mineral exploration machine learning

exploration-minerale-apprentissage automatique

Cette page répertorie les ressources pour l'exploration minérale et l'apprentissage automatique, généralement avec du code et des exemples utiles. Le ML et la Data Science sont un domaine immense, ce sont des ressources que j'ai trouvées utiles et/ou intéressantes dans la pratique. Les liens actuellement vers un fork d'un référentiel sont dus au fait que j'ai modifié quelque chose à utiliser et mis dans une liste pour référence. Des ressources sont également fournies pour l'analyse, la transformation et la visualisation des données, car c'est l'essentiel du travail.

Suggestions bienvenues : ouvrez une discussion, un problème ou une pull request.

Table des matières

• Prospectivité
• Géologie
• Traitement du langage naturel
• Télédétection
• Qualité des données
• Communauté
• Fournisseurs de cloud
• Domaines
• Aperçu
• Services Web
• Portails de données
• Outils
• Ontologies
• Livres
• Ensembles de données
• Papiers
• Autre
• Intérêt général

Carte

• Carte de Github

Cadres

• Cadre UNCOVER-ML
  • Géo-Ondelettes
  • Prétraitement ML
  • Flux de travail SIG ML
• EIS Toolkit -> Bibliothèque Python pour la cartographie de la prospectivité minérale du projet EIS Horizon EU
• PySpatialML -> Bibliothèque qui facilite la prédiction et la gestion de l'apprentissage automatique raster vers geotiff, etc.
• carte scikit
• TorchGeo -> Bibliothèque Pytorch pour les modèles de style télédétection
• terratorch -> Cadre de réglage flexible pour les modèles de fondation géospatiale
• TorcheSpatiale
  • papier
• géodèle
• Geo Deep Learning -> Cadre d'apprentissage en profondeur simple basé sur RVB
• AIDE : l'intelligence artificielle pour démêler les extrêmes
• ExPloRA -> ExPLoRA : pré-formation étendue efficace sur les paramètres pour adapter les transformateurs de vision lors des changements de domaine
  • Site web
  • papier
• (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 -> Applications Caret pour les modèles spatio-temporels
• geodl -> segmentation sémantique des données géospatiales à l'aide d'un apprentissage profond basé sur un réseau neuronal convolutif
  • papier

Pipelines

• geotargts -> Extension des cibles à la terre et aux étoiles

Prospectivité

Australie

• Cartes du potentiel minéral de l'oxyde de fer, du cuivre et de l'or
• Machine learning pour la cartographie géologique : algorithmes et applications -> Thèse de doctorat avec code et données
• Cartographie de prospectivité des latérites Ni-Co
• Tutoriel Transform 2022 -> Exemple de forêt aléatoire
  • Vidéo
• Étain-Tungstène
  • Collaboration
• Exploration spatio-temporelle du porphyre cuivreux
  • papier
• minpot-toolkit -> Exemple d'analyse des limites de Hoggard et al Lab avec du cuivre sédimentaire
• MPM-WofE -> Cartographie du potentiel minéral - Poids des preuves

Défi Explorateur

• Explorer Challenge -> OZ Minerals organise un concours avec introduction à la science des données

Australie du Sud

• Gawler_MPM -> Cobalt, Chrome, Nickel
  • Papier
• Regroupement de données géophysiques dans le craton de Gawler
  • [Zenodo Data] (Détection automatisée des structures de cratons liées à la minéralisation à l'aide de données géophysiques et d'apprentissage automatique non supervisé)

Explore SA - Concours du Département sud-australien de l'énergie et des mines

• Gagnants -> Informations sur les données SARIG
• Caldera -> Analyse Caldera Analytics
• IncertoData
• Butterworth et Barnett -> Entrée Butterworth et Barnett
• Cartographie de la minéralisation basée sur les données

Amérique du Nord

Canada

• Apprentissage de la prospective de transfert
  • papier -> Cartographie de prospectivité minérale de type porphyre avec données déséquilibrées via un apprentissage préalable par transfert géologique

Amérique du Sud

• Apprentissage automatique pour classer les gisements de minerai à partir de propriétés tectonomagmatiques

Brésil

• Mapa Preditivo -> Projet étudiant Brésil
• Course_Predictive_Mapping_USP -> Projet de cours
• Cartographie de la prospection minérale
• Poids de la preuve 3D
• Complexité géologique SMOTE -> inclut l'analyse fractale
  • papier
• MPM Jurena -> Province minérale de Jurena

Chine

• MPM par apprentissage d'ensemble -> District polymétallique Qingchengzi Pb-Zn-Ag-Au Chine
• Réseaux de neurones convolutifs de prévision de la prospection minérale -> Exemple CNN avec quelques architectures [un article de cet auteur utilise GoogleNet]
• Prévision de la prospection minérale par la CSAE
• Prédiction de la prospection minérale par CAE
  • papier

Soudan

• Cartographie de prospectivité minérale ML

Norvège

• Une approche basée sur l'apprentissage automatique pour la cartographie à l'échelle régionale de l'argile glaciomarine sensible combinant l'électromagnétique aéroportée et les données géotechniques
  • papier

Géologie

• Cartes géologiques prédictives du Brésil -> Travaux de la Commission géologique du Brésil
• profondeur jusqu'au substrat rocheux (évaluation des approches d'apprentissage automatique spatialisées pour la cartographie de la profondeur jusqu'au substrat rocheux)
  • papier
• DL-RMD -> Une base de données de modèles de résistivité électromagnétique contrainte géophysiquement pour les applications d'apprentissage en profondeur
• Classificateur d'images géologiques
• La cartographie géologique à l'ère de l'intelligence artificielle -> La cartographie géologique à l'ère de l'intelligence artificielle
• GeolNR -> Représentation neuronale implicite géologique pour les applications de modélisation géologique structurelle tridimensionnelle
  • papier
• mapeamento_litologico_preditivo
• Cartographie des conditions pression-température du manteau lithosphérique mondial par thermobarométrie d'apprentissage automatique
  • papier
• Typage Neural Rock
• Incertitude géologique de West Musgraves -> Prédiction de carte d'incertitude avec analyse d'entropie : très utile
• Transformateur d'atténuation de non-stationnarité
  • Collaboration -> Carnet
    • papier
• Substrat rocheux ou sédiments
  • papier
• autoencoders_remotesensing
  • papier -> Cadre de télédétection pour la cartographie géologique via des auto-encodeurs empilés et le clustering

Données de formation

• Dans le Noddyverse -> un énorme magasin de données de modèles géologiques 3D pour les applications d'apprentissage automatique et d'inversion
  • Dépôt Zenondo
  • site web

