mineral prospectivity mapping

Finlandia

• https://publications.csiro.au/publications/#publication/PIcsiro:EP146125/SQmineral%20prospectivity/RP1/RS50/RORECENT/STsearch-by-keyword/LISEA/RI12/RT26 -> A novel spatial analysis approach for assessing regional-scale mineral prospectivity In Northern Finland
• https://www.researchgate.net/publication/332352805_Boosting_for_Mineral_Prospectivity_Modeling_A_New_GIS_Toolbox
• https://www.researchgate.net/publication/324517415_Can_boosting_boost_minimal_invasive_exploration_targeting
• https://www.researchgate.net/publication/248955109_Combined_conceptualempirical_prospectivity_mapping_for_orogenic_gold_in_the_northern_Fennoscandian_Shield_Finland
• https://www.researchgate.net/publication/283451958_Data-driven_logistic-based_weighting_of_geochemical_and_geological_evidence_layers_in_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/320280611_Evaluation_of_boosting_algorithms_for_prospectivity_mapping
• https://www.researchgate.net/publication/298297988_Fuzzy_logic_data_integration_technique_used_as_a_nickel_exploration_tool
• https://www.researchgate.net/publication/259372191_Gravity_data_in_regional_scale_3D_and_gold_prospectivity_modelling_-_example_from_the_Central_Lapland_greenstone_belt_northern_Finland
• https://www.researchgate.net/publication/315381587_Introduction_to_the_special_issue_GIS-based_mineral_potential_targeting
• https://www.researchgate.net/publication/320709733_Knowledge-driven_prospectivity_model_for_Iron_oxide-Cu-Au_IOCG_deposits_in_northern_Finland
• https://tupa.gtk.fi/raportti/arkisto/57_2021.pdf -> Mineral Prospectivity and Exploration Targeting MinProXT 2021 Webinar - paper compilation
• https://tupa.gtk.fi/raportti/arkisto/29_2023.pdf -> Mineral Prospectivity and Exploration Targeting MinProXT 2022 Webinar - paper compilation
• https://www.researchgate.net/publication/312180531_Optimizing_a_Knowledge-driven_Prospectivity_Model_for_Gold_Deposits_Within_Perapohja_Belt_Northern_Finland
• https://www.researchgate.net/publication/320703774_Prospectivity_Models_for_Volcanogenic_Massive_Sulfide_Deposits_VMS_in_Northern_Finland
• https://www.researchgate.net/publication/280875727_Receiver_operating_characteristics_ROC_as_validation_tool_for_prospectivity_models_-_A_magmatic_Ni-Cu_case_study_from_the_Central_Lapland_Greenstone_Belt_Northern_Finland
• https://www.researchgate.net/publication/332298116_Scalability_of_the_Mineral_Prospectivity_Modelling_-_An_orogenic_gold_case_study_from_northern_Finland
• https://www.researchgate.net/publication/251786465_Spatial_data_analysis_as_a_tool_for_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/331006924_Unsupervised_clustering_and_empirical_fuzzy_memberships_for_mineral_prospectivity_modelling

Ghana

• https://www.researchgate.net/publication/227256267_Application_of_Data-Driven_Evidential_Belief_Functions_to_Prospectivity_Mapping_for_Aquamarine-Bearing_Pegmatites_Lundazi_District_Zambia
• https://www.researchgate.net/publication/226842511_Mapping_of_prospectivity_and_estimation_of_number_of_undiscovered_prospects_for_lode_gold_southwestern_Ashanti_Belt_Ghana
• https://www.researchgate.net/publication/233791624_Spatial_association_of_gold_deposits_with_remotely_-_sensed_faults_South_Ashanti_belt_Ghana

Tierra Verde

• https://www.researchgate.net/publication/360970965_Identification_of_Radioactive_Mineralized_Lithology_and_Mineral_Prospectivity_Mapping_Based_on_Remote_Sensing_in_High-Latitude_Regions_A_Case_Study_on_the_Narsaq_Region_of_Greenland

India

• https://www.researchgate.net/publication/372636338_Unsupervised_machine_learning_based_prospectivity_analysis_of_NW_and_NE_India_for_carbonatite-alkaline_complex-related_REE_deposits

Indonesia

• https://www.researchgate.net/publication/263542819_Regional-Scale_Geothermal_Prospectivity_Mapping_in_West_Java_Indonesia_by_Data-driven_Evidential_Belief_Functions

Irán

• https://www.researchgate.net/publication/325697373_A_comparative_analysis_of_artificial_neural_network_ANN_wavelet_neural_network_WNN_and_support_vector_machine_SVM_data-driven_models_to_mineral_potential_mapping_for_copper_mineralizations_in_the_Shah
• https://www.researchgate.net/publication/358507255_A_Comparative_Study_of_Convolutional_Neural_Networks_and_Conventional_Machine_Learning_Models_for_Lithological_Mapping_Using_Remote_Sensing_Data
• https://www.researchgate.net/publication/351750324_A_data_augmentation_approach_to_XGboost-based_mineral_potential_mapping_An_example_of_carbonate-hosted_Zn_Pb_mineral_systems_of_Western_Iran
• https://www.researchgate.net/publication/336471932_A_knowledge-guided_fuzzy_inference_approach_for_integrating_geophysics_geochemistry_and_geology_data_in_deposit-scale_porphyry_copper_targeting_Saveh-Iran
• https://www.researchgate.net/publication/348500913_A_new_strategy_for_spatial_predictive_mapping_of_mineral_prospectivity
• https://www.researchgate.net/publication/348482539_A_new_strategy_for_spatial_predictive_mapping_of_mineral_prospectivity_Automated_hyperparameter_tuning_of_random_forest_approach
• https://www.researchgate.net/publication/352251016_A_simulation-based_framework_for_modulating_the_effects_of_subjectivity_in_greenfield_Mineral_Prospectivity_Mapping_with_geochemical_and_geological_data
• https://www.researchgate.net/publication/296638839_An_AHP-TOPSIS_Predictive_Model_for_District-Scale_Mapping_of_Porphyry_Cu-Au_Potential_A_Case_Study_from_Salafchegan_Area_Central_Iran
• https://www.researchgate.net/publication/278029106_Application_of_Discriminant_Analysis_and_Support_Vector_Machine_in_Mapping_Gold_Potential_Areas_for_Further_Drilling_in_the_Sari-Gunay_Gold_Deposit_NW_Iran
• https://www.researchgate.net/publication/220164381_Application_of_geochemical_zonality_coefficients_in_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/330359897_Application_of_hybrid_AHP-TOPSIS_method_for_prospectivity_modeling_of_Cu_porphyry_in_Varzaghan_district_Iran
• https://www.researchgate.net/publication/356872819_Application_of_self-organizing_map_SOM_and_K-means_clustering_algorithms_for_portraying_geochemical_anomaly_patterns_in_Moalleman_district_NE_Iran
• https://www.researchgate.net/publication/258505300_Application_of_staged_factor_analysis_and_logistic_function_to_create_a_fuzzy_stream_sediment_geochemical_evidence_layer_for_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/358567148_Applications_of_data_augmentation_in_mineral_prospectivity_prediction_based_on_convolutional_neural_networks
• https://www.researchgate.net/publication/353761696_Assessing_the_effects_of_mineral_systems-derived_exploration_targeting_criteria_for_Random_Forests-based_predictive_mapping_of_mineral_prospectivity_in_Ahar-Arasbaran_area_Iran
• https://www.researchgate.net/publication/270586282_Data-Driven_Index_Overlay_and_Boolean_Logic_Mineral_Prospectivity_Modeling_in_Greenfields_Exploration
• https://www.researchgate.net/publication/356660905_Deep_GMDH_Neural_Networks_for_Predictive_Mapping_of_Mineral_Prospectivity_in_Terrains_Hosting_Few_but_Large_Mineral_Deposits
• https://www.researchgate.net/publication/317240761_Enhancement_and_Mapping_of_Weak_Multivariate_Stream_Sediment_Geochemical_Anomalies_in_Ahar_Area_NW_Iran
• https://www.sciencedirect.com/science/article/pii/S0009281924001223 -> Enhancing training performance of convolutional neural network algorithm through an autoencoder-based unsupervised labeling framework for mineral exploration targeting
• https://www.researchgate.net/publication/356580903_Evidential_data_integration_to_produce_porphyry_Cu_prospectivity_map_using_a_combination_of_knowledge_and_data_driven_methods
• https://research-repository.uwa.edu.au/en/publications/exploration-feature-selection-applied-to-hybrid-data-integration-Exploration feature selection applied to hybrid data integrationmodeling: Targeting copper-gold potential in central
• https://www.researchgate.net/publication/333199619_Incorporation_of_principal_component_analysis_geostatistical_interpolation_approaches_and_frequency-space-based_models_for_portraying_the_Cu-Au_geochemical_prospects_in_the_Feizabad_district_NW_Iran
• https://www.researchgate.net/publication/351965039_Intelligent_geochemical_exploration_modeling_using_multiclass_support_vector_machine_and_integration_it_with_continuous_genetic_algorithm_in_Gonabad_region_Khorasan_Razavi_Iran
• https://www.researchgate.net/publication/310658663_Multifractal_interpolation_and_spectrum-area_fractal_modeling_of_stream_sediment_geochemical_data_Implications_for_mapping_exploration_targets
• https://www.researchgate.net/publication/267635150_Multivariate_regression_analysis_of_lithogeochemical_data_to_model_subsurface_mineralization_A_case_study_from_the_Sari_Gunay_epithermal_gold_deposit_NW_Iran
• https://www.researchgate.net/publication/330129457_Performance_evaluation_of_RBF-_and_SVM-based_machine_learning_algorithms_for_predictive_mineral_prospectivity_modeling_integration_of_S-A_multifractal_model_and_mineralization_controls
• https://www.researchgate.net/publication/353982380_Porphyry_Cu-Au_prospectivity_modelling_using_semi-supervised_learning_algorithm_in_Dehsalm_district_eastern_Iran_In_Farsi_with_extended_English_abstract
• https://www.researchgate.net/publication/320886789_Prospectivity_analysis_of_orogenic_gold_deposits_in_Saqez-Sardasht_Goldfield_Zagros_Orogen_Iran
• https://www.researchgate.net/publication/361529867_Prospectivity_mapping_of_orogenic_lode_gold_deposits_using_fuzzy_models_a_case_study_of_Saqqez_area_NW_of_Iran
• https://www.researchgate.net/publication/361717490_Quantifying_Uncertainties_Linked_to_the_Diversity_of_Mathematical_Frameworks_in_Knowledge-Driven_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/374730424_Recognition_of_mineralization-related_anomaly_patterns_through_an_autoencoder_neural_network_for_mineral_exploration_targeting
• https://www.researchgate.net/publication/349957803_Regional-Scale_Mineral_Prospectivity_Mapping_Support_Vector_Machines_and_an_Improved_Data-Driven_Multi-criteria_Decision-Making_Technique
• https://www.researchgate.net/publication/339153591_Sensitivity_analysis_of_prospectivity_modeling_to_evidence_maps_Enhancing_success_of_targeting_for_epithermal_gold_Takab_district_NW_Iran
• https://www.researchgate.net/publication/321076980_Spatial_analyses_of_exploration_evidence_data_to_model_skarn-type_copper_prospectivity_in_the_Varzaghan_district_NW_Iran
• https://www.researchgate.net/publication/304904242_Stepwise_regression_for_recognition_of_geochemical_anomalies_Case_study_in_Takab_area_NW_Iran
• https://www.researchgate.net/publication/350423220_Supervised_mineral_exploration_targeting_and_the_challenges_with_the_selection_of_deposit_and_non-deposit_sites_thereof
• https://www.sciencedirect.com/science/article/pii/S0009281924000801 -> Targeting porphyry Cu deposits in the Chahargonbad region of Iran: A joint application of deep belief networks and random forest techniques
• https://www.researchgate.net/publication/307874730_The_use_of_decision_tree_induction_and_artificial_neural_networks_for_recognizing_the_geochemical_distribution_patterns_of_LREE_in_the_Choghart_deposit_Central_Iran
• https://www.researchsquare.com/article/rs-4760956/v1 -> Uncertainty reduction with Hyperparameter Optimization in mineral prospectivity mapping: A Regularized Artificial Neural Network approach [UNSEEN]

Irlanda

• https://www.gsi.ie/en-ie/programmes-and-projects/tellus/activities/tellus-product-development/mineral-prospectivity/Pages/default.aspx - > NW Midlands Mineral Prospectivity Mapping

India

• https://www.researchgate.net/publication/226092981_A_Hybrid_Neuro-Fuzzy_Model_for_Mineral_Potential_Mapping
• https://www.researchgate.net/publication/225328359_A_Hybrid_Fuzzy_Weights-of-Evidence_Model_for_Mineral_Potential_Mapping
• https://www.researchgate.net/publication/227221497_Artificial_Neural_Networks_for_Mineral-Potential_Mapping_A_Case_Study_from_Aravalli_Province_Western_India
• https://www.researchgate.net/publication/222050039_Bayesian_network_classifiers_for_mineral_potential_mapping
• https://www.researchgate.net/publication/355397149_Gold_Prospectivity_Mapping_in_the_Sonakhan_Greenstone_Belt_Central_India_A_Knowledge-Driven_Guide_for_Target_Delineation_in_a_Region_of_Low_Exploration_Maturity
• https://www.researchgate.net/publication/272092276_Extended_Weights-of-Evidence_Modelling_for_Predictive_Mapping_of_Base_Metal_Deposit_Potential_in_Aravalli_Province_Western_India
• https://www.researchgate.net/publication/226193283_Knowledge-Driven_and_Data-Driven_Fuzzy_Models_for_Predictive_Mineral_Potential_Mapping
• https://www.researchgate.net/publication/238027981_SVM-based_base-metal_prospectivity_modeling_of_the_Aravalli_Orogen_Northwestern_India