Lithologie

• Lithologie d'apprentissage profond
• Prédicteur de protolithe de roche
• Prédictions de lithologie géologique SA
• Corrélation automatisée des journaux de puits
• dawson-facies-2022 -> Apprentissage par transfert pour les images géologiques
  • article -> Impact de la taille de l'ensemble de données et de l'architecture du réseau neuronal convolutif sur l'apprentissage par transfert pour la classification des roches carbonatées
• Litho-Classification -> Classification des faciès volcaniques à l'aide de Random Forest
• Approche d'apprentissage automatique d'ensemble multi-vues pour la modélisation 3D à l'aide de données géologiques et géophysiques
  • papier
• SedNet
  • papier

Forage

• Forage hétérogène - Rapport du projet Nicta/Data61 pour étudier la modélisation à l'aide de forages qui ne vont pas assez loin
• corel -> modèle de vision par ordinateur intelligent qui identifie les faciès et effectue le typage des roches sur les images de base

Paléovallées

• Sub3DNet1.0 : un modèle d'apprentissage en profondeur pour la cartographie 3D de la structure souterraine à l'échelle régionale

Stratigraphie

• Predicatops -> Prédication stratigraphique conçue pour les hydrocarbures
• stratal-geometries -> Prédire les géométries stratigraphiques à partir des journaux de puits souterrains

De construction

• APGS -> Package géologie structurale
• Évaluation des modèles de reconstruction de plaques à l'aide de tests de cohérence des forces motrices des plaques -> Carnet et données Jupyter
  • papier
• gplately
• [Livre de recettes de géologie structurale](https://github.com/gcmatos/structural-geology-cookbook]
• GEOMAPLEARN 1.0 -> Détection de structures géologiques à partir de cartes géologiques avec apprentissage automatique
• Apprentissage linéaire -> Prédiction et cartographie des défauts via un apprentissage profond et un clustering potentiels sur le terrain
• LitMod3D -> Modélisation interactive géophysique-pétrologique intégrée 3D de la lithosphère et du manteau supérieur sous-jacent
• autres

Simulation

• GebPy -> génération de données géologiques pour les roches et minéraux
• OpenGeoSys -> développement de méthodes numériques pour la simulation de processus thermo-hydro-mécanico-chimiques (THMC) en milieux poreux et fracturés
• Stratigraphics.jl -> Création d'une stratigraphie 3D à partir de processus géostatistiques 2D

Géodynamique

• Badlands -> Dynamique des bassins et des paysages
• CitcomS -> code d'éléments finis conçu pour résoudre les problèmes de convection thermochimique compressible liés au manteau terrestre.
• LaMEM -> simuler divers processus géodynamiques thermomécaniques tels que l'interaction manteau-lithosphère
• PTatin3D -> étudier les processus à longue échelle pertinents pour la géodynamique [motivation originale : boîte à outils capable d'étudier des modèles tridimensionnels à haute résolution de déformation lithosphérique]
• monde souterrain -> Modélisation par éléments finis de la géodynamique

Géophysique

Modèles de fondation

• Adaptation du modèle de base inter-domaines : modèles de vision par ordinateur pionniers pour l'analyse des données géophysiques -> une partie du code à venir
  • papier
• Seismic Foundation Model -> "un modèle d'apprentissage profond de nouvelle génération en géophysique"

Australie

Profondeur du régolithe

• Profondeur du régolith -> Modèle
• Grille radiométrique complète de l'Australie avec remplissage modélisé

Interpolation AEM

• Cartographie de conductivité haute résolution à l'aide d'une enquête régionale AEM
  • Abstrait

Électromagnétique

• TEM-NLnet : un réseau de débruitage profond pour les signaux électromagnétiques transitoires avec apprentissage du bruit

Inversion

• Apprentissage automatique et inversion géophysique -> article de reconstruction de Y. Kim et N. Nakata (The Leading Edge, Volume 37, Numéro 12, décembre 2018)

Déconvolution d'Euler

• https://legacy.fatiando.org/gallery/gravmag/euler_moving_window.html
  • La version Harmonica finalement ? 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/fffigura/Euler-deconvolution-plateau

Pesanteur

• [Récupération du relief du sous-sol 3D à l'aide de données gravitationnelles via des réseaux de neurones convolutifs]
  • Données
  • papier
• Poursuite stable vers le bas du champ potentiel de gravité mise en œuvre à l'aide de l'apprentissage profond
  • papier
• Imagerie rapide pour les structures de densité 3D par approche d'apprentissage automatique
  • papier

Magnétique

• Carte aéromagnétique haute résolution via Adapted-SRGAN
  • papier
• MagImage2Geo3D
  • papier

Sismique

• StorSeismic -> Une approche pour pré-entraîner un réseau neuronal pour stocker les caractéristiques des données sismiques
• PINNtomo -> Tomographie sismique utilisant des réseaux de neurones basés sur la physique
  • papier

Sismologie

• obspy -> cadre de traitement sismologique

Pétrophysique

• ML4Rocks -> Quelques travaux d'introduction

Tectonique

• Discerner le détachement de la dalle de subduction dans une ancienne zone de subduction grâce à l'apprentissage automatique -> Notebook
  • partage de figue
• Carnet Colab -> Fichier d'entrée Google Colab pour les résultats de référence de la publication ML-SEISMIC
  • papier
• Libérer la puissance de l’apprentissage automatique en géodynamique
  • Thèse de spécialisation
• Réseaux de neurones basés sur la physique pour la simulation de glissements de failles avec loi de frottement de taux et d'état
  • simulation et estimation des paramètres de friction sur des événements de glissement lent
  • article -> Apprentissage profond basé sur la physique pour estimer la distribution spatiale des paramètres de friction dans les régions à glissement lent

Géochimie

• CODAinPractice -> Analyse des données de composition en pratique
• GéoCoDa
• DAN-GRF -> Réseau d'auto-encodeurs approfondi connecté à une forêt géographique aléatoire pour une détection spatiale des anomalies géochimiques
  • papier
• Prospection géochimique Dash -> Application Web classifiant les sédiments des cours d'eau avec des K-means
• Amélioration de la thermobarométrie par apprentissage automatique pour les magmas contenant du clinopyroxène
  • papier -> Amélioration-ML-Thermobarométrie-pour-Clinopyroxène-Bearing-Magmas
• Modèles de fertilité du zircon -> Arbres de décision pour prédire le zircon fertile des gisements de cuivre porphyrique
  • papier
• Outil d'apprentissage automatique des éléments traces de zircon pour prédire le type de gisement de porphyre et la taille des ressources
  • archives zenodo
  • papier
• geology_class0 -> Une approche d'apprentissage automatique pour la discrimination des roches ignées et des gisements de minerai par les oligo-éléments de zircon
  • papier
  • Application de démonstration
  • https://colab.research.google.com/drive/1-bOZgG6Nxt2Rp1ueO1SYmzIqCRiyyYcT
• GéochimieImpression
  • papier
• Géochimie mondiale
• ICBMS Jacobina -> Analyse de la chimie de la pyrite d'un gisement d'or
• Interprétation de la chimie des éléments traces des zircons de Bor et Cukaru Peki : approche conventionnelle et classification aléatoire des forêts
• Indicator_minerals -> Le PCA peut-il raconter l'histoire de l'origine de la tourmaline ?
• Journal d'exploration géochimique - Collecteur
• LewisML -> Analyse de la Formation de Lewis
• MICA -> Composition chimique, en Shiny
• Analyse statistique multivariée et modélisation de réseaux de déviations sur mesure pour la détection d'anomalies géochimiques d'éléments de terres rares
  • papier
• Cartographie de prospective des éléments de terres rares grâce à l'analyse de données géochimiques -> Cartographie de prospective des éléments de terres rares grâce à l'analyse de données géochimiques
• QMineral Modeller -> Assistant virtuel de chimie minérale du service géologique brésilien
• Changements séculaires dans l'apparition de la subduction au cours de l'Archéen -> Archives de code Zenodo
  • [article] https://www.researchgate.net/publication/380289934_Secular_Changes_in_the_Occurrence_of_Subduction_During_the_ArcheanUne approche d'apprentissage automatique pour la discrimination des roches ignées et des gisements de minerai par des oligo-éléments de zircon

Krigeage

• DKNN : réseau neuronal de krigeage profond pour une interpolation géospatiale interprétable
  • papier

Traitement du langage naturel

• Extraction de texte -> Extraction de texte à partir de documents : ML payant en tant que service, mais fonctionne très bien, peut extraire des tableaux efficacement
  • Grande échelle -> Version à grande échelle
• Balisage de concepts NASA -> Prédiction de mots clés
  • API -> Service Web API
  • Présentation
• Extracteur de données de rapport de pétrographie
• Modélisation de sujets d'exploration SA -> Modélisation de sujets à partir de rapports d'exploration
• Stratigraphe
• Géocorpus
• BERT portugais
• BERT CWS
  • papier
• Extraction automatisée des résultats de forage des sociétés minières
  • Document de conférence

Incorporations de mots

• Modèles de langage géoscientifique -> pipeline de code de traitement et modèles [Glove, BERT) recyclés sur les documents géoscientifiques du Canada
  • Ensembles de données -> Données pour prendre en charge les modèles
  • article -> Modèles de langage géoscientifique et leur évaluation intrinsèque
  • article -> Applications du traitement du langage naturel à la modélisation des données textuelles géoscientifiques et de la prospective
• GeoVec -> Modèle d'intégration de mots formé sur 300 000 articles géoscientifiques
  • Modèle GeoVec -> Stockage OSF pour le modèle GeoVec
  • papier
  • GeoVecto Litho -> Interpolation de modèles 3D à partir d'incorporations de mots
  • GeoVEC Playground -> Travailler avec le modèle d'intégration de mots de gants Padarian GeoVec
• GloVe -> Bibliothèque Standford pour produire des intégrations de mots
  • gant gloVE python, gant-python très problématique sous Windows : ici la version binaire pour Windows installe :
• Mitaines -> Implémentation en mémoire des gants vectorisés
• PetroVec -> Portugais Word Embeddings pour l'industrie pétrolière et gazière : développement et évaluation
• wordembeddingsOG -> Embeddings de mots portugais sur le pétrole et le gaz
• Incorporations de mots portugais
  • Modèles portugais
• Incorporations de mots espagnols
• Alignement multilingue
  • Aperçu des approches

Reconnaissance d'entité nommée

• Modèle Geo NER -> Reconnaissance d'entité nommée
• GeoBERT - dépôt de visage câlin pour le modèle en
  • [article]https://www.researchgate.net/publication/359186219_Few-shot_learning_for_name_entity_recognition_in_geological_text_based_on_GeoBERT
• INDUS -> Suite LLM sur mesure scientifique de la NASA
  • papier
• Comment trouver des termes géoscientifiques clés dans un texte sans maîtriser la PNL à l'aide d'Amazon Comprehend
• OzRock - OzRock : Un ensemble de données étiquetées pour la reconnaissance d'entités dans le domaine géologique (exploration minérale)

Ontologie

• GAKG -> Un graphique de connaissances académiques multimodales en géosciences (chinois)
• GeoERE-Net -> Comprendre les rapports géologiques basés sur des graphes de connaissances en utilisant une approche d'apprentissage en profondeur
  • papier
• Ontologie GeoFault
• geosim -> Simulation qualitative déclenchée sémantiquement d'un processus géologique
  • [https://www.duo.uio.no/handle/10852/111467](Modélisation des connaissances pour la géologie numérique) -> Thèse de doctorat avec deux articles
  • SIRIUS GeoAnnotator -> Exemple de site Web ci-dessus
• Ontologie CWS
• Graphique de connaissances stratigraphiques (StraKG)
  • papier

Grands modèles de langage

• Grand modèle linguistique pour les géosciences
  • Document de compréhension et d'utilisation des modèles linguistiques de la base d'apprentissage pour la compréhension et l'utilisation des connaissances en géosciences
• GeoGalactica -> Un modèle de langage de base plus large en géoscience
  • rapport technique
• GeoChat -> Modèle de langage à grande vision fondé pour la télédétection
• LAGDAL -> LLM Faire correspondre les informations cartographiques géologiques aux expériences de localisation