Corea

• https://www.researchgate.net/publication/382131746_Domain_Adaptation_from_Drilling_to_Geophysical_Data_for_Mineral_Exploration

Noruega

• https://www.mdpi.com/2075-163X/9/2/131/htm - Prospectivity Mapping of Mineral Deposits in Northern Norway Using Radial Basis Function Neural Networks

Corea del Sur

• https://www.researchgate.net/publication/221911782_Application_of_Artificial_Neural_Network_for_Mineral_Potential_Mapping
• https://www.researchgate.net/publication/359861043_Rock_Classification_in_a_Vanadiferous_Titanomagnetite_Deposit_Based_on_Supervised_Machine_Learning#fullTextFileContent Rock Classification in a Vanadiferous Titanomagnetite Deposit Based on Supervised Machine Learning

Phillipines

• https://www.researchgate.net/publication/359632307_A_Geologically_Constrained_Variational_Autoencoder_for_Mineral_Prospectivity_Mapping
• https://www.researchgate.net/publication/263174923_Application_of_Mineral_Exploration_Models_and_GIS_to_Generate_Mineral_Potential_Maps_as_Input_for_Optimum_Land-Use_Planning_in_the_Philippines
• https://www.researchgate.net/publication/267927677_Data-driven_predictive_mapping_of_gold_prospectivity_Baguio_district_Philippines_Application_of_Random_Forests_algorithm
• https://www.researchgate.net/publication/276271833_Data-Driven_Predictive_Modeling_of_Mineral_Prospectivity_Using_Random_Forests_A_Case_Study_in_Catanduanes_Island_Philippines
• https://www.researchgate.net/publication/209803275_Evidential_belief_functions_for_data-driven_geologically_constrained_mapping_of_gold_potential_Baguio_district_Philippines
• https://www.researchgate.net/publication/241001432_Geologically_Constrained_Probabilistic_Mapping_of_Gold_Potential_Baguio_District_Philippines
• https://www.researchgate.net/publication/263724277_Geologically_Constrained_Fuzzy_Mapping_of_Gold_Mineralization_Potential_Baguio_District_Philippines
• https://www.researchgate.net/publication/229641286_Improved_Wildcat_Modelling_of_Mineral_Prospectivity
• https://www.researchgate.net/publication/238447208_Logistic_Regression_for_Geologically_Constrained_Mapping_of_Gold_Potential_Baguio_District_Philippines
• https://www.researchgate.net/publication/248977334_Mineral_imaging_with_Landsat_TM_data_for_hydrothermal_alteration_mapping_in_heavily-vegetated_terrane​​​​​​
• https://www.researchgate.net/publication/356546133_Mineral_Prospectivity_Mapping_via_Gated_Recurrent_Unit_Model
• https://www.researchgate.net/publication/267640864_Random_forest_predictive_modeling_of_mineral_prospectivity_with_small_number_of_prospects_and_data_with_missing_values_in_Abra_Philippines
• https://www.researchgate.net/publication/3931975_Remote_detection_of_vegetation_stress_for_mineral_exploration
• https://www.researchgate.net/publication/263422015_Where_Are_Porphyry_Copper_Deposits_Spatially_Localized_A_Case_Study_in_Benguet_Province_Philippines
• https://www.researchgate.net/publication/233488614_Wildcat_mapping_of_gold_potential_Baguio_District_Philippines
• https://www.researchgate.net/publication/226982180_Weights_of_Evidence_Modeling_of_Mineral_Potential_A_Case_Study_Using_Small_Number_of_Prospects_Abra_Philippines

Rusia

• https://www.researchgate.net/publication/358431343_Application_of_Maximum_Entropy_for_Mineral_Prospectivity_Mapping_in_Heavily_Vegetated_Areas_of_Greater_Kurile_Chain_with_Landsat_8_Data
• https://www.researchgate.net/publication/354000754_Mineral_Prospectivity_Mapping_for_Forecasting_Gold_Deposits_in_the_Central_Kolyma_Region_North-East_Russia

Sudáfrica

• https://www.researchgate.net/publication/359294267_Data-driven_multi-index_overlay_gold_prospectivity_mapping_using_geophysical_and_remote_sensing_datasets
• https://link.springer.com/article/10.1007/s11053-024-10390-w -> Mineral Reconnaissance Through Scientific Consensus: First National Prospectivity Maps for PGE–Ni–Cu–Cr and Witwatersrand-type Au Deposits in South Africa
• https://www.researchgate.net/publication/361526053_Mineral_prospectivity_mapping_of_gold-base_metal_mineralisation_in_the_Sabie-Pilgrim%27s_Rest_area_Mpumalanga_Province_South_Africa
• https://www.researchgate.net/publication/264296137_PREDICTIVE_BEDROCK_AND_MINERAL_PROSPECTIVITY_MAPPING_IN_THE_GIYANI_GREENSTONE_BELT_SOUTH_AFRICA
• https://www.researchgate.net/publication/268196204_Predictive_mapping_of_prospectivity_for_orogenic_gold_Giyani_greenstone_belt_South_Africa

España

• https://www.researchgate.net/publication/225656353_Deriving_Optimal_Exploration_Target_Zones_on_Mineral_Prospectivity_Maps
• https://www.researchgate.net/publication/222198648_Knowledge-guided_data-driven_evidential_belief_modeling_of_mineral_prospectivity_in_Cabo_de_Gata_SE_Spain
• https://www.researchgate.net/publication/356639977_Machine_learning_models_for_Hg_prospecting_in_the_Almaden_mining_district
• https://www.researchgate.net/publication/43165602_Methodology_for_deriving_optimal_exploration_target_zones
• https://www.researchgate.net/publication/263542579_Optimal_Exploration_Target_Zones
• https://www.researchgate.net/publication/222892103_Optimal_field_sampling_for_targeting_minerals_using_hyperspectral_data
• https://www.researchgate.net/publication/271671416_Predictive_modelling_of_gold_potential_with_the_integration_of_multisource_information_based_on_random_forest_a_case_study_on_the_Rodalquilar_area_Southern_Spain

Sudán

• https://link.springer.com/article/10.1007/s11053-024-10387-5 -> Toward Data-Driven Mineral Prospectivity Mapping from Remote Sensing Data Using Deep Forest Predictive Model [UNSEEN]

Suecia

• https://www.researchgate.net/publication/259128115_Biogeochemical_expression_of_rare_earth_element_and_zirconium_mineralization_at_Norra_Karr_Southern_Sweden
• https://www.researchgate.net/publication/260086862_COMPARISION_OF_VMS_PROSPECTIVITY_MAPPING_BY_EBF_AND_WOFE_MODELING_THE_SKELLEFTE_DISTRICT_SWEDEN
• https://www.researchgate.net/publication/336086368_GIS-based_mineral_system_approach_for_prospectivity_mapping_of_iron-oxide_apatite-bearing_mineralisation_in_Bergslagen_Sweden
• https://www.researchgate.net/publication/229347041_Predictive_mapping_of_prospectivity_and_quantitative_estimation_of_undiscovered_VMS_deposits_in_Skellefte_district_Sweden
• https://www.researchgate.net/publication/260086947_PRELIMINARY_GIS-BASED_ANALYSIS_OF_REGIONAL-SCALE_VMS_PROSPECTIVITY_IN_THE_SKELLEFTE_REGION_SWEDEN

Tanzania

• https://www.sciencedirect.com/science/article/pii/S2666261224000270 -> Machine learning based prospect targeting: A case of gold occurrence in central parts of Tanzania, East Africa

Uganda

• https://www.researchgate.net/publication/242339962_Predictive_mapping_for_orogenic_gold_prospectivity_in_Uganda
• https://www.researchgate.net/publication/262566098_Predictive_Mapping_of_Prospectivity_for_Orogenic_Gold_in_Uganda
• https://www.researchgate.net/publication/381219015_Machine_Learning_Application_in_Predictive_Mineral_Mapping_of_Southwestern_Uganda_Leveraging_Airborne_Magnetic_Radiometric_and_Electromagnetic_Data

Reino Unido

• https://www.researchgate.net/publication/383580839_Improved_mineral_prospectivity_mapping_using_graph_neural_networks

EE.UU

• https://www.researchgate.net/publication/338663292_A_Predictive_Geospatial_Exploration_Model_for_Mississippi_Valley_Type_Pb-Zn_Mineralization_in_the_Southeast_Missouri_Lead_District
• https://www.sciencedirect.com/science/article/abs/pii/S0375674218300396?via%3Dihub -> Machine learning strategies for classification and prediction of alteration facies: Examples from the Rosemont Cu-Mo-Ag skarn deposit, SE Tucson Arizona
• [presentation of the above!] https://www.slideshare.net/JuanCarlosOrdezCalde/geology-chemostratigraphy-and-alteration-geochemistry-of-the-rosemont-cumoag-skarn-deposit-southern-arizona
• https://github.com/rohitash-chandra/research/blob/master/presentations/CSIRO%20Minerals-Seminar-September2022.pdf -> Machine Learning for Mineral Exploration: A Data Odyssey
  • Video https://www.youtube.com/watch?v=zhXuPQy7mk8&t=561s -> Talks about using plate subduction and associated statistics via GPlates

Zambia

• https://www.researchgate.net/publication/263542565_APPLICATION_OF_REMOTE_SENSING_AND_SPATIAL_DATA_INTEGRATION_TO_PREDICT_POTENTIAL_ZONES_FOR_AQUAMARINE-BEARING_PEGMATITES_LUNDAZI_AREA_NORTHEAST_ZAMBIA
• https://www.researchgate.net/publication/264041472_Geological_and_Mineral_Potential_Mapping_by_Geoscience_Data_Integration

Zimbabue

• https://www.researchgate.net/publication/260792212_Nickel_Sulphide_Deposits_in_Archaean_Greenstone_Belts_in_Zimbabwe_Review_and_Prospectivity_Analysis

GENERAL PAPERS

Resúmenes

• https://www.sciencedirect.com/science/article/pii/S2772883824000347 -> A review on the applications of airborne geophysical and remote sensing datasets in epithermal gold mineralisation mapping
• https://www.researchgate.net/publication/353530416_A_Systematic_Review_on_the_Application_of_Machine_Learning_in_Exploiting_Mineralogical_Data_in_Mining_and_Mineral_Industry
• https://www.researchgate.net/publication/365777421_Computer_Vision_and_Pattern_Recognition_for_the_Analysis_of_2D3D_Remote_Sensing_Data_in_Geoscience_A_Survey - Computer Vision and Pattern Recognition for the Analysis of 2D/3D Remote Sensing Data in Geoscience: A Survey
• https://www.researchgate.net/publication/352104303_Deep_Learning_for_Geophysics_Current_and_Future_Trends
• https://www.proquest.com/openview/e7bec6c8ee50183b5049516b000d4f5c/1?pq-origsite=gscholar&cbl=18750&diss=y -> Probabilistic Knowledge-Guided Machine Learning in Engineering and Geoscience Systems
• KGMLPrescribedFires repository for one paper / part of above dissertation

Depósitos

• https://pubs.er.usgs.gov/publication/ofr20211049 -> Deposit Classification Scheme for the Critical Minerals Mapping Initiative Global Geochemical Database

ASG

• https://www.escubed.org/journals/earth-science-systems-and-society/articles/10.3389/esss.2024.10109/full -> Geospatial Data and Deep Learning Expose ESG Risks to Critical Raw Materials Supply: The Case of Litio

Geoquímica

Causal Discovery and Deep Learning Algorithms for Detecting Geochemical Patterns Associated with Gold-Polymetallic Mineralization: A Case Study of the Edongnan Region