Chatbots

• GeoGPT -> Projet du Deep Time Digital Earth Research Group de Chine

Télédétection

• CNN Sentinel -> Présentation de la classification de l'utilisation des terres à partir de données satellite avec CNN basée sur un ensemble de données ouvert
• Cahiers DEA -> Exemple d'apprentissage automatique évolutif mais beaucoup de choses utiles ici
• Carnets de recettes EASI -> Introductions à la plateforme CSIRO Earth Analytics pour l'analyse de style ODC
• DS_UNet -> Unet fusionnant le radar à synthèse d'ouverture (SAR) Sentinel-1 et l'imageur multispectral Sentinel-2
• Encodeur automatique masqué multi-prétexte (MP-MAE)
• données
• segment-geospatial -> Segmentez n'importe quoi pour des utilisations géospatiales
• SamGIS -> Segmenter tout ce qui est appliqué au SIG
• SatMAE++ -> Repenser la pré-formation des transformateurs pour l'imagerie satellite multispectrale
• grid-mae -> Enquêter à l'aide de grilles multi-échelles dans un autoencodeur masqué Vision Transformer
• ÉchelleMae
  • papier
• CIMAE -> CIMAE - Autoencodeur masqué indépendant du canal
• fork -> pour lui donner le nom pour référence
• [Apprentissage par représentation auto-supervisé pour la télédétection] -> Le mémoire de maîtrise inclut ce qui précède et des comparaisons de plusieurs modèles
• U Grange
  • papier
• filets de terre
• GeoTorchAI -> GeoTorchAI : un cadre d'apprentissage profond spatio-temporel
• [pytorcheo](https://github.com/earthpulse/pytorchEO -> Deep Learning pour les applications et la recherche en observation de la Terre
• AiTLAS -> une suite de référence open source pour évaluer les approches d'apprentissage profond de pointe pour la classification d'images en observation de la Terre
• Segmentation Gym -> Gym est conçu pour être un « guichet unique » pour la segmentation d'images sur « ND » - n'importe quel nombre de bandes coïncidentes dans une image multispectrale
• deep_learning_alteration_zones
• superbe collection de ratios de bandes minières -> collection d'utilisations simples de ratios de bandes pour mettre en évidence divers minéraux
• superbes modèles de base de télédétection
• Clay -> Un modèle d'IA open source et une interface pour la Terre
• IBM-NASA-GEOSPATIAL Prithvi
• Segmentation d'image par réglage fin du modèle de base -> Pour Prithvi
• AM-RADIO : Modèle de fondation de vision agglomérée
  • papier -> - Réduire tous les domaines en un seul
• RemoteCLIP -> Un modèle de base du langage de vision pour la télédétection
• SpectralGPT
• zenodo) -> modèle de base de télédétection personnalisé pour les données spectrales
  • papier -> Invisible

Traitement

• Conversion ASTER -> Conversion d'ASTER hd5 en geotiff NASA github
• Ressources de données HLS -> Gestion harmonisée de Landsat Sentinel
• sarsen -> traitement et correction d'images SAR basés sur xarray
• openEO -> openEO développe une API ouverte pour connecter R, Python, JavaScript et d'autres clients aux back-ends cloud EO

Démixage spectral

• Enquête de classification d'images conventionnelles à transformateurs pour hyperspectrales-2024
  • papier
• Examen de l'apprentissage profond hyperspectral
• Auto-encodeurs hyperspectraux
• Apprentissage approfondi HSI
• Classification hyperspectrale 3DCAE
• DéHIC
• Rev-Net
  • paper -> Un réseau génératif réversible pour le démixage hyperspectral avec variabilité spectrale
• Pysptools -> possède également des algorithmes heuristiques utiles
• Python spectral
• Ensemble de données spectrales RockSL -> Ouvrir l'ensemble de données spectrales
• Démixage

Hyperspectral

• CasFormer : transformateurs en cascade pour l'imagerie hyperspectrale informatique sensible à la fusion
• Normalisation spectrale pour Keras
  • papier
• S^2HM^2 -> S2HM2 : un cadre de modélisation masquée hiérarchique spectral-spatial pour l'apprentissage auto-supervisé des fonctionnalités et la classification d'images hyperspectrales à grande échelle
  • papier

Visualisation

• Extraction approfondie de palettes de couleurs à partir de visualisations
  • papier
• Segmentation sémantique pour extraire les perturbations historiques des mines à ciel ouvert à partir de cartes topographiques -> L'exemple concerne les mines de charbon
  • papier
• Codes de couleurs chronostratigraphiques internationaux -> Codes RVB et autres dans des feuilles de calcul et autres formats
• LithClass -> version USGS des codes de couleurs lithologiques
• version couleur
• SeisWiz -> Visionneuse Python SEG-Y légère

Texture

• Classification des textures minérales à l'aide de réseaux de neurones à convolution profonde : une application aux zircons issus de gisements de cuivre porphyrique
  • papier

Simulation

• Prospecteur intelligent -> Planification d'acquisition de données séquentielle
• Zénodo
  • papier

Géométrie

• Deep Angle -> Calcul rapide des angles de contact dans les images tomographiques grâce au deep learning

Autre

• Analyse de réseau de systèmes minéralogiques
  • Données -> Données papier ici
• Géoanalyse et apprentissage automatique
• Sous-surface d’apprentissage automatique
• ML Géoscience
• Soyez un détective géoscientifique
• Earth ML -> Quelques tutoriels de base dans les approches PyData
• GeoMLA -> Algorithmes de Machine Learning pour les données spatiales et spatiotemporelles

Plateformes

Guides

• Geospatial CLI - Liste des outils de ligne de commande géospatiale
• Apprentissage profond des images satellites
• Observation de la Terre
• Intelligence Artificielle de la Terre
• SIG Open Source -> Aperçu complet de l'écosystème

Qualité des données

• Qualité des données géoscientifiques pour l'apprentissage automatique -> Qualité des données géoscientifiques pour l'apprentissage automatique
• Données gravimétriques australiennes -> Aperçu et analyse des données des stations gravimétriques
• Geodiff -> Comparaison des données vectorielles
• Redflag -> Analyse des données et aperçu pour détecter les problèmes

Apprentissage automatique

• Dask-ml -> Versions distribuées de certains algorithmes ML courants
  • papier
• geospatial-rf -> Fonctions et wrappers pour aider aux applications forestières aléatoires dans un contexte spatial
• Geospatial-ml -> Installer plusieurs packages communs à la fois

Espace latent

• Fusion imbriquée
  • papier -> Fusion imbriquée : réduction de la dimensionnalité et analyse de la structure latente des données imbriquées multi-échelles pour les données M2020 PIXL RGBU et XRF

Métrique

• scores -> Vérifier et évaluer les modèles et les prédictions avec xarray

Probabiliste

• NG Boost -> régression probabiliste
• ML probabiliste
• Ensachage PU avec BO -> Ensachage positif sans étiquette avec optimisation bayésienne

Regroupement

Cartes auto-organisées

• GisSOM -> Cartes auto-organisées centrées géospatiales du Service géologique finlandais
• SimpSOM -> Cartes auto-organisées

Autre

• scan hdb
• kmédoïdes
  • kmédoïdes
• Picasso

Bayésien

• Bayseg -> Segmentation spatiale

Explicabilité

• InterpretML -> Interprétation des modèles de données tabulaires
• InterpretML -> Ajout de communauté

Apprentissage profond

• Extraction approfondie de la palette de couleurs -> Essayer d'extraire une échelle de données à partir d'images
• Extraire et classer des images de documents géoscientifiques

Données

• Xbatcher -> Lecture de données basée sur Xarray pour l'apprentissage en profondeur
  • Chargeurs de données natifs cloud pour l'apprentissage automatique utilisant Zarr et Xarray
• zen3geo -> Science des données de style Xbatcher avec pytorch

Explicabilité

• Valeurs de forme
• Weight Watcher -> Analyser la qualité de la formation des réseaux
• Weightwatcher.ai
• Weightwatcher-ai.com -> Version Web professionnelle

Apprentissage auto-supervisé

• Auto-supervisé -> Implémentations éclair Pytorch de plusieurs algorithmes
• Simclr
• Super apprentissage auto-supervisé -> Liste organisée

Hyperparamètres

• Hyperopte
• ML automatisé TPOT

Environnements de codage

• Bac à sable DEA
• Cube dans une boîte

Communauté

• Software Underground - Communauté de personnes intéressées par l'exploration de l'intersection du sous-sol et du code
  • Inscription au chat - Inscription au chat de la communauté SWUNG
  • Mattermost - Service de chat communautaire
    • Ancienne chaîne Slack (obsolète, voir le plus important ci-dessus)
  • Lien Open Source avec les géosciences
  • Vidéos
    • Transformez 2022
  • Géoscience ouverte géniale [note biaisée en matière de pétrole et de gaz]
  • Transformez les exemples de piratage 2021
  • Tutoriel Segysak 2021
  • Carnet sismique T21
  • Sismique pratique avec Python
  • Transformez Simpeg 2021
• Pangée
  • Forum
  • Meilleures pratiques du COG
• Terre numérique Australie
  • Chaîne Slack
• Fondation géospatiale open source
• OSGeoLive -> DVD/USB bootable avec de nombreux logiciels géospatiaux open source
• ASEG -> vidéos de la Société australienne des géoscientifiques d'exploration
• IA pour la modélisation et la cartographie géologiques -> vidéos de la journée de conférence
• conférence

Fournisseurs de cloud

AWS

• ec2 Spot Labs -> Rendre le travail automatique sur les instances Spot plus facile
• Sagemaker Géospatial ML
• Sagemaker -> Service géré ML
  • SDK
  • Utilitaires de point d'entrée
  • Atelier 101
  • Boîte à outils de formation

Lot

• Shepard -> Configuration automatisée de la formation de cloud d'AWS Batch Pipelines : c'est génial

Forfaits

• Mlmax - Démarrer la bibliothèque rapide
• Petite affaire
• Pyutil

Général

• Conteneurs d'apprentissage profond
• Loguru -> Bibliothèque de journalisation
• Robot AWS GDAL -> Lambda et traitement par lots des géotiffs
• Traitement sismique sans serveur
• LIthops -> cadre informatique distribué multi-cloud

Aperçus

• Exploration minérale

Domaines

• Géologie
  • Âges géologiques
  • Lithologie
  • Stratigraphie
• Géochimie
• Géophysique
• Télédétection

Services Web

Si elles sont répertoriées, on suppose qu'il s'agit généralement de données, s'il s'agit uniquement d'images comme WMS, cela le dira.

Monde

• Minéraux et gisements critiques

Australie

• AusGIN
• Géoscience Australie
• Potentiel Minéral -> WMS
• Service de catalogue de Geoscience Australia

Géologie

• AUSLAMP -> Tennant Creek - MtIsa
• Géologie de terrain
• Lithosphère profonde -> Potentiel minéral lithosphérique profond
• Géochronologie -> Géochronologie
• Provinces géologiques
• WMS -> Image WMS
• OEUFS -> Estimations des surfaces géologiques et géophysiques
• Roches alcalines du Protérozoïque - Ensemble de données sur les roches alcalines du Protérozoïque WFS {possède également WMS}
• Cénozoïque
• Mésozoïque
• Paléozoïque
• Archéen
• Stratigraphie -> Unités stratigraphiques

Géophysique

• Levés géophysiques
• Levés sismiques -> Levés sismiques terrestres
• Magnétotellurique -> Australie du Nord Stations AUSLAMP

Autre

• Ni-Cu-PEGE -> Dépôts de nickel et de cuivre PGE hébergés par intrusion
• Espace EFTF -> Explorer les territoires du futur
• Température -> Température interprétée
• DEA -> Digital Earth Australie
• Couverture terrestre
• Plans d'eau
• BOM -> Bureau de Météorologie Hydrogéochimie

Nouvelle-Galles du Sud

• Nouvelle-Galles du Sud
• WCS
• Forages minéraux WFS
• Forages pétroliers WFS
• Forages de charbon WFS
• Sismique -> Sismique et autres

Queensland

• Queensland
• Géoscientifique -> Géophysique et index des rapports
• Géologie
• Régional
• État
• Immeubles
• Routes
• Cours d'eau

Australie du Sud

• SARIG
• Forages
• Géologie
• Géophysique
• Prospectivité
• Minéraux et mines
• Télédétection
• Sismique
• Immeubles

Territoire du Nord

• NTGS -> Commission géologique du Territoire du Nord

Tasmanie

• WFS de Tasmanie
• Tasmanie REPOS
• Forages

Victoria

• Géoréseau Victoria

Australie occidentale

• Australie occidentale
• Repos

Nouvelle-Zélande

• GNS -> Liste des services web

Amérique du Sud

Brésil

• Géoportail du Brésil
• Brésil CPRM

Pérou

• Ingénierie
• Occurrences minérales
• Environnemental

Mexique

• GeoInfo -> Services de repos

Argentine

• SIGAM

Colombie

• Repos
• Dépôts 2018

Uruguay

• Repos

Autre

• SIG Andes -> Géologie des Andes

Europe

EGDI -> Minéraux EGDI

Suède

• SGU Magnétique WMS
• SGU Uranium
• Métadonnées géophysiques

Finlande

• GTK -> Commission géologique de Finlande
  • Finlande
    • Géologie du substrat rocheux
    • Géophysique
    • Enquêtes au sol
• Minéraux arctiques -> Occurrences minérales Arctique 1M

Danemark

• deus -> Groenland WMS/WFS

Portugal

• Géologie du Portugal
• Occurrences minérales -> WMS
• Villes et villages

Espagne

• Espagne
• Géologie -> 200K
• 1M -> 1M
• 50 000 -> 50 000
• Géode IGME
• Géophysique
• Cuivre - Cuivre
• GeoFPI -> Géologie et Minéraux Zone Sud Portugaise
• Eau

Ukraine

• Geoinform -> [actuellement suspendu]

Irlande

• Repos
• Emplacements minéraux

Grande-Bretagne

• BGS -> Commission géologique britannique
• Géoindex -> exemple d'occurrence minérale
• Repos -> Services de repos BGS & Inspire 625

Allemagne

• BRG

République tchèque

• Repos

Slovaquie

• Repos

Hongrie

• MBFZ OGC
• MBFZ repos

Roumanie

• IGR -> WMS uniquement
• Mines IGR -> WMS uniquement

Pologne

• Exemple de repos -> Beaucoup plus de serveurs de cartes

Amérique du Nord

Canada

• Québec
• TNO
• Repos
• Références

USA

• Minéral mondial USGS
• USGS MRDS
• Minnesota

Asie

• Chine -> wap sur les gisements minéraux WMS
• champ minéralisé -> Points d'occurrence minérale
• Inde minérale -> WMS
• Géophysique en Inde