• https://link.springer.com/article/10.1007/s11053-024-10408-3 -> A New Sphalerite Thermometer Based on Machine Learning with Trace Element Geochemistry
• https://www.researchgate.net/publication/378150628_A_SMOTified_extreme_learning_machine_for_identifying_mineralization_anomalies_from_geochemical_exploration_data_a_case_study_from_the_Yeniugou_area_Xinjiang_China A SMOTified extreme learning machine for identifying mineralization anomalies from geochemical exploration data
• https://ui.adsabs.harvard.edu/abs/2018EGUGA..20.4169R/abstract -> Accelerating minerals exploration with in-field characterisation, sample tracking and active machine learning
• https://www.researchgate.net/publication/375509344_Alteration_assemblage_characterization_using_machine_learning_applied_to_high_resolution_drill-core_images_hyperspectral_data_and_geochemistry
• https://qspace.library.queensu.ca/items/38f52d19-609d-4916-bcd0-3ce20675dee3/full - > Application of Computational Methods to Data Integration and Geoscientific Problems in Mineral Exploration and Mining
• https://www.sciencedirect.com/science/article/pii/S0169136822005509?dgcid=rss_sd_all -> Applying neural networks-based modelling to the prediction of mineralization: A case-study using the Western Australian Geochemistry (WACHEM) database
• https://www.sciencedirect.com/science/article/pii/S0169136824002099 -> Development of a machine learning model to classify mineral deposits using sphalerite chemistry and mineral assemblages
• https://www.sciencedirect.com/science/article/pii/S0169136824002403 -> Discrimination of deposit types using magnetite geochemistry based on machine learning
• https://www.researchgate.net/publication/302595237_A_machine_learning_approach_to_geochemical_mapping
• https://www.researchgate.net/publication/369300132_DEEP-LEARNING_IDENTIFICATION_OF_ANOMALOUS_DATA_IN_GEOCHEMICAL_DATASETS_DEEP-LEARNING_IDENTIFICATION_OF_ANOMALOUS_DATA_IN_GEOCHEMICAL_DATASETS
• https://www.researchgate.net/publication/378549920_Denoising_of_geochemical_data_using_deep_learning-Implications_for_regional_surveys -> Denoising of Geochemical Data using Deep Learning–Implications for Regional Surveys]
• https://www.researchgate.net/publication/368489689_Discrimination_of_Pb-Zn_deposit_types_using_sphalerite_geochemistry_New_insights_from_machine_learning_algorithm
• https://www.researchgate.net/publication/381369176_Effectiveness_of_LOF_iForest_and_OCSVM_in_detecting_anomalies_in_stream_sediment_geochemical_data#:~:text=LOF%20outperformed%20iForest%20and%20OCSVM,patterns%20in%20the%20iForest%20map
• https://dzkjqb.cug.edu.cn/en/article/doi/10.19509/j.cnki.dzkq.tb20220423 -> Gaussian mixture model in geochemical anomaly delineation of stream sediments: A case study of Xupu, Hunan Province [UNSEEN ]
• https://www.sciencedirect.com/science/article/pii/S0883292724002427 -> Geologically constrained unsupervised dual-branch deep learning algorithm for geochemical anomalies identification
• https://www.researchgate.net/publication/365953549_Incorporating_the_genetic_and_firefly_optimization_algorithms_into_K-means_clustering_method_for_detection_of_porphyry_and_skarn_Cu-related_geochemical_footprints_in_Baft_district_Kerman_Iran
• https://www.researchgate.net/publication/369768936_Infomax-based_deep_autoencoder_network_for_recognition_of_multi-element_geochemical_anomalies_linked_to_mineralization -> Paywalled
• https://www.sciencedirect.com/science/article/abs/pii/S0098300424001626 -> Local phase-constrained convolutional autoencoder network for identifying multivariate geochemical anomalies
• https://www.researchgate.net/publication/354564681_Machine_Learning_for_Identification_of_Primary_Water_Concentrations_in_Mantle_Pyroxene
• https://www.researchgate.net/publication/366210211_Machine_Learning_Prediction_of_Ore_Deposit_Genetic_Type_Using_Magnetite_Geochemistry
• https://link.springer.com/article/10.1007/s42461-024-01013-2 -> NIR-Spectroscopy and Machine Learning Models to Pre-concentrate Copper Hosted Within Sedimentary Rocks[UNSEEN]
• https://www.researchsquare.com/article/rs-4106957/v1 -> Multi-element geochemical anomaly recognition applying geologically-constrained convolutional deep learning algorithm with Butterworth filtering
• https://www.researchgate.net/publication/369241349_Quantifying_continental_crust_thickness_using_the_machine_learning_method
• https://link.springer.com/article/10.1007/s11004-024-10158-1 -> Spatial-Spectrum Two-Branch Model Based on a Superpixel Graph Convolutional Network and 1DCNN for Geochemical Anomaly Identification
• https://www.researchgate.net/publication/334651800_Using_machine_learning_to_estimate_a_key_missing_geochemical_variable_in_mining_exploration_Application_of_the_Random_Forest_algorithm_to_multi-sensor_core_logging_data

Apatito

• https://www.researchgate.net/publication/377892369_Apatite_trace_element_composition_as_an_indicator_of_ore_deposit_types_A_machine_learning_approachApatite trace element composition as an indicator of ore deposit types: A machine learning approach
• https://www.researchgate.net/publication/369729999_Visual_Interpretation_of_Machine_Learning_Genetical_Classification_of_Apatite_from_Various_Ore_Sources

Geología

Modificación

• https://ieeexplore.ieee.org/abstract/document/10544529 -> Remote sensing data processing using convolutional neural networks for mapping alteration zones [UNSEEN]

Profundidad

• https://www.researchgate.net/publication/332263305_A_speedy_update_on_machine_learning_applied_to_bedrock_mapping_using_geochemistry_or_geophysics_examples_from_the_Pacific_Rim_and_nearby
• https://eprints.utas.edu.au/32368/ - thesis paper update
• https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2024.1407173/full -> Deep learning for geological mapping in the overburden area
• https://www.researchgate.net/publication/280038632_Estimating_the_fill_thickness_and_bedrock_topography_in_intermontane_valleys_using_artificial_neural_networks_-_Supporting_Information
• https://www.researchgate.net/publication/311783770_Mapping_the_global_depth_to_bedrock_for_land_surface_modeling
• https://www.researchgate.net/publication/379813337_Contribution_to_advancing_aquifer_geometric_mapping_using_machine_learning_and_deep_learning_techniques_a_case_study_of_the_AL_Haouz-Mejjate_aquifer_Marrakech_Morocco
• https://www.linkedin.com/pulse/depth-basement-modelling-machine-learning-perspective-n5gyc/?trackingId=qFSktvVPUiSa2V2nlmXVoQ%3D%3D

Drill Core

• https://pubmed.ncbi.nlm.nih.gov/35776744/ - Deep learning based lithology classification of drill core images
• https://www.researchgate.net/publication/381445417_Machine_Learning_for_Lithology_Analysis_using_a_Multi-Modal_Approach_of_Integrating_XRF_and_XCT_data
• https://www.researchgate.net/publication/379760986_A_machine_vision_approach_for_detecting_changes_in_drill_core_textures_using_optical_images
• https://www.sciencedirect.com/science/article/pii/S2949891024002112 -> Sensitivity analysis of similarity learning models for well-intervals based on logging data
• https://www.sciencedirect.com/science/article/pii/S2949891024003828 -> CoreViT: a new vision transformer model for lithology identification in cores

General

• https://www.sciencedirect.com/science/article/pii/S0034425724002323 -> Deep learning-based geological map generation using geological routes
• https://www.researchgate.net/publication/354781583_Deep_learning_framework_for_geological_symbol_detection_on_geological_maps
• https://www.researchgate.net/publication/335104674_Does_shallow_geological_knowledge_help_neural-networks_to_predict_deep_units
• https://www.researchgate.net/publication/379939974_Graph_convolutional_network_for_lithological_classification_and_mapping_using_stream_sediment_geochemical_data_and_geophysical_data
• https://www.sciencedirect.com/science/article/abs/pii/S0098300424001493-> FlexLogNet: A flexible deep learning-based well-log completion method of adaptively using what you have to predict what you are missing
• https://ieeexplore.ieee.org/abstract/document/10493129 -> Geological Background Prototype Learning Enhanced Network for Remote Sensing-Based Engineering Geological Lithology Interpretation in Highly Vegetated Areas [Unseen]
• https://www.sciencedirect.com/science/article/pii/S2096249524000619 -> Generating extremely low-dimensional representation of subsurface earth models using vector quantization and deep Autoencoder
• https://www.researchgate.net/publication/370175012_GeoPDNN_A_Semisupervised_Deep_Learning_Neural_Network_Using_Pseudolabels_for_Three-dimensional_Urban_Geological_Modelling_and_Uncertainty_Analysis_from_Borehole_Data
• https://www.researchsquare.com/article/rs-4805227/v1 -> Synergizing AI with Geology: Exploring VisionTransformers for Rock Classification
• https://www.researchgate.net/publication/343511849_Identification_of_intrusive_lithologies_in_volcanic_terrains_in_British_Columbia_by_machine_learning_using_Random_Forests_the_value_of_using_a_soft_classifier
• https://www.sciencedirect.com/science/article/pii/S0169136824000921 -> Machine learning-based field geological mapping: A new exploration of geological survey data acquisition strategy https://www.researchgate.net/publication/324411647_Predicting_rock_type_and_detecting_hydrothermal_alteration_using_machine_learning_and_petrophysical_properties_of_the_Canadian_Malartic_ore_and_host_rocks_Pontiac_Subprovince_Quebec_Canada
• https://www.sciencedirect.com/science/article/abs/pii/S0895981124001743 -> Utilizing Random Forest algorithm for identifying mafic and ultramafic rocks in the Gameleira Suite, Archean-Paleoproterozoic basement of the Brasília Belt, Brazil
• https://arxiv.org/pdf/2407.18100 -> DINOv2 Rocks Geological Image Analysis: Classification,

Geochronology

• https://www.researchgate.net/publication/379077847_Tracing_Andean_Origins_A_Machine_Learning_Framework_for_Lead_Isotopes

Geomorfología

• https://agu.confex.com/agu/fm18/mediafile/Handout/Paper427843/Landforms%20Poster.pdf -> Using machine learning to classify landforms for minerals exploration
• https://www.tandfonline.com/doi/abs/10.1080/13658816.2024.2414409 -> GeomorPM: a geomorphic pretrained model integrating convolution and Transformer architectures based on DEM data

Lithology

• https://link.springer.com/article/10.1007/s11053-024-10396-4 -> Interpretable SHAP Model Combining Meta-learning and Vision Transformer for Lithology Classification Using Limited and Unbalanced Drilling Data in Well Logging [UNSEN]
• https://www.nature.com/articles/s41598-024-66199-3 -> Machine learning and remote sensing-based lithological mapping of the Duwi Shear-Belt area, Central Eastern Desert, Egypt
• https://link.springer.com/article/10.1007/s11053-024-10375-9 - SsL-VGMM: A Semisupervised Machine Learning Model of Multisource Data Fusion for Lithology Prediction [UNSEEN]
• https://www.researchgate.net/publication/380719080_An_integrated_machine_learning_framework_with_uncertainty_quantification_for_three-dimensional_lithological_modeling_from_multi-source_geophysical_data_and_drilling_data
• https://www.bio-conferences.org/articles/bioconf/pdf/2024/34/bioconf_rena23_01005.pdf -> Lithological Mapping using Artificial Intelligence and Remote Sensing data: A Case Study of Bab Boudir region Morocco

Mineralogía

• https://pubs.geoscienceworld.org/msa/ammin/article-abstract/doi/10.2138/am-2023-9092/636861/The-application-of-transfer-learning-in-optical -> The application of “transfer learning” in optical microscopy: the petrographic classification of metallic minerals
• https://www.researchgate.net/publication/385074584_Deep_Learning-Based_Mineral_Classification_Using_Pre-Trained_VGG16_Model_with_Data_Augmentation_Challenges_and_Future_Directions

Estratigrafía

• https://www.researchgate.net/publication/335486001_A_Stratigraphic_Prediction_Method_Based_on_Machine_Learning
• https://www.researchgate.net/publication/346641320_Classifying_basin-scale_stratigraphic_geometries_from_subsurface_formation_tops_with_machine_learning

Estructura

• https://www.sciencedirect.com/science/article/pii/S0098300421000285 -> A machine learning model for structural trend fields
• https://onlinelibrary.wiley.com/doi/full/10.1111/1365-2478.13589 -> Inferring fault structures and overburden depth in 3D from geophysical data using machine learning algorithms – A case study on the Fenelon gold deposit, Quebec, Canada
• https://www.sciencedirect.com/science/article/pii/S019181412400138X -> Mapping paleostress trajectories by means of the clustering of reduced stress tensors determined from homogeneous and heterogeneous data sets
• https://www.researchgate.net/publication/332267249_Seismic_fault_detection_using_an_encoder-decoder_convolutional_neural_network_with_a_small_training_set
• https://www.researchgate.net/publication/377168034_Unsupervised_machine_learning_and_depth_clusters_of_Euler_deconvolution_of_magnetic_data_a_new_approach_to_imaging_geological_structures
• https://academic.oup.com/gji/advance-article/doi/10.1093/gji/ggae226/7701418 -> Use of Decision Tree Ensembles for Crustal Structure Imaging from Receiver Functions

Tectónica

• https://www.researchgate.net/publication/371594975_Assessing_plate_reconstruction_models_using_plate_driving_force_consistency_tests
• https://www.researchgate.net/publication/333182666_Decoding_Earth's_plate_tectonic_history_using_sparse_geochemical_data
• https://www.researchgate.net/publication/376519740_Machine_learning_and_tectonic_setting_determination_Bridging_the_gap_between_Earth_scientists_and_data_scientists
• https://pubs.geoscienceworld.org/gsa/geology/article-abstract/doi/10.1130/G52466.1/648458/Prediction-of-CO2-content-in-mid-ocean-ridge -> Prediction of CO2 content in mid-ocean ridge basalts via a machine learning approach

Geofísica

Base

• https://www.researchgate.net/publication/373714604_Seismic_Foundation_Model_SFM_a_new_generation_deep_learning_model_in_geophysics

General

• https://essopenarchive.org/users/841077/articles/1231187-bayesian-inference-in-geophysics-with-ai-enhanced-markov-chain-monte-carlo -> Bayesian Inference in Geophysics with AI-enhanced Markov chain Monte carlo
• https://www.researchgate.net/publication/353789276_Geology_differentiation_by_applying_unsupervised_machine_learning_to_multiple_independent_geophysical_inversions
• https://www.sciencedirect.com/science/article/pii/S001379522100137X - Joint interpretation of geophysical data: Applying machine learning to the modeling of an evaporitic sequence in Villar de Cañas (Spain)
• https://www.sciencedirect.com/science/article/pii/S2666544121000253 - Microleveling aerogeophysical data using deep convolutional network and MoG-RPCA
• https://www.researchgate.net/publication/368550674_Objective_classification_of_high-resolution_geophysical_data_Empowering_the_next_generation_of_mineral_exploration_in_Sierra_Leone
• https://datarock.com.au/blog/transfer-learning-with-seismic-attributes -> Transfer Learning with Seismic Attributes