Afrique

• Géoportail Afrique -> Services de repos
• Afrique 10M -> Occurrences minérales Afrique 10M https://pubs.usgs.gov/of/2005/1294/e/OF05-1294-E.pdf
• IPIS Artisanal Mines -> Il existe également une version WMS
• github
• Ouganda -> GMIS WMS

Général

• Services Web d'exploration minérale -> Plugin QGIS avec accès à de nombreux services Web pertinents

Autre

• Open Street Map -> service de tuiles général utile

Apis

• API de données ouvertes -> API du portail de données ouvertes GSQ
  • Analyse géochimique
• CORE -> Textes de recherche ouverts
  • API Notebook -> Exemple et fonctions
• PARTAGER -> API Science Ouverte
• Publications de l'USGS
• RÉFÉRENCE CROISÉE
• xDD -> ancien GeoDeepDive
• ADEPT -> GUI vers xDD pour rechercher 15 millions de documents récoltés
• OuvrirAlex
  • API
  • Bibliothèque Python de diophile
  • Bibliothèque Python
    • papier
• Macrostrat
  • papier
• OpenMinData -> facilite l'interrogation et la récupération de données sur les minéraux et les géomatériaux à partir de l'API Mindat

Portails de données

Monde

• Earth Model Collaboration -> accès à divers modèles terrestres, outils de visualisation pour la prévisualisation du modèle, fonctionnalités d'extraction des données/métadonnées du modèle et accès aux logiciels et scripts de traitement contribués.
• Bulletin ISC -> Recherche de mécanisme focal sismique
• [Magnetics Information Consortium[(https://www2.earthref.org/MagIC/search) -> paléomagnétique, géomagnétique, magnétique rocheux

Australie

Géoscience Australie

• Catalogue de données de Geoscience Australia
• AusAEM
• Portail Geoscience Australie
• Portail Exploration du futur -> Portail Web Geoscience Australia avec informations de téléchargement
• AusAEM
• AusLAMP
• Géochronologie et isotopes
• Bassins hydrogéologiques -> recherche d'une couche de bassins versants
• Initiative de cartographie des minéraux critiques
• Unités stratigraphiques australiennes
• Unités stratigraphiques australiennes de forage -> Compilation des eaux souterraines des unités sédimentaires
• Geoscience Australia Thèmes géophysiques -> Accès OpendDAP et https
• MORPH gdb -> Données de forage de l'officier Musgrave

CSIRO

• Portail d'accès aux données du CSIRO
• Profondeur du régolithe
• TWI -> Indice d'humidité topographique
• Cartes géoscientifiques ASTER -> Site Web
  • FTP -> Site FTP CSIRO
  • Notes ASTER Maps -> Notes pour ce qui précède

AuScope

• Géologie 3D -> Modèles de plusieurs zones

STERNE

• Covariables de terre nue améliorées pour la modélisation des sols et lithologique

Bureau de météorologie

• Explorateur des eaux souterraines -> Bureau de météorologie

Données spatiales fondamentales

• Elvis

Australie du Sud

• SARIG -> Recherche basée sur une carte géospatiale du South Australia Geological Survey
• Catalogue SARIG -> catalogue de données
  • Modèles 3D
    • À l'échelle de la SA
    • emplacement s3
  • Ensembles de données - Mise à jour annuelle
  • Rapports s3 -> Rapports et versions textuelles dans le compartiment s3 avec interface Web)
  • Rapports
  • Sismique
    • Téléchargements sismiques -> Une page de liens

Territoire du Nord

• GRÈVE -> Commission géologique du Territoire du Nord
• GÉMIS
  • Bassin McArthur -> Modèle 3D
  • Levés géophysiques
  • Géophysique -> référence
  • Forage et géochimie -> référence
    • Paquet de données -> paquet de données

Queensland

• Commission géologique du Queensland
• Levés géophysiques
• Forage et géochimie

Australie occidentale

• GEOVIEW -> Commission géologique d'Australie-Occidentale
• DMIRS -> Centre de données et logiciels DMIRS
• URL de téléchargement -> ensemble de données de liens de téléchargement
• Forage et géochimie
• Télécharger le package - amélioration ?
• Géochimie
• Puits de pétrole avec profondeurs
• sous-ensemble de données WA

Nouvelle-Galles du Sud

• MINVIEW -> Commission géologique de la Nouvelle-Galles du Sud
• DiGS -> Publications et collections géotechniques

Tasmanie

• TRM
• Cartes MRT -> Carte Web

Victoria

• Ressources terrestres
  • Géophysique
• GeoVIC -> Les cartes Web doivent être enregistrées pour être plus utiles

Nouvelle-Zélande

• Base de données d'exploration -> En ligne
• GERM -> Carte des ressources géologiques de la Nouvelle-Zélande
• Géologie -> Carte Web
  • https://maps.gns.cri.nz/gns/wfs

Amérique du Sud

Brésil

• CPRM -> Service géologique du Brésil
• Téléchargements -> Téléchargements du Service géologique du Brésil
• Rigeo -> Référentiel Institutionnel des Géosciences

Pérou

• Ingemmet GeoPROMINE -> Commission géologique du Pérou
• GéoMAPE

Mexique

• GéoInfo

Argentine

• SIGAM -> Service géologique d'Argentine
• SIGAM

Colombie

• Portail géographique

Uruguay

• Image

Chili

• Portailgéomin

Europe

• EGDI -> Géosciences européennes
• WFS
• Promine
• Inspire -> Géoportail Inspire

Danemark

• Données souterraines danoises

Finlande

• Minéraux4EU
• GTK -> Commission géologique de Finlande
• Cartes géochimiques -> pdf uniquement !