Potential Fields

• https://api.research-repository.uwa.edu.au/ws/portalfiles/portal/390212334/THESIS_-_DOCTOR_OF_PHILOSOPHY_-_SMITH_Luke_Thomas_-_2023_.pdf -> Potential Field Geophysics Enhancement Using Conteporary Deep Learning

EM

• https://d197for5662m48.cloudfront.net/documents/publicationstatus/206704/preprint_pdf/59681a0a2c571bc2a9006f37517bc6ef.pdf -> A Fast Three-dimensional Imaging Scheme of Airborne Time Domain Electromagnetic Data using Deep Learning
• https://www.researchgate.net/publication/351507441_A_Neural_Network-Based_Hybrid_Framework_for_Least-Squares_Inversion_of_Transient_Electromagnetic_Data
• https://www.researchgate.net/profile/Yunhe-Liu/publication/382196526_An_Efficient_Bayesian_Inference_for_Geo-electromagnetic_Data_Inversion_based_on_Surrogate_Modeling_with_Adaptive_Sampling_DNN
• https://www.researchgate.net/publication/325980016_Agglomerative_hierarchical_clustering_of_airborne_electromagnetic_data_for_multi-scale_geological_studies
• https://www.earthdoc.org/content/papers/10.3997/2214-4609.202410980 -> Deep Learning Assisted 2-D Current Density Modelling of Very Low Frequency Electromagnetic Data
• https://npg.copernicus.org/articles/26/13/2019/ -> Denoising stacked autoencoders for transient electromagnetic signal denoising
• https://www.researchgate.net/publication/373836226_An_information_theoretic_Bayesian_uncertainty_analysis_of_AEM_systems_over_Menindee_Lake_Australia -> An information theoretic Bayesian uncertainty analysis of AEM systems over Menindee Lake, Australia
• https://www.researchgate.net/publication/348850484_Effect_of_Data_Normalization_on_Neural_Networks_for_the_Forward_Modelling_of_Transient_Electromagnetic_Data
• https://www.researchgate.net/publication/342153377_Fast_imaging_of_time-domain_airborne_EM_data_using_deep_learning_technology
• https://library.seg.org/doi/10.4133/JEEG4.2.93 -> Neural Network Interpretation of High Frequency Electromagnetic Ellipticity Data Part I: Understanding the Half-Space and Layered Earth Response
• https://arxiv.org/abs/2207.12607 -> Physics Embedded Machine Learning for Electromagnetic Data Imaging
• https://academic.oup.com/gji/advance-article/doi/10.1093/gji/ggae244/7713480 -> Physics-guided deep learning-based inversion for airborne electromagnetic data
• https://library.seg.org/doi/abs/10.1190/geo2024-0282.1 -> Comparative Analysis of Deep Learning and Traditional Airborne Electromagnetic Data Processing: A Case Study [UNSEEN]
• https://www.researchgate.net/publication/359441000_Surface_parameters_and_bedrock_properties_covary_across_a_mountainous_watershed_Insights_from_machine_learning_and_geophysics
• https://www.researchgate.net/publication/337166479_Using_machine_learning_to_interpret_3D_airborne_electromagnetic_inversions
• https://www.researchgate.net/publication/344397798_TEMDnet_A_Novel_Deep_Denoising_Network_for_Transient_Electromagnetic_Signal_With_Signal-to-Image_Transformation
• https://www.researchgate.net/publication/366391168_Two-dimensional_fast_imaging_of_airborne_EM_data_based_on_U-net

ERTE

• https://www.sciencedirect.com/science/article/pii/S0013795224001893 -> Geo-constrained clustering of resistivity data revealing the heterogeneous lithological architectures and the distinctive geoelectrical signature of shallow deposits

Gravedad

• https://ieeexplore.ieee.org/abstract/document/10597585 -> 3D Basement Relief and Density Inversion Based on EfficientNetV2 Deep Learning Network [UNSEEN]
• https://link.springer.com/article/10.1007/s11770-024-1096-5 -> 3D gravity inversion using cycle-consistent generative adversarial network [UNSEEN]
• https://www.researchgate.net/publication/365142017_3D_gravity_inversion_based_on_deep_learning
• https://www.researchgate.net/publication/378930477_A_Deep_Learning_Gravity_Inversion_Method_Based_on_a_Self-Constrained_Network_and_Its_Application
• https://www.researchgate.net/publication/362276214_DecNet_Decomposition_network_for_3D_gravity_inversion -> Olympic Dam example here
• https://www.researchgate.net/publication/368448190_Deep_Learning_to_estimate_the_basement_depth_by_gravity_data_using_Feedforward_neural_network
• https://www.researchgate.net/publication/326231731_Depth_and_Lineament_Maps_Derived_from_North_Cameroon_Gravity_Data_Computed_by_Artificial_Neural_Network_International_Journal_of_Geophysics_vol_2018_Article_ID_1298087_13_pages_2018
• https://www.researchgate.net/publication/366922016_Fast_imaging_for_the_3D_density_structures_by_machine_learning_approach
• https://www.researchgate.net/publication/370230217_Inversion_of_the_Gravity_Gradiometry_Data_by_ResUet_Network_An_Application_in_Nordkapp_Basin_Barents_Sea
• https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2022.897055/full -> High-precision downward continuation of the potential field based on the D-Unet network
• https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10672527 -> RTM Gravity Forward Modeling Using Improved Fully Connected Deep Neural Networks

Hyperspectral

• https://www.researchgate.net/publication/380391736_A_review_on_hyperspectral_imagery_application_for_lithological_mapping_and_mineral_prospecting_Machine_learning_techniques_and_future_prospects
• https://www.researchgate.net/publication/372876863_Ore-Grade_Estimation_from_Hyperspectral_Data_Using_Convolutional_Neural_Networks_A_Case_Study_at_the_Olympic_Dam_Iron_Oxide_Copper-Gold_Deposit_Australia [UNSEEN]

Joint Inversion

• https://www.researchgate.net/publication/383454185_Deep_joint_inversion_of_electromagnetic_seismic_and_gravity_data
• https://ieeexplore.ieee.org/abstract/document/10677418 -> Joint Inversion of Seismic and Resistivity Data Powered by Deep-learning [UNSEEN]

magnéticos

• https://www.researchgate.net/publication/348697645_3D_geological_structure_inversion_from_Noddy-generated_magnetic_data_using_deep_learning_methods
• https://www.researchgate.net/publication/360288249_3D_Inversion_of_Magnetic_Gradient_Tensor_Data_Based_on_Convolutional_Neural_Networks
• https://www.researchgate.net/publication/295902270_Artificial_neural_network_inversion_of_magnetic_anomalies_caused_by_2D_fault_structures
• https://www.researchgate.net/publication/354002966_Convolutional_neural_networks_for_the_characterization_of_magnetic_anomalies
• https://www.researchgate.net/publication/354772176_Convolution_Neural_Networks_Applied_to_the_Interpretation_of_Lineaments_in_Aeromagnetic_Data
• https://www.researchgate.net/publication/363550362_High-precision_downward_continuation_of_the_potential_field_based_on_the_D-Unet_network
• https://www.sciencedirect.com/science/article/pii/S0169136822004279?via%3Dihub -> Magnetic grid resolution enhancement using machine learning: A case study from the Eastern Goldfields Superterrane
• https://www.researchgate.net/publication/347173621_Predicting_Magnetization_Directions_Using_Convolutional_Neural_Networks -> Paywalled
• https://www.researchgate.net/publication/361114986_Reseaux_de_Neurones_Convolutifs_pour_la_Caracterisation_d'Anomalies_Magnetiques -> French original of the above

Magnetotellurics

• https://advancesincontinuousanddiscretemodels.springeropen.com/articles/10.1186/s13662-024-03842-3 -> 2D magnetotelluric imaging method based on visionary self-attention mechanism and data science
• https://ieeexplore.ieee.org/abstract/document/10530937 -> A Magnetotelluric Data Denoising Method Based on Lightweight Ensemble Learning [UNSEEN]
• https://academic.oup.com/gji/advance-article/doi/10.1093/gji/ggae166/7674890 -> Deep basin conductor characterization using machine learning-assisted magnetotelluric Bayesian inversion in the SW Barents Sea
• http://en.dzkx.org/article/doi/10.6038/cjg2024R0580 -> Fast inversion method of apparent resistivity based on deep learning
• https://www.researchgate.net/publication/367504269_Flexible_and_accurate_prior_model_construction_based_on_deep_learning_for_2D_magnetotelluric_data_inversion
• https://www.sciencedirect.com/science/article/pii/S2214579624000510 -> Intelligent Geological Interpretation of AMT Data Based on Machine Learning
• https://ieeexplore.ieee.org/abstract/document/10551853 -> Magnetotelluric Data Inversion Based on Deep Learning with the Self-attention Mechanism
• https://www.researchgate.net/publication/361741409_Physics-Driven_Deep_Learning_Inversion_with_Application_to_Magnetotelluric
• https://www.researchgate.net/publication/355568465_Stochastic_inversion_of_magnetotelluric_data_using_deep_reinforcement_learning
• https://www.researchgate.net/publication/354360079_Two-dimensional_deep_learning_inversion_of_magnetotelluric_sounding_data
• https://ieeexplore.ieee.org/abstract/document/10530923 -> Three Dimensional Magnetotelluric Forward Modeling Through Deep Learning

Passive Seismic

• https://nature.com/articles/s41467-020-17841-x -> Clustering earthquake signals and background noises in continuous seismic data with unsupervised deep learning
• https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022GL099053 -> Eikonal Tomography With Physics-Informed Neural Networks: Rayleigh Wave Phase Velocity in the Northeastern Margin of the Tibetan Plateau
• https://arxiv.org/abs/2403.15095 -> End-to-End Mineral Exploration with Artificial Intelligence and Ambient Noise Tomography
• https://www.nature.com/articles/s41598-019-50381-z -> High-resolution seismic tomography of Long Beach, CA using machine learning

Sísmico

• https://www.sciencedirect.com/science/article/pii/S0040195124002166 -> Reprocessing and interpretation of legacy seismic data using machine learning from the Granada Basin, Spain
• https://ojs.uni-miskolc.hu/index.php/geosciences/article/view/3313 -> EDGE DETECTION OF TOMOGRAPHIC IMAGES USING TRADITIONAL AND DEEP LEARNING TOOLS

Surface Resistivity

• https://www.researchgate.net/publication/367606119_Deriving_Surface_Resistivity_from_Polarimetric_SAR_Data_Using_Dual-Input_UNet

Incertidumbre

• https://library.seg.org/doi/abs/10.1190/GEM2024-084.1 -> Quantifying uncertainty in 3D geophysical inverse problems: Advancing from deterministic to Bayesian and deep generative models [UNSEEN]

geotérmica

• https://www.osti.gov/biblio/2335471 - Applications of Machine Learning Techniques to Geothermal Play Fairway Analysis in the Great Basin Region, Nevada [adjacent but interesting]
• https://gdr.openei.org/submissions/1402 - Associated code
• https://catalog.data.gov/dataset/python-codebase-and-jupyter-notebooks-applications-of-machine-learning-techniques-to-geoth
• https://www.researchgate.net/publication/341418586_Preliminary_Report_on_Applications_of_Machine_Learning_Techniques_to_the_Nevada_Geothermal_Play_Fairway_Analysis

Mapas

• https://www.researchgate.net/publication/347786302_Semantic_Segmentation_Deep_Learning_for_Extracting_Surface_Mine_Extents_from_Historic_Topographic_Maps

Mineral

• https://www.researchgate.net/publication/357942198_Mineral_classification_of_lithium-bearing_pegmatites_based_on_laser-induced_breakdown_spectroscopy_Application_of_semi-supervised_learning_to_detect_known_minerals_and_unknown_material
• https://iopscience.iop.org/article/10.1088/1755-1315/1032/1/012046 -> Classifying Minerals using Deep Learning Algorithms
• https://www.researchgate.net/publication/370835450_Predicting_new_mineral_occurrences_and_planetary_analog_environments_via_mineral_association_analysis
• https://www.researchgate.net/publication/361230503_What_is_Mineral_Informatics

PNL

• https://www.researchgate.net/publication/358616133_Chinese_Named_Entity_Recognition_in_the_Geoscience_Domain_Based_on_BERT
• https://www.researchgate.net/publication/339394395_Dictionary-Based_Automated_Information_Extraction_From_Geological_Documents_Using_a_Deep_Learning_Algorithm
• https://www.aclweb.org/anthology/2020.lrec-1.568/ -> Embeddings for Named Entity Recognition in Geoscience Portuguese Literature
• https://www.researchgate.net/publication/359186219_Few-shot_learning_for_name_entity_recognition_in_geological_text_based_on_GeoBERT
• https://www.researchgate.net/publication/333464862_GeoDocA_-_Fast_Analysis_of_Geological_Content_in_Mineral_Exploration_Reports_A_Text_Mining_Approach
• https://www.researchgate.net/publication/366710921_Geological_profile-text_information_association_model_of_mineral_exploration_reports_for_fast_analysis_of_geological_content
• https://www.researchgate.net/publication/330835955_Geoscience_Keyphrase_Extraction_Algorithm_Using_Enhanced_Word_Embedding [UNSEEN]
• https://www.researchgate.net/publication/332997161_GNER_A_Generative_Model_for_Geological_Named_Entity_Recognition_Without_Labeled_Data_Using_Deep_Learning
• https://www.researchgate.net/publication/321850315_Information_extraction_and_knowledge_graph_construction_from_geoscience_literature
• https://www.researchgate.net/publication/365929623_Named_Entity_Annotation_Schema_for_Geological_Literature_Mining_in_the_Domain_of_Porphyry_Copper_Deposits
• https://www.researchgate.net/publication/329621358_Ontology-Based_Enhanced_Word_Embedding_for_Automated_Information_Extraction_from_Geoscience_Reports
• https://www.researchgate.net/publication/379808469_Ontology-driven_relational_data_mapping_for_constructing_a_knowledge_graph_of_porphyry_copper_deposits -> Ontology-driven relational data mapping for constructing a knowledge graph of porphyry copper deposits
• https://www.researchgate.net/publication/327709479_Prospecting_Information_Extraction_by_Text_Mining_Based_on_Convolutional_Neural_Networks-A_Case_Study_of_the_Lala_Copper_Deposit_China
• https://ieeexplore.ieee.org/document/8711400 -> Research and Application on Geoscience Literature Knowledge Discovery Technology
• https://www.researchgate.net/publication/332328315_Text_Mining_to_Facilitate_Domain_Knowledge_Discovery
• https://www.researchgate.net/publication/351238658_Understanding_Ore-Forming_Conditions_using_Machine_Reading_of_Text
• https://www.researchgate.net/publication/359089763_Visual_analytics_and_information_extraction_of_geological_content_for_text-based_mineral_exploration_reports
• https://www.researchgate.net/publication/354754114_What_is_this_article_about_Generative_summarization_with_the_BERT_model_in_the_geosciences_domain
• https://www.slideshare.net/phcleverley/where-text-analytics-meets-geoscience -> Where text analytics meets geoscience

Petrografía

• https://www.researchgate.net/publication/335226326_Digital_petrography_Mineralogy_and_porosity_identification_using_machine_learning_algorithms_in_petrographic_thin_section_images

Last edited: 29/09/2020 The below are a collection of works from when I was doing a review

Public Mineral Prospectivity Mapping

Descripción general

• https://www.researchgate.net/publication/331852267_Applying_Spatial_Prospectivity_Mapping_to_Exploration_Targeting_Fundamental_Practical_issues_and_Suggested_Solutions_for_the_Future
• https://www.researchgate.net/publication/284890591_Geochemical_Anomaly_and_Mineral_Prospectivity_Mapping_in_GIS
• https://www.researchgate.net/publication/341472154_Geodata_Science-Based_Mineral_Prospectivity_Mapping_A_Review
• https://www.researchgate.net/publication/275338029_Introduction_to_the_Special_Issue_GIS-based_mineral_potential_modelling_and_geological_data_analyses_for_mineral_exploration
• https://www.researchgate.net/publication/339074334_Introduction_to_the_special_issue_on_spatial_modelling_and_analysis_of_ore-forming_processes_in_mineral_exploration_targeting
• https://www.researchgate.net/publication/317319129_Natural_Resources_Research_Publications_on_Geochemical_Anomaly_and_Mineral_Potential_Mapping_and_Introduction_to_the_Special_Issue_of_Papers_in_These_Fields
• https://www.researchgate.net/publication/46696293_Selection_of_coherent_deposit-type_locations_and_their_application_in_data-driven_mineral_prospectivity_mapping

Geoquímica

• https://www.researchgate.net/publication/375926319_A_paradigm_shift_in_Precambrian_research_driven_by_big_data

• https://www.researchgate.net/publication/359447201_A_review_of_machine_learning_in_geochemistry_and_cosmochemistry_Method_improvements_and_applications

  • https://jaywen.com/files/He_2022_Applied_Geochemistry.pdf

• https://www.researchgate.net/publication/220164381_Application_of_geochemical_zonality_coefficients_in_mineral_prospectivity_mapping

• https://www.researchgate.net/publication/238505045_Analysis_and_mapping_of_geochemical_anomalies_using_logratio-transformed_stream_sediment_data_with_censored_values

• https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022EA002626 -> Comparative Study on Three Autoencoder-Based Deep Learning Algorithms for Geochemical Anomaly Identification

• https://www.researchgate.net/publication/373758047_Decision-making_within_geochemical_exploration_data_based_on_spatial_uncertainty_-A_new_insight_and_a_futuristic_review

• https://www.researchgate.net/publication/331505001_Deep_learning_and_its_application_in_geochemical_mapping

• https://www.researchgate.net/publication/380262759_Factor_analysis_in_residual_soils_of_the_Iberian_Pyrite_Belt_Spain_Comparison_between_raw_data_log_transformation_data_and_compositional_data [UNSEEN]

• https://www.researchgate.net/publication/272091723_Geochemical_characteristics_of_mineral_deposits_Implications_for_ore_genesis

• https://www.researchgate.net/publication/257189047_Geochemical_mineralization_probability_index_GMPI_A_new_approach_to_generate_enhanced_stream_sediment_geochemical_evidential_map_for_increasing_probability_of_success_in_mineral_potential_mapping

• https://www.researchgate.net/publication/333497470_Integration_of_auto-encoder_network_with_density-based_spatial_clustering_for_geochemical_anomaly_detection_for_mineral_exploration

• https://www.researchgate.net/publication/319303831_Introduction_to_the_thematic_issue_Analysis_of_exploration_geochemical_data_for_mapping_of_anomalies

• https://www.researchgate.net/publication/356722687_Machine_learning-based_prediction_of_trace_element_concentrations_using_data_from_the_Karoo_large_igneous_province_and_its_application_in_prospectivity_mapping#fullTextFileContent

• https://www.degruyter.com/document/doi/10.2138/am-2023-9115/html -> Machine learning applied to apatite compositions for determining mineralization potential [UNSEEN]

• https://www.researchgate.net/publication/257026525_Primary_geochemical_characteristics_of_mineral_deposits_-_Implications_for_exploration

• https://www.researchgate.net/publication/283554338_Recognition_of_geochemical_anomalies_using_a_deep_autoencoder_network

  • https://zarmesh.com/wp-content/uploads/2017/04/Recognition-of-geochemical-anomalies-using-a-deep-autoencoder-network.pdf

• https://www.researchgate.net/publication/349606557_Robust_Feature_Extraction_for_Geochemical_Anomaly_Recognition_Using_a_Stacked_Convolutional_Denoising_Autoencoder [UNSEEN]

• https://www.researchgate.net/publication/375911531_Spatial_Interpolation_Using_Machine_Learning_From_Patterns_and_Regularities_to_Block_Models#fullTextFileContent

• https://www.researchgate.net/publication/259716832_Supervised_and_unsupervised_classification_of_near-mine_soil_Geochemistry_and_Geophysics_data

• https://www.researchgate.net/publication/277813662_Supervised_Geochemical_Anomaly_Detection_by_Pattern_Recognition

• https://www.researchgate.net/publication/249544991_Usefulness_of_stream_order_to_detect_stream_sediment_geochemical_anomalies

• https://www.researchgate.net/publication/321275541_Weighting_stream_sediment_geochemical_samples_as_exploration_indicator_of_deposit_-_type

Difuso

• https://www.researchgate.net/publication/272170968_A_Comparative_Analysis_of_Weights_of_Evidence_Evidential_Belief_Functions_and_Fuzzy_Logic_for_Mineral_Potential_Mapping_Using_Incomplete_Data_at_the_Scale_of_Investigation
• https://www.researchgate.net/publication/267816279_Fuzzification_of_continuous-value_spatial_evidence_for_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/301635716_Union_score_and_fuzzy_logic_mineral_prospectivity_mapping_using_discretized_and_continuous_spatial_evidence_values

Incertidumbre

• https://deliverypdf.ssrn.com/delivery.php?ID=555064031119110002088087068121000096050036019060022069010050000053011056029076002067121000064004002088113115000107115017083105004026015092089005123065040099024112018026013043065104094012124120126039100033055018066074125089104115090100009064122122019003015085069021024027072126106082092110&EXT=pdf&INDEX=TRUE -> Estimating uncertainties in 3-D models of complex fold-and-thrust 2 belts: a case study of the Eastern Alps triangle zone
• https://www.researchgate.net/publication/333339659_Incorporating_conceptual_and_interpretation_uncertainty_to_mineral_prospectivity_modelling
• https://www.researchgate.net/publication/235443307_Managing_uncertainty_in_exploration_targeting
• https://www.researchgate.net/publication/255909185_The_upside_of_uncertainty_Identification_of_lithology_contact_zones_from_airborne_geophysics_and_satellite_data_using_random_forests_and_support_vector_machines

Geospatial Maps

Australia

• https://www.researchgate.net/publication/334440382_Mapping_iron_oxide_Cu-Au_IOCG_mineral_potential_in_Australia_using_a_knowledge-driven_mineral_systems-based_approach

South Australia

• https://www.researchgate.net/publication/335313790_Prospectivity_modelling_of_the_Olympic_Cu-Au_Province - https://services.sarig.sa.gov.au/raster/ProspectivityModelling/wms?service=wms&version=1.1.1&REQUEST=GetCapabilities
• An assessment of the uranium and geothermal prospectivity of east-central South Australia - https://d28rz98at9flks.cloudfront.net/72666/Rec2011_034.pdf

Nuevo Testamento

• https://www.researchgate.net/publication/285235798_An_assessment_of_the_uranium_and_geothermal_prospectivity_of_the_southern_Northern_Territory

Washington

• https://www.researchgate.net/publication/273073675_Building_a_machine_learning_classifier_for_iron_ore_prospectivity_in_the_Yilgarn_Craton
• http://dmpbookshop.eruditetechnologies.com.au/product/district-scale-targeting-for-gold-in-the-yilgarn-craton-part-2-of-the-yilgarn-gold-exploration-targeting-atlas.do$55 purchase
• http://dmpbookshop.eruditetechnologies.com.au/product/mineral-prospectivity-of-the-king-leopold-orogen-and-lennard-shelf-analysis-of-potential-field-data-in-the-west-kimberley-region-geographical-product-n14bnzp.do
• http://dmpbookshop.eruditetechnologies.com.au/product/mineral-systems-analysis-of-the-west-musgrave-province-regional-structure-and-prospectivity-modelling-geographical-product-n12dzp.do
• http://dmpbookshop.eruditetechnologies.com.au/product/mineral-systems-analysis-of-the-west-musgrave-province-regional-structure-and-prospectivity-modelling.do $22 purchase
• https://researchdata.edu.au/predictive-mineral-discovery-gold-mineral/1209568?source=suggested_datasets - Predictive mineral discovery in the eastern Yilgarn Craton: an example of district-scale targeting of an orogenic gold mineral system - https://d28rz98at9flks.cloudfront.net/82617/Y4_Gold_Targeting.zip
• http://dmpbookshop.eruditetechnologies.com.au/product/prospectivity-analysis-of-the-halls-creek-orogen-western-australia-using-a-mineral-systems-approach-geographical-product-n15af3zp.do
• https://researchdata.edu.au/prospectivity-analysis-using-063-m436/1424743 - Prospectivity analysis using a mineral systems approach - Capricorn case study project CSIRO Prospectivity analysis using a mineral systems approach - Capricorn case study project (13.5 GB Descargar)
• http://dmpbookshop.eruditetechnologies.com.au/product/regional-scale-targeting-for-gold-in-the-yilgarn-craton-part-1-of-the-yilgarn-gold-exploration-targeting-atlas.do $55 purchase
• https://www.researchgate.net/publication/263928515_Towards_Australian_metallogenic_maps_through_space_and_time
• https://www.sciencedirect.com/science/article/abs/pii/S0301926810002111 - Yilgarn

Brasil

• https://www.researchgate.net/publication/340633563_CATALOG_OF_PROSPECTIVITY_MAPS_OF_SELECTED_AREAS_FROM_BRAZIL
• https://www.researchgate.net/publication/341936771_Modeling_of_Cu-Au_Prospectivity_in_the_Carajas_mineral_province_Brazil_through_Machine_Learning_Dealing_with_Imbalanced_Training_Data
• https://www.researchgate.net/publication/287270273_Nickel_prospective_modelling_using_fuzzy_logic_on_nova_Brasilandia_metasedimentary_belt_Rondonia_Brazil
• https://www.scielo.br/scielo.php?script=sci_arttext&pid=S2317-48892016000200261 - Sao Francisco Craton Nickel

Australia

• https://www.researchgate.net/publication/248211737_A_continent-wide_study_of_Australia's_uranium_potential
• https://www.researchgate.net/publication/334440382_Mapping_iron_oxide_Cu-Au_IOCG_mineral_potential_in_Australia_using_a_knowledge-driven_mineral_systems-based_approach
• https://researchdata.edu.au/predictive-model-opal-mining-approach/673159/?refer_q=rows=15/sort=score%20desc/class=collection/p=2/q=mineral%20prospectivity%20map/ - Opal