Suède

• SGU -> Service géologique suédois

Espagne

• IGME -> Service Géologique Espagnol

Portugal

• Géoportail
• Occurrences minérales

Irlande

• GSI -> Commission géologique d'Irlande
• GSI - Visionneuse de cartes
• Goldmine -> Recherche de cartes et de documents
• data.gov.ie -> Vue du portail national
• isde -> Échange de données spatiales irlandaises

Norvège

• NGU -> Commission géologique de Norvège
• base de données -> Recherches de ressources minérales et stratigraphie
• github
• API
• Géoporta -> Géophysique
• GEONORGE -> Catalogue de données avec téléchargement

Grande-Bretagne

• Grande-Bretagne
• serveur de cartes
• github

Ukraine

• Ressources minérales

Russie

• Institut russe de recherche géologique -> Inaccessible actuellement
• RGU -> Projet SIG des gisements

Allemagne

• Géoportail
• Géocarte -> M
• Atom -> Flux de données Atom
• GDI -> Modèles 3D Allemagne

France

• Infoterre -> Service Géologique Français

Croatie

• Géoportail -> Commission géologique de Croatie
• Géologie

République tchèque

• GS -> Service géologique tchèque

Slovénie

• Catalogue de données

Slovaquie

• Catalogue de données
• API Géoportapi

Hongrie

• Cartes MBFSZ

Roumanie

• IGR -> Service géologique de Roumanie
• Ressources minérales

Pologne

• Géoportail

Royaume-Uni

• Bibliothèque géophysique terrestre du Royaume-Uni
• OS Data Hub Géologie britannique
• Géologie 625

Amérique du Nord

Canada

• Ressources naturelles Canada
• github
• Référentiel de données géoscientifiques -> Serveur DAP
• Portail de cartes Web minières
• DEM -> Canada DEM au format COG
• CDEM -> Modèle numérique d'élévation (2011)
• Ontario
• Québec
• Base de données SIGEOM
• Colombie-Britannique
• Base de données sur les occurrences minérales
• Yukon
  • FTP
• Nouvelle-Écosse
• provincial
• Île-du-Prince-Édouard
• Saskatchewan
• Base de données des occurrences minérales
• Terre-Neuve -> n'a pas fonctionné dans Chrome, je l'ai essayé dans Edge
• Alberta
• Application de cartographie interactive
• Territoires du Nord-Ouest
• Propriété minière

USA

• USGS -> Base de données cartographique
• MRDS -> Systèmes de données sur les ressources minérales
• Earth Explorer -> Portail de données de télédétection de l'USGS
• Base de données cartographique nationale
• Base de données cartographique nationale
• Alaska
• ReSci -> Registre des collections scientifiques du Programme national de préservation des données géologiques et géophysiques
• Michigan

Afrique

• Cadastre
• Hydrogéologie -> Hydrogéologie et géologie à partir d'un atlas des eaux souterraines
• Afrique de l'Ouest -> Gisements minéraux
• Namibie
• Occurrences minérales
• Mineurs
• Afrique du Sud -> Commission géologique d'Afrique du Sud
• Occurrences minérales -> Exemple où vous devez vous connecter pour télécharger
• Ouganda -> Portail GMIS
• Minéraux métalliques
• Tanzanie
• Occurrences minérales
• Mines
• SIGM -> Tunisie Géologie et Mines
• Zambie -> Immeubles en Zambie ici

Asie

Chine

• Données géoscientifiques
• Occurrences minérales
• Base de données nationale sur les gisements minéraux

Inde

• Bhukosh -> Commission géologique de l'Inde
• Remarque La géologie du Rajasthan ne fonctionne que de manière fragmentaire, ce qui est douloureux - si vous le souhaitez, faites-le-moi savoir

Arabie Saoudite

• Portail de la base de données géologique nationale

Autre

Géologie

• StratDB
• Défauts actifs mondiaux GEM
• Propriétés minérales RRuff
• article -> Système évolutif de minéralogie
• UneGéologie
• catalogue

L'Iran

Géologie

• OGC BGS 1M Substrat rocheux

Général

• OSF -> Fondation pour la science ouverte
• Métaux de base hébergés dans des sédiments -> Métaux de base hébergés dans des sédiments
• Lithosphère Limite de l'athénosphère -> LAB Hoggard/Czarnota
• Liste du Service géologique

Rapports

Australie

• GEMIS Territoire du Nord
  • recherche
  • exemple
• SARIG d'Australie du Sud
• Australie occidentale WAMEX
  • recherche
  • API
    • exemple
• Queensland
• Fouilles en Nouvelle-Galles du Sud
  • Les fouilles de NSW sont ouvertes
  • API non publique
• PorterGEO -> Bases de données mondiales sur les gisements minéraux avec aperçus récapitulatifs
• Sustainable Minerals Institute -> organisation du Queensland composée de chercheurs affiliés à des universités produisant des ensembles de données et des connaissances

Canada

• Colombie-Britannique
  • Recherche -> Rapports d'évaluation minérale
  • Publications -> Publications
• Ontario -> Rapports d'évaluation des minéraux
  • Publications ontariennes
• Alberta
  • Publications
• Yukon
• Empreinte
• Manitoba
• Publications
• Terre-Neuve et Labrador
• Territoires du Nord-Ouest
• Nouvelle-Écosse
• Québec
• Saskatchewan
  • Recherche
  • iMaQs -> Système intégré d'exploitation minière et d'exploitation en carrière

USA

• Arizona
• Montana
• Nevada
• New Mexico
• Minnesota
• Michigan
• json
• Alaska
• Washington

Autre

• Commission géologique britannique NERC
  • Potentiel Minéral
  • Recherche
  • Exemple d'API
  • Publications
  • MEIGA -> Rapports du projet d'exploration minérale MEIGA 600 BGS
• GeoLagret -> Suède
• MinData -> Compilation des emplacements de roches du monde entier
• Base de données minérales -> Liste exportable de minéraux avec propriétés scientifiques et âges
• NASA
• ResearchGate -> Chercheur et réseau professionnel

Outils

SIG

• QGIS -> Application de bureau Open Source de visualisation et d'analyse de données SIG, dotée de quelques outils ML : Indispensable pour une visualisation rapide et facile
  • Géologie 2D en QGIS -> Atelier pour QGIS NA 2020 Présentation des cartes géologiques et des sections transversales pour les étudiants et les amateurs
  • OpenLog -> Plugin de forage bêta
  • Geo-SAM -> Plugin QGIS pour segmenter tout avec les rasters
  • Poids de preuve
  • plugin
• HERBE
• saga -> miroir de sourceforge

3D

• Pyvista -> API d'enveloppe VTK pour une grande visualisation et analyse des données

  • Pvgeo
  • Pyvista-xarray -> Transformer les données XArray en VTK 3D sans douleur: une grande bibliothèque!
  • Omfvista -> pyvista pour le format d'extraction ouverte
  • Tutoriel Scipy 2022

• PymeshLab -> transformation de maillage

• Format d'exploitation ouverte

• Outils de boîte blanche

  • GUI -> version de bureau

• Souterrain

• Geolambda -> AWS Lambda Configuration

• Analyste des géosciences

  • GEOH5PY -> Obtenir des données vers et depuis les projets GEOH5
  • Geoapps -> Applications basées sur les cahiers pour la géophysique via GEOH5PY
  • geoh5vista
  • GAMS -> Analyse des données magnétiques
    • Papier - Un cadre pour les données sur les géosciences minérales et la portabilité du modèle - GEOH5

• Rayonnage

• Vdeo

Général géospatial

• Ressources Python pour la science de la Terre
• Geoutils -> Analyse géospatiale et interopérabilité favorable entre les autres packages SIG Python.