SA

• https://data.gov.au/dataset/ds-ga-a8619169-1c2a-6697-e044-00144fdd4fa6/details?q= -> An assessment of the uranium and geothermal prospectivity of east central South Australia
• https://d28rz98at9flks.cloudfront.net/72666/Rec2011_034.pdf -> An assessment of the uranium and geothermal prospectivity of east-central South Australia
• https://www.pir.sa.gov.au/__data/assets/pdf_file/0011/239636/204581-001_wise_high.pdf - Eastern Gawler - WPA
• http://www.energymining.sa.gov.au/minerals/knowledge_centre/mesa_journal/previous_feature_articles/new_prospectivity_map
• https://catalog.sarig.sa.gov.au/geonetwork/srv/eng/catalog.search#/metadata/e59cd4ba-1a0a-4911-9e6a-58d80576678d - Olympic Domain IOCG Prospectivity model
• https://www.researchgate.net/publication/335313790_Prospectivity_modelling_of_the_Olympic_Cu-Au_Province - https://services.sarig.sa.gov.au/raster/ProspectivityModelling/wms?service=wms&version=1.1.1&REQUEST=GetCapabilities

Washington

• https://www.sciencedirect.com/science/article/abs/pii/S0301926810002111 - Yilgarn Karol Czarnota
• https://www.researchgate.net/publication/229333177_Prospectivity_analysis_of_the_Plutonic_Marymia_Greenstone_Belt_Western_Australia
• https://www.researchgate.net/publication/280039091_Mineral_systems_approach_applied_to_GIS-based_2D-prospectivity_modelling_of_geological_regions_Insights_from_Western_Australia
• https://www.researchgate.net/publication/351238658_Understanding_Ore-Forming_Conditions_using_Machine_Reading_of_Text

Nuevo Testamento

• https://www.researchgate.net/publication/285235798_An_assessment_of_the_uranium_and_geothermal_prospectivity_of_the_southern_Northern_Territory
• https://www.researchgate.net/publication/342352173_Modelling_gold_potential_in_the_Granites-Tanami_Orogen_NT_Australia_A_comparative_study_using_continuous_and_data-driven_techniques

Nueva Gales del Sur

• https://www.resourcesandgeoscience.nsw.gov.au/miners-and-explorers/geoscience-information/projects/mineral-potential-mapping#_southern-_new-_england-_orogen-mineral-potential
• https://www.smedg.org.au/GSNSW_2019_Blevin.pdf - Eastern Lachlan Orogen
• https://www.researchgate.net/publication/265915602_Comparing_prospectivity_modelling_results_and_past_exploration_data_A_case_study_of_porphyry_Cu-Au_mineral_systems_in_the_Macquarie_Arc_Lachlan_Fold_Belt_New_South_Wales

Brasil

• https://www.researchgate.net/publication/340633563_CATALOG_OF_PROSPECTIVITY_MAPS_OF_SELECTED_AREAS_FROM_BRAZIL
• https://www.researchgate.net/publication/340633739_MINERAL_POTENTIAL_AND_OPORTUNITIES_FOR_THE_EXPLORATION_OF_NEW_GEOLOGICAL_GROUNDS_IN_BRAZIL
• https://www.semanticscholar.org/paper/Mineral-Potential-Mapping-for-Orogenic-Gold-in-the-Silva-Silva/a23a9ce4da48863da876758afa9e1d2723088853
• https://www.scielo.br/scielo.php?script=sci_arttext&pid=S2317-48892016000200261 - Supergene nickel deposits in outhwestern Sao Francisco Carton, Brazil

Carajás

• https://www.researchgate.net/publication/258466504_Self-Organizing_Maps_A_Data_Mining_Tool_for_the_Analysis_of_Airborne_Geophysical_Data_Collected_over_the_Brazilian_Amazon
• https://www.researchgate.net/publication/258647519_Semiautomated_geologic_mapping_using_self-organizing_maps_and_airborne_geophysics_in_the_Brazilian_Amazon
• https://www.researchgate.net/publication/235443304_GIS-Based_prospectivity_mapping_for_orogenic_gold_A_case_study_from_the_Andorinhas_region_Brasil
• https://www.researchgate.net/publication/341936771_Modeling_of_Cu-Au_Prospectivity_in_the_Carajas_mineral_province_Brazil_through_Machine_Learning_Dealing_with_Imbalanced_Training_Data
• https://www.researchgate.net/publication/332031621_Predictive_lithological_mapping_through_machine_learning_methods_a_case_study_in_the_Cinzento_Lineament_Carajas_Province_Brazil
• https://www.researchgate.net/publication/340633659_Copper-gold_favorability_in_the_Cinzento_Shear_Zone_Carajas_Mineral_Province
• https://www.researchgate.net/publication/329477409_Favorability_potential_for_IOCG_type_deposits_in_the_Riacho_do_Pontal_Belt_New_insights_for_identifying_prospects_of_IOCG-type_deposits_in_NE_Brazil
• https://www.researchgate.net/publication/339453836_Uranium_anomalies_detection_through_Random_Forest_regression
• https://d1wqtxts1xzle7.cloudfront.net/48145419/Artificial_neural_networks_applied_to_mi20160818-5365-odv4na.pdf?1471522188=&response-content-disposition=inline%3B+filename%3DArtificial_neural_networks_applied_to_mi.pdf&Expires=1593477539&Signature=DNmSxKogrD54dE4LX~8DT4K7vV0ZGcf8Q2RRfXEPsCc8PGiBrbeBpy4NVQdCiENLz-YfSzVGk6LI8k5MEGxR~qwnUn9ISLHDuIau6VqBFSEA29jMixCbvQM6hbkUJKQlli-AuSPUV23TsSk76kB6amDYtwNHmBnUPzTQGZLj2XkzJza9PA-7W2-VrPQKHNPxJp3z8J0mPq4rhmHZLaFMMSL6QMpK5qpvSqi6Znx-kIhCprlyYfODisq0unOIwnEQstiMf2RnB6gPmGOodhNlLsSr01e7TvtvFDBOQvhhooeDeQrvkINN4DJjAIIrbrcQ8B2b-ATQS0a3QQe93h-VFA__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA - Leite, EPL; de Souza Filho, CR Artificial neural networks applied to mineral potential mapping for copper-gold mineralizations in the Carajás Mineral Province, Brazil. Geoph. Prosp. 2009, 57, 1049–1065.
• https://link-springer-com.access.library.unisa.edu.au/content/pdf/10.1007/s11053-015-9263-2.pdf - A Comparative Analysis of Weights of Evidence, Evidential Belief Functions, and Fuzzy Logic for Mineral Potential Mapping Using Incomplete Data at the Scale of Investigation
• https://library.seg.org/doi/abs/10.1190/sbgf2011-245 - Gold Prospectivity Mapping of Andorinhas Greenstone Belt, Para

Gurupi

• https://www.researchgate.net/publication/312220651_Predictive_Mapping_of_Prospectivity_in_the_Gurupi_Orogenic_Gold_Belt_North-Northeast_Brazil_An_Example_of_District-Scale_Mineral_System_Approach_to_Exploration_Targeting

Australia

• https://www.researchgate.net/publication/260107484_Unsupervised_clustering_of_continental-scale_geophysical_and_geochemical_data_using_Self-Organising_Maps
• https://www.researchgate.net/publication/332263305_A_speedy_update_on_machine_learning_applied_to_bedrock_mapping_using_geochemistry_or_geophysics_examples_from_the_Pacific_Rim_and_nearby
• https://www.researchgate.net/publication/317312520_Catchment-based_gold_prospectivity_analysis_combining_geochemical_geophysical_and_geological_data_across_northern_Australia
• https://www.researchgate.net/publication/326571155_Continental-scale_mineral_prospectivity_assessment_using_the_National_Geochemical_Survey_of_Australia_NGSA_dataset
• https://www.researchgate.net/publication/334440382_Mapping_iron_oxide_Cu-Au_IOCG_mineral_potential_in_Australia_using_a_knowledge-driven_mineral_systems-based_approach
• https://www.researchgate.net/publication/282189370_Uranium_Prospectivity_Mapping_Across_the_Australian_Continent_via_Unsupervised_Cluster_Analysis_of_Integrated_Remote_Sensing_Data

South Australia

• https://www.researchgate.net/publication/335313790_Prospectivity_modelling_of_the_Olympic_Cu-Au_Province - https://services.sarig.sa.gov.au/raster/ProspectivityModelling/wms?service=wms&version=1.1.1&REQUEST=GetCapabilities

Queensland

• https://www.researchgate.net/publication/317312520_Catchment-based_gold_prospectivity_analysis_combining_geochemical_geophysical_and_geological_data_across_northern_Australia
• https://www.researchgate.net/publication/252707107_GIS-based_epithermal_copper_prospectivity_mapping_of_the_Mt_Isa_Inlier_Australia_Implications_for_exploration_targeting
• https://www.researchgate.net/publication/222211452_Predictive_modelling_of_prospectivity_for_Pb-Zn_deposits_in_the_Lawn_Hill_Region_Queensland_Australia

Nueva Gales del Sur

• https://www.researchgate.net/publication/336349643_MINERAL_POTENTIAL_MAPPING_AS_A_STRATEGIC_PLANNING_TOOL_IN_THE_EASTERN_LACHLAN_OROGEN_NSW
• https://www.publish.csiro.au/ex/pdf/ASEG2013ab236 - Mineral prospectivity analysis of the Wagga–Omeo belt in NSW
• https://www.researchgate.net/publication/329761040_NSW_Zone_54_Mineral_Systems_Mineral_Potential_Report
• https://www.researchgate.net/publication/337569823_Practical_Implementation_of_Random_Forest-Based_Mineral_Potential_Mapping_for_Porphyry_Cu-Au_Mineralization_in_the_Eastern_Lachlan_Orogen_NSW_Australia
• https://www.researchgate.net/publication/333551776_Translating_expressions_of_intrusion-related_mineral_systems_into_mappable_spatial_proxies_for_mineral_potential_mapping_Case_studies_from_the_Southern_New_England_Orogen_Australia

Tasmania

• https://www.researchgate.net/publication/262380025_Mapping_geology_and_volcanic-hosted_massive_sulfide_alteration_in_the_Hellyer-Mt_Charter_region_Tasmania_using_Random_Forests_TM_and_Self-Organising_Maps

Victoria

• https://www.researchgate.net/publication/323856713_Lithological_mapping_using_Random_Forests_applied_to_geophysical_and_remote_sensing_data_a_demonstration_study_from_the_Eastern_Goldfields_of_Australia
• https://publications.csiro.au/publications/#publication/PIcsiro:EP123339/SQmineral%20prospectivity/RP1/RS50/RORECENT/STsearch-by-keyword/LISEA/RI16/RT26 [nickel]
• https://www.researchgate.net/publication/257026553_Regional_prospectivity_analysis_for_hydrothermal-remobilised_nickel_mineral_systems_in_western_Victoria_Australia

Australia Occidental

• https://www.researchgate.net/publication/274714146_Reducing_subjectivity_in_multi-commodity_mineral_prospectivity_analyses_Modelling_the_west_Kimberley_Australia
• https://www.researchgate.net/publication/319013132_Identifying_mineral_prospectivity_using_3D_magnetotelluric_potential_field_and_geological_data_in_the_east_Kimberley_Australia
• https://www.researchgate.net/publication/280930127_Regional-scale_targeting_for_gold_in_the_Yilgarn_Craton_Part_1_of_the_Yilgarn_Gold_Exploration_Targeting_Atlas
• https://www.researchgate.net/publication/279533541_District-scale_targeting_for_gold_in_the_Yilgarn_Craton_Part_2_of_the_Yilgarn_Gold_Exploration_Targeting_Atlas
• https://www.researchgate.net/publication/257026568_Exploration_targeting_for_orogenic_gold_deposits_in_the_Granites-Tanami_Orogen_Mineral_system_analysis_targeting_model_and_prospectivity_analysis
• https://www.researchgate.net/publication/280039091_Mineral_systems_approach_applied_to_GIS-based_2D-prospectivity_modelling_of_geological_regions_Insights_from_Western_Australia (the West Arunta Orogen, West Musgrave Orogen and Gascoyne Province - http://dmpbookshop.eruditetechnologies.com.au/product/mineral-systems-analysis-of-the-west-musgrave-province-regional-structure-and-prospectivity-modelling.do
• https://reader.elsevier.com/reader/sd/pii/S0169136810000417? - token=9FD1C06A25E7ECC0C384C0ECF976E4BC9C36047C53CEED08066811979A640E89DD94C49510D1B500C6FF5E69982E018E Prospectivity analysis of the Plutonic Marymia Greenstone Belt, Western Australia
• https://research-repository.uwa.edu.au/en/publications/exploration-targeting-for-orogenic-gold-deposits-in-the-granites- - Tanami orogen
• https://www.researchgate.net/publication/332631130_Fuzzy_inference_systems_for_prospectivity_modeling_of_mineral_systems_and_a_case-study_for_prospectivity_mapping_of_surficial_Uranium_in_Yeelirrie_Area_Western_Australia_Ore_Geology_Reviews_71_839-852Tasmania
• https://publications.csiro.au/rpr/download?pid=csiro:EP102133&dsid=DS3 [nickel]

Endowment Modelling

• https://www.researchgate.net/publication/248211962_A_new_method_for_spatial_centrographic_analysis_of_mineral_deposit_clusters
• https://www.researchgate.net/publication/275620329_A_Time-Series_Audit_of_Zipf's_Law_as_a_Measure_of_Terrane_Endowment_and_Maturity_in_Mineral_Exploration
• https://www.researchgate.net/publication/341087909_Assessing_the_variability_of_expert_estimates_in_the_USGS_Three-part_Mineral_Resource_Assessment_Methodology_A_call_for_increased_skill_diversity_and_scenario-based_training
• https://github.com/iagoslc/ZipfsLaw_Quadrilatero_Ferrifero
• https://www.researchgate.net/publication/222834436_Controls_on_mineral_deposit_occurrence_inferred_from_analysis_of_their_spatial_pattern_and_spatial_association_with_geological_features
• https://www.researchgate.net/publication/229792860_From_Predictive_Mapping_of_Mineral_Prospectivity_to_Quantitative_Estimation_of_Number_of_Undiscovered_Prospects
• https://www.researchgate.net/publication/330994502_Global_Grade-and-Tonnage_Modeling_of_Uranium_deposits
• https://pubs.geoscienceworld.org/segweb/economicgeology/article-abstract/103/4/829/127993/Linking-Mineral-Deposit-Models-to-Quantitative?redirectedFrom=fulltext
• https://www.researchgate.net/publication/238365283_Metal_endowment_of_cratons_terranes_and_districts_Insights_from_a_quantitative_analysis_of_regions_with_giant_and_super-giant_deposits
• https://www.researchgate.net/publication/308778798_Spatial_analysis_of_mineral_deposit_distribution_A_review_of_methods_and_implications_for_structural_controls_on_iron_oxide-copper-gold_mineralization_in_Carajas_Brazil
• https://www.researchgate.net/publication/229347041_Predictive_mapping_of_prospectivity_and_quantitative_estimation_of_undiscovered_VMS_deposits_in_Skellefte_district_Sweden
• https://www.researchgate.net/publication/342405763_Predicting_grade-tonnage_characteristics_of_undiscovered_mineralisation_application_of_the_USGS_Three-part_Undiscovered_Mineral_Resource_Assessment_to_the_Sandstone_Greenstone_Belt_of_the_Yilgarn_Bloc
• https://www.sciencedirect.com/science/article/pii/S0169136810000685
• https://www.researchgate.net/publication/240301743_Spatial_statistical_analysis_of_the_distribution_of_komatiite-hosted_nickel_sulfide_deposits_in_the_Kalgoorlie_terrane_Western_Australia_Clustered_or_Not

World Models

• https://www.researchgate.net/publication/331283650_Archean_crust_and_metallogenic_zones_in_the_Amazonian_Craton_sensed_by_satellite_gravity_data
• https://eartharxiv.org/2kjvc/ -> Global distribution of sediment-hosted metals controlled by craton edge stability
• https://www.researchgate.net/post/Is_it_possible_to_derive_free_air_anomaly_or_bouguer_anomaly_from_gravity_disturbance_data
• https://www.researchgate.net/publication/325344128_The_role_of_basement_control_in_Iron_Oxide-Copper-Gold_mineral_systems_revealed_by_satellite_gravity_models
• https://www.researchgate.net/publication/331428028_Supplementary_Material_for_the_paper_Archean_crust_and_metallogenic_zones_in_the_Amazonian_Craton_sensed_by_satellite_gravity_data
• https://www.leouieda.com/pdf/use-the-disturbance.pdf
• https://www.leouieda.com/papers/use-the-disturbance.html

Financial Forecasting

• https://www.researchgate.net/publication/317137060_Forecasting_copper_prices_by_decision_tree_learning
• https://www.researchgate.net/publication/4874824_Mine_Size_and_the_Structure_of_Costs

Agent based Modelling

• https://mpra.ub.uni-muenchen.de/62159/ -> Mineral exploration as a game of chance [Agent Based Modelling]

Spectral Unmixing

• Overviews and examples, with some focus on neural network approaches.

Redes neuronales

• https://www.researchgate.net/publication/224180646_A_neural_network_approach_for_pixel_unmixing_in_hyperspectral_data
• https://www.researchgate.net/publication/340690859_A_Supervised_Nonlinear_Spectral_Unmixing_Method_by_Means_of_Neural_Networks
• https://www.researchgate.net/publication/326205017_Classification_of_Hyperspectral_Data_Using_a_Multi-Channel_Convolutional_Neural_Network
• https://www.researchgate.net/publication/339062151_Classification_of_small-scale_hyperspectral_images_with_multi-source_deep_transfer_learning
• https://www.researchgate.net/publication/331824337_Comparative_Analysis_of_Unmixing_Algorithms_Using_Synthetic_Hyperspectral_Data
• https://www.researchgate.net/publication/335501086_Convolutional_Autoencoder_For_Spatial-Spectral_Hyperspectral_Unmixing
• https://www.researchgate.net/publication/341501560_Convolutional_Autoencoder_for_Spectral-Spatial_Hyperspectral_Unmixing
• https://www.researchgate.net/publication/333906204_Deep_convolutional_neural_networks_for_land-cover_classification_with_Sentinel-2_images
• https://www.researchgate.net/publication/356711693_Deep-learning-based_latent_space_encoding_for_spectral_unmixing_of_geological_materials
• https://www.researchgate.net/publication/331505001_Deep_learning_and_its_application_in_geochemical_mapping
• https://www.researchgate.net/publication/332696102_Deep_Learning_for_Classification_of_Hyperspectral_Data_A_Comparative_Review
• https://www.researchgate.net/publication/336889271_Deep_Learning_for_Hyperspectral_Image_Classification_An_Overview
• https://www.researchgate.net/publication/327995228_Deep_Spectral_Convolution_Network_for_Hyperspectral_Unmixing
• https://ieeexplore.ieee.org/abstract/document/10580951 -> Exploring Hybrid Contrastive Learning and Scene-to-Label Information for Multilabel Remote Sensing Image Classification [UNSEEN]
• https://www.researchgate.net/publication/356393038_Generalized_Unsupervised_Clustering_of_Hyperspectral_Images_of_Geological_Targets_in_the_Near_Infrared
• https://ieeexplore.ieee.org/abstract/document/10588073 -> Hyperspectral Image Classification Using Spatial and Spectral Features Based on Deep Learning [UNSEEN]
• https://www.researchgate.net/publication/333301728_Hyperspectral_Image_Classification_Method_Based_on_CNN_Architecture_Embedding_With_Hashing_Semantic_Feature
• https://www.researchgate.net/publication/323950012_Hyperspectral_Unmixing_Using_A_Neural_Network_Autoencoder
• https://www.researchgate.net/publication/339657313_Hyperspectral_unmixing_using_deep_convolutional_autoencoder
• https://www.researchgate.net/publication/339066136_Hyperspectral_Unmixing_Using_Deep_Convolutional_Autoencoders_in_a_Supervised_Scenario
• https://www.researchgate.net/publication/335878933_LITHOLOGICAL_CLASSIFICATION_USING_MULTI-SENSOR_DATA_AND_CONVOLUTIONAL_NEURAL_NETWORKS
• https://ieeexplore.ieee.org/abstract/document/10551851 -> MSNet: Self-Supervised Multiscale Network With Enhanced Separation Training for Hyperspectral Anomaly Detection
• https://www.researchgate.net/publication/331794887_Nonlinear_Unmixing_of_Hyperspectral_Data_via_Deep_Autoencoder_Networks
• https://ieeexplore.ieee.org/abstract/document/10534107 -> ReSC-net: Hyperspectral Image Classification Based on Attention-Enhanced Residual Module and Spatial-Channel Attention
• https://www.researchgate.net/publication/340961027_Recent_Advances_in_Hyperspectral_Unmixing_Using_Sparse_Techniques_and_Deep_Learning
• https://www.researchgate.net/publication/330272600_Semisupervised_Stacked_Autoencoder_With_Cotraining_for_Hyperspectral_Image_Classification
• https://www.researchgate.net/publication/336097421_Spatial-Spectral_Hyperspectral_Unmixing_Using_Multitask_Learning
• https://www.researchgate.net/publication/312355586_Spectral-Spatial_Classification_of_Hyperspectral_Imagery_with_3D_Convolutional_Neural_Network
• https://meetingorganizer.copernicus.org/EGU2020/EGU2020-10719.html -> Sentinel-2 as a tool for mapping iron-bearing alteration minerals: a case study from the Iberian Pyrite Belt (Southern Spain)
• https://www.researchgate.net/publication/334058881_SSDC-DenseNet_A_Cost-Effective_End-to-End_Spectral-Spatial_Dual-Channel_Dense_Network_for_Hyperspectral_Image_Classification
• https://www.researchgate.net/publication/333497470_Integration_of_auto-encoder_network_with_density-based_spatial_clustering_for_geochemical_anomaly_detection_for_mineral_exploration
• https://www.sciencedirect.com/science/article/pii/S0009281924000473 -> Geochemical characteristics and mapping of Reşadiye (Tokat-Türkiye) bentonite deposits using machine learning and sub-pixel mixture algorithms

General

• https://www.sciencedirect.com/science/article/pii/S0273117724004861?dgcid=rss_sd_all -> Optimization of machine learning algorithms for remote alteration mapping
• https://www.researchgate.net/publication/337841253_A_solar_optical_hyperspectral_library_of_rare_earth-bearing_minerals_rare_earth_oxides_copper-bearing_minerals_and_Apliki_mine_surface_samples
• https://ieeexplore.ieee.org/document/10536904 -> A Reversible Generative Network for Hyperspectral Unmixing With Spectral Variability
• https://www.researchgate.net/publication/3204295_Abundance_Estimation_of_Spectrally_Similar_Minerals_by_Using_Derivative_Spectra_in_Simulated_Annealing
• https://www.researchgate.net/publication/338371376_Accuracy_assessment_of_hydrothermal_mineral_maps_derived_from_ASTER_images
• https://www.researchgate.net/publication/337790490_Analysis_of_Most_Significant_Bands_and_Band_Ratios_for_Discrimination_of_Hydrothermal_Alteration_Minerals
• https://www.researchgate.net/project/Deep-Learning-for-Remote-Sensing-2
• https://ieeexplore.ieee.org/abstract/document/10589462 -> Deep Spectral Spatial Feature Enhancement through Transformer for Hyperspectral Image Classification
• https://www.researchgate.net/publication/331876006_Fusion_of_Landsat_and_Worldview_Images
• https://www.researchgate.net/publication/259096595_Geological_mapping_using_remote_sensing_data_A_comparison_of_five_machine_learning_algorithms_their_response_to_variations_in_the_spatial_distribution_of_training_data_and_the_use_of_explicit_spatial_
• https://www.researchgate.net/publication/341802637_Improved_k-means_and_spectral_matching_for_hyperspectral_mineral_mapping
• https://www.researchgate.net/publication/272565561_Integration_and_Analysis_of_ASTER_and_IKONOS_Images_for_the_Identification_of_Hydrothermally-_Altered_Mineral_Exploration_Sites
• https://www.researchgate.net/publication/236271149_Multi-_and_hyperspectral_geologic_remote_sensing_A_review_GRSG_Member_News
• https://www.researchgate.net/publication/220492175_Multi-and_Hyperspectral_geologic_remote_sensing_A_review
• https://www.sciencedirect.com/science/article/pii/S1574954124001572 -> Rapid estimation of soil Mn content by machine learning and soil spectra in large-scale
• https://www.researchgate.net/publication/342184377_remotesensing-12-01239-v2_1
• https://www.researchgate.net/project/Remote-sensing-exploration-of-critical-mineral-deposits
• https://www.researchgate.net/project/Sentinel-2-MSI-for-geological-remote-sensing
• https://www.researchgate.net/publication/323808118_Thermal_infrared_multispectral_remote_sensing_of_lithology_and_mineralogy_based_on_spectral_properties_of_materials
• https://www.researchgate.net/publication/340505978_Unsupervised_and_Supervised_Feature_Extraction_Methods_for_Hyperspectral_Images_Based_on_Mixtures_of_Factor_Analyzers

África

• https://www.researchgate.net/publication/235443308_Application_of_remote_sensing_and_GIS_mapping_to_Quaternary_to_recent_surficial_sediments_of_the_Central_Uranium_district_Namibia
• https://www.researchgate.net/publication/342373512_Geological_mapping_using_Random_Forests_applied_to_Remote_Sensing_data_a_demonstration_study_from_Msaidira-Souk_Al_Had_Sidi_Ifni_inlier_Western_Anti-Atlas_Morocco
• https://www.researchgate.net/publication/340534611_Identifying_high_potential_zones_of_gold_mineralization_in_a_sub-tropical_region_using_Landsat-8_and_ASTER_remote_sensing_data_a_case_study_of_the_Ngoura-Colomines_goldfield_Eastern_Cameroon
• https://www.researchgate.net/publication/342162988_Lithological_and_alteration_mineral_mapping_for_alluvial_gold_exploration_in_the_south_east_of_Birao_area_Central_African_Republic_using_Landsat-8_Operational_Land_Imager_OLI_data
• https://www.researchgate.net/publication/329193841_Mapping_Copper_Mineralisation_using_EO-1_Hyperion_Data_Fusion_with_Landsat_8_OLI_and_Sentinel-2A_in_Moroccan_Anti_Atlas
• https://www.researchgate.net/publication/230918249_SPECTRAL_REMOTE_SENSING_OF_HYDROTHERMAL_ALTERATION_ASSOCIATED_WITH_VOLCANOGENIC_MASSIVE_SULPHIDE_DEPOSITS_GOROB-HOPE_AREA_NAMIBIA
• https://www.researchgate.net/publication/337304180_The_application_of_day_and_night_time_ASTER_satellite_imagery_for_geothermal_and_mineral_mapping_in_East_Africa
• https://www.researchgate.net/publication/336823002_Towards_Multiscale_and_Multisource_Remote_Sensing_Mineral_Exploration_Using_RPAS_A_Case_Study_in_the_Lofdal_Carbonatite-Hosted_REE_Deposit_Namibia
• https://www.researchgate.net/publication/338296843_Use_of_the_Sentinel-2A_Multispectral_Image_for_Litho-Structural_and_Alteration_Mapping_in_Al_Glo'a_Map_Sheet_150000_Bou_Azzer-El_Graara_Inlier_Central_Anti-Atlas_Morocco

Brasil

• https://www.researchgate.net/publication/287950835_Altimetric_and_aeromagnetometric_data_fusion_as_a_tool_of_geological_interpretation_the_example_of_the_Carajas_Mineral_Province_PA
• https://www.researchgate.net/publication/237222985_Analise_e_integracao_de_dados_do_SAR-R99B_com_dados_de_sensoriamento_remoto_optico_e_dados_aerogeofisicos_na_regiao_dos_depositos_de_oxido_de_Fe-Cu-Au_tipo_Sossego_e_118_na_Provincia_Mineral_de_Caraja
• https://www.researchgate.net/publication/327503453_Comparison_of_Altered_Mineral_Information_Extracted_from_ETM_ASTER_and_Hyperion_data_in_Aguas_Claras_Iron_Ore_Brazil
• https://www.researchgate.net/publication/251743903_Enhancement_Of_Landsat_Thematic_Mapper_Imagery_For_Mineral_Prospecting_In_Weathered_And_Vegetated_Terrain_In_SE_Brazil
• https://www.researchgate.net/publication/228854234_Hyperspectral_Data_Processing_For_Mineral_Mapping_Using_AVIRIS_1995_Data_in_Alto_Paraiso_de_Goias_Central_Brazil
• https://www.researchgate.net/publication/326612136_Mapping_Mining_Areas_in_the_Brazilian_Amazon_Using_MSISentinel-2_Imagery_2017
• https://www.researchgate.net/publication/242188704_MINERALOGICAL_CHARACTERIZATION_AND_MAPPING_USING_REFLECTANCE_SPECTROSCOPY_AN_EXPERIMENT_AT_ALTO_DO_GIZ_PEGMATITE_IN_THE_SOUTH_PORTION_OF_BORBOREMA_PEGMATITE_PROVINCE_BPP_NORTHEASTERN_BRAZIL

Porcelana

• https://www.researchgate.net/publication/338355143_A_comprehensive_scheme_for_lithological_mapping_using_Sentinel-2A_and_ASTER_GDEM_in_weathered_and_vegetated_coastal_zone_Southern_China
• https://www.researchgate.net/publication/332957713_Data_mining_of_the_best_spectral_indices_for_geochemical_anomalies_of_copper_A_study_in_the_northwestern_Junggar_region_Xinjiang
• https://www.researchgate.net/publication/380287318_Machine_learning_model_for_deep_exploration_Utilizing_short_wavelength_infrared_SWIR_of_hydrothermal_alteration_minerals_in_the_Qianchen_gold_deposit_Jiaodong_Peninsula_Eastern_China
• https://www.researchgate.net/publication/304906898_Remote_sensing_and_GIS_prospectivity_mapping_for_magmatic-hydrothermal_base-_and_precious-metal_deposits_in_the_Honghai_district_China

Tierra Verde

• https://www.researchgate.net/publication/326655551_Application_of_Multi-Sensor_Satellite_Data_for_Exploration_of_Zn-Pb_Sulfide_Mineralization_in_the_Franklinian_Basin_North_Greenland
• https://www.researchgate.net/publication/337512735_Fusion_of_DPCA_and_ICA_algorithms_for_mineral_detection_using_Landsat-8_spectral_bands
• https://www.researchgate.net/publication/336684298_Landsat-8_Advanced_Spaceborne_Thermal_Emission_and_Reflection_Radiometer_and_WorldView-3_Multispectral_Satellite_Imagery_for_Prospecting_Copper-Gold_Mineralization_in_the_Northeastern_Inglefield_Mobil

India

• https://www.researchgate.net/publication/337649256_Automated_lithological_mapping_by_integrating_spectral_enhancement_techniques_and_machine_learning_algorithms_using_AVIRIS-NG_hyperspectral_data_in_Gold-bearing_granite-greenstone_rocks_in_Hutti_India
• https://www.researchgate.net/publication/333816841_Integrated_application_of_AVIRIS-NG_and_Sentinel-2A_dataset_in_altered_mineral_abundance_mapping_A_case_study_from_Jahazpur_area_Rajasthan
• https://www.researchgate.net/publication/339631389_Identification_and_characterization_of_hydrothermally_altered_minerals_using_surface_and_space-based_reflectance_spectroscopy_in_parts_of_south-eastern_Rajasthan_India
• https://www.researchgate.net/publication/338116272_Potential_Use_of_ASTER_Derived_Emissivity_Thermal_Inertia_and_Albedo_Image_for_Discriminating_Different_Rock_Types_of_Aravalli_Group_of_Rocks_Rajasthan

Irán

• https://www.researchgate.net/publication/338336181_A_Remote_Sensing-Based_Application_of_Bayesian_Networks_for_Epithermal_Gold_Potential_Mapping_in_Ahar-Arasbaran_Area_NW_Iran
• https://www.researchgate.net/publication/338371376_Accuracy_assessment_of_hydrothermal_mineral_maps_derived_from_ASTER_images
• https://www.researchgate.net/publication/340606566_Application_of_Landsat-8_Sentinel-2_ASTER_and_WorldView-3_Spectral_Imagery_for_Exploration_of_Carbonate-Hosted_Pb-Zn_Deposits_in_the_Central_Iranian_Terrane_CIT
• https://www.researchgate.net/publication/331428927_Comparison_of_Different_Algorithms_to_Map_Hydrothermal_Alteration_Zones_Using_ASTER_Remote_Sensing_Data_for_Polymetallic_Vein-Type_Ore_Exploration_Toroud-Chahshirin_Magmatic_Belt_TCMB_North_Iran
• https://www.researchgate.net/publication/327832371_Band_Ratios_Matrix_Transformation_BRMT_A_Sedimentary_Lithology_Mapping_Approach_Using_ASTER_Satellite_Sensor
• https://www.researchgate.net/publication/331314687_Lithological_mapping_in_Sangan_region_in_Northeast_Iran_using_ASTER_satellite_data_and_image_processing_methods
• https://www.researchgate.net/publication/330774780_Mapping_hydrothermal_alteration_zones_and_lineaments_associated_with_orogenic_gold_mineralization_using_ASTER_data_A_case_study_from_the_Sanandaj-Sirjan_Zone_Iran
• https://www.researchgate.net/publication/380812370_Optimization_of_machine_learning_algorithms_for_remote_alteration_mapping
• https://www.researchgate.net/publication/362620968_Spatial_mapping_of_hydrothermal_alterations_and_structural_features_for_gold_and_cassiterite_exploration

Perú

• https://www.researchgate.net/publication/271714561_Geology_and_Hydrothermal_Alteration_of_the_Chapi_Chiara_Prospect_and_Nearby_Targets_Southern_Peru_Using_ASTER_Data_and_Reflectance_Spectroscopy
• https://www.researchgate.net/publication/317141295_Hyperspectral_remote_sensing_applied_to_mineral_exploration_in_southern_Peru_A_multiple_data_integration_approach_in_the_Chapi_Chiara_gold_prospect

España

• https://www.researchgate.net/publication/233039694_Geological_mapping_using_Landsat_Thematic_Mapper_imagery_in_Almeria_Province_south-east_Spain
• https://www.researchgate.net/publication/263542786_WEIGHTS_DERIVED_FROM_HYPERSPECTRAL_DATA_TO_FACILITATE_AN_OPTIMAL_FIELD_SAMPLING_SCHEME_FOR_POTENTIAL_MINERALS

Otro

• https://www.researchgate.net/publication/341611032_ASTER_spectral_band_ratios_for_lithological_mapping_A_case_study_for_measuring_geological_offset_along_the_Erkenek_Segment_of_the_East_Anatolian_Fault_Zone_Turkey

• https://www.researchgate.net/publication/229383008_Hydrothermal_Alteration_Mapping_at_Bodie_California_using_AVIRIS_Hyperspectral_Data

• https://www.researchgate.net/publication/332737573_Identification_of_alteration_zones_using_a_Landsat_8_image_of_densely_vegetated_areas_of_the_Wayang_Windu_Geothermal_field_West_Java_Indonesia

• https://www.researchgate.net/publication/325137721_Interpretation_of_surface_geochemical_data_and_integration_with_geological_maps_and_Landsat-TM_images_for_mineral_exploration_from_a_portion_of_the_precambrian_of_Uruguay

• https://www.researchgate.net/publication/336684298_Landsat-8_Advanced_Spaceborne_Thermal_Emission_and_Reflection_Radiometer_and_WorldView-3_Multispectral_Satellite_Imagery_for_Prospecting_Copper-Gold_Mineralization_in_the_Northeastern_Inglefield_Mobil

• https://www.researchgate.net/publication/304036250_Mineral_Exploration_for_Epithermal_Gold_in_Northern_Patagonia_Argentina_From_Regional-_to_Deposit-Scale_Prospecting_Using_Landsat_TM_and_Terra_ASTER

• https://www.researchgate.net/publication/340652300_New_logical_operator_algorithms_for_mapping_of_hydrothermally_altered_rocks_using_ASTER_data_A_case_study_from_central_Turkey

• https://www.researchgate.net/publication/324938267_Regional_geology_mapping_using_satellite-based_remote_sensing_approach_in_Northern_Victoria_Land_Antarctica

• https://www.researchgate.net/publication/379960654_From_sensor_fusion_to_knowledge_distillation_in_collaborative_LIBS_and_hyperspectral_imaging_for_mineral_identification

PNL

• https://ieeexplore.ieee.org/abstract/document/10544642 -> Assessing named entity recognition efficacy using diverse geoscience datasets [UNSEEN]
• https://link.springer.com/article/10.1007/s12371-024-01011-2 -> Can AI Get a Degree in Geoscience? Performance Analysis of a GPT-Based Artificial Intelligence System Trained for Earth Science (GeologyOracle)
• https://www.researchgate.net/publication/376671309_Enhancing_knowledge_discovery_from_unstructured_data_using_a_deep_learning_approach_to_support_subsurface_modeling_predictions
• https://www.mdpi.com/2220-9964/13/7/260 -> Extracting Geoscientific Dataset Names from the Literature Based on the Hierarchical Temporal Memory Model
• https://www.sciencedirect.com/science/article/pii/S0169136824002154 -> Three-dimensional mineral prospectivity mapping based on natural language processing and random forests: A case study of the Xiyu diamond deposit, China

LLM

• https://arxiv.org/pdf/2401.16822 - EarthGPT: A Universal Multi-modal Large Language Model for Multi-sensor Image Comprehension in Remote Sensing Domain
• https://link.springer.com/article/10.1007/s12371-024-01011-2 -> Can AI Get a Degree in Geoscience? Performance Analysis of a GPT-Based Artificial Intelligence System Trained for Earth Science (GeologyOracle)
  • Geology Oracle web prototype - https://geologyoracle.com/ask-the-geologyoracle/

General-Interest

• https://arxiv.org/abs/2404.05746v1 -> Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods
• https://www.researchgate.net/publication/384137154_Guidelines_for_Sensitivity_Analyses_in_Process_Simulations_for_Solid_Earth_Geosciences
• https://www.mdpi.com/1660-4601/18/18/9752 -> Learning and Expertise in Mineral Exploration Decision-Making: An Ecological Dynamics Perspective
• https://www.sciencedirect.com/science/article/pii/S2214629624001476 -> Mapping critical minerals projects and their intersection with Indigenous peoples' land rights in Australia
• https://www.sciencedirect.com/science/article/pii/S0169136824003470 -> Overcoming survival bias in targeting mineral deposits of the future: Towards null and negative tests of the exploration search space, accounting for lack of visibility
• https://www.sciencedirect.com/science/article/pii/S088329272400115X - > Ranking Mineral Exploration Targets in Support of Commercial Decision Making: A Key Component for Inclusion in an Exploration Information System

Aprendizaje profundo

• https://arxiv.org/abs/2408.11804 -> Approaching Deep Learning through the Spectral Dynamics of Weights
• https://arxiv.org/pdf/2310.19909.pdf -> Battle of the Backbones: A Large-Scale Comparison of Pretrained Models across Computer Vision Tasks
• https://pure.mpg.de/rest/items/item_3029184_8/component/file_3282959/content -> Deep learning and process understanding for data-driven Earth system science
• https://www.tandfonline.com/doi/pdf/10.1080/17538947.2024.2391952 -> Deep learning for spatiotemporal forecasting in Earth system science: a review
• https://wires.onlinelibrary.wiley.com/doi/pdfdirect/10.1002/widm.1554 -> From 3D point-cloud data to explainable geometric deep learning: State-of-the-art and future challenges
• https://arxiv.org/pdf/2410.16602 -> Foundation Models for Remote Sensing and Earth Observation: A Survey
• https://www.nature.com/articles/s41467-021-24025-8 -> Predicting trends in the quality of state-of-the-art neural networks without access to training or testing data
• https://arxiv.org/abs/2404.07738 ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models
• https://ieeexplore.ieee.org/abstract/document/10605826 -> Swin-CDSA: The Semantic Segmentation of Remote Sensing Images Based on Cascaded Depthwise Convolution and Spatial Attention Mechanism
• https://www.sciencedirect.com/science/article/abs/pii/S0098300424000839#sec6 -> Leveraging automated deep learning (AutoDL) in geosciences