Données vectorielles

Python

• Géopandas
  • Dask-geopandas
    • Tutoriel
  • Geofileops -> Agmentation des jointures spatiales à vitesse via les fonctions de base de données et Geopackage
• Kart -> Contrôle de version distribuée pour Daata
• Pyesridump -> bibliothèque pour saisir les données à grande échelle à partir des serveurs ESRI REST

R.

• SF
• Terra -> Terra fournit des méthodes pour manipuler les données géographiques (spatiales) sous forme "raster" et "vecteur".

Données raster

C

• ExactExtract -> Statistiques zonales de ligne de commande en C

Julie

• Rasters.jl -> lecture et écriture de types de données raster communes

Python

• Rasterio -> Bibliothèque de base Python pour la manipulation des données raster
• Georeader -> Profiter les données raster à partir de différentes missions satellites
• RasterStats -> Résumé des ensembles de données géospatiaux Raster basés sur les géométries vectorielles
• XArray -> Manipulation et analyse multidimensionnelles étiquetées
  • RioxArray -> API fabuleuse de haut niveau pour la gestion XARRAY des données raster
  • GeoCube -> Rasterisation de l'API de données vectorielles
  • ODC-GEO -> Outils pour la manipulation du raster basé sur la télédétection avec de nombreux outils extrêmement pratiques comme la colorisation, les workflows de grille
  • Validator COG -> Format de vérification des géotifs optimisés au cloud
  • Datacube sans serveur-Demo -> XArray via Lithops / Coiled / Modal
  • XArray Spatial -> Analyse statistique des données raster telles que la classification comme les pauses naturelles
  • XDGS -> Autres types de grilles
  • xgcm -> histogrammes avec étiquettes
  • xrft -> Fourier basé sur XArray Transforts
  • XVEC -> Cubes de données vectorielles pour XArray
  • XArray-Einstats -> Statistiques, algèbre linéaire et Einops pour XArray

R.

• Raster -> R Library
• Terra -> fournit des méthodes pour manipuler les données géographiques (spatiales) sous forme "raster" et "vecteur".
• Stars -> Tableaux spatio-temporels: Raster et Vector DataCubs
• ExactExtracr -> Statistiques zonales raster pour r

Repères

• Raster-Benchmark -> Benchmarking quelques libaires raster à Python et R

Gui

• Outils Whitebox -> API Python, GUI, etc. ont utilisé pour le calcul de l'index de l'humidité topographique

Collecte de données

• Piautostage -> 'Un outil imprimé en 3D open source pour la collection automatique de l'imagerie de microscope à haute résolution;' Conçu pour les échantillons minéraux.

Conversion de données

• Aem à seg-y
• Aseg gdf2
• Lecteur CGG Outfile
• Geosoft Grid to Raster
• GRID GEOSOFT LOOP
• Charmonica Geosoft Grid -> Pull Demande en cours sur la conversion en xArray
• Auscope -> Données des modèles binaires GOCAD
• Lecteur de grille GOCAD SG
  • Geomodel-2-3dweb -> Ici, ils ont une méthode pour extraire les données des grilles binaires GOCAD SG
• Lecteur de maillage à Leapfrog
• OMF -> Format d'extraction ouverte pour la conversion entre les choses
• Mineur PDF
• VTK à DXF

Géochimie

• Pygeochemtools -> Bibliothèque et ligne de commande pour permettre un QC rapide et le traçage des données géochimiques
• SA Maps géochimiques -> Analyse des données et tracé des données de géochimie de l'Australie du Sud de l'enquête géologique de SA
• Levenning géochimique
• Tutoriel de géochimie de Scott Halley
• Tableau périodique

Géostatistique

• Géostatepy
• Pyinterpolate

Géochronologie

• Échelle de temps géologique -> Code à produire, mais a également un joli CSV régulier des âges

Géologie

• Gyppe -> Modélisation implicite

• Gemgis -> Assistance d'analyse des données géospatiales

• Loopstructural -> Modélisation d'implicitation

• Géologie manuel Python -> Analyse des données de géologie

• Map2Loop -> Automatisation de la modélisation 3D

  • LOOP3D -> GUI pour Map2loop

• Formulaires en py

• SA Stratigraphie -> Stratigraphie Database Editor WebApp

• Striplog

• Analyse_de_dados_estruturais_altamira

• TECTONIQUE GLOBALE -> Ensemble de données open source sur lequel se construire, les plaques, les marges, etc.

  • papier

• ajouts zenodo

• Lithologue

• pygplates

• Données de tutoriel

  • papier

Géophysique

• Géosciences Australie Utilities
• Géophysique pour pratiquer les géoscientifiques
• Boîte à outils de champ potentiel -> Certains filtres de transformation Fast Fourier basés sur XARRAY - Dérivés, pseudogravité, RPG, etc.
  • Notebook -> Classe avec quelques exemples [dérivé vertical, pseudogravité, continuation ascendante, etc.)
• Sandbox de géophysique de calcul
• RIS Sédiment du sous-sol -> profondeur au sous-sol magnétique en Antarctique
• Traitement de l'image du signal

Électromagnétique

• Géoscience Australie AEM
• Electromagnétiquement euh -> Cours de cours sur la compréhension de ce domaine
• Interprétation AEM
• Emag Py -> fdem
• RESIPY -> DC / IP

Gravité et magnétique

• Harmonica
• Exemples de filtre -> Traitement basé sur la transformée de Fourier rapide via XArray
• Données de gravité australiennes
• Vers
• Mise à jour des vers <- Création de vers potentiels avec quelques mises à jour mineures pour gérer la nouvelle API Networkx * GitHub Mirror
• Osborne Magnetic -> Exemple de traitement des données d'enquête

Sismique

• Segyio
• Segysak -> Gestion et analyse des données SEG-Y basées sur XArray
• Notes géophysiques -> Traitement des données sismiques

Magnétotellurique

• MTPY
• Tutoriels
• MTPY -> Mise à jour de ce qui précède pour faciliter les choses
• Boîte à outils de statistiques minérales -> Distance à MT Analyse des fonctionnalités
• Document des conducteurs lithosphériques
• mtwaffle -> Exemples d'analyse des données MT
• pymt
• résister
• MECMUS -> Outils pour lire le modèle de conductivité électrique des États-Unis
• modèle

Grille

• GMT
  • Pygmt
• Verde
• Grid_aeromag -> Exemple de grille brésilienne
• Pyinterp -> grille multidimensionnelle via Boost
• Pseudogravité -> De Blakely, 95

Inversion

• Simpeg
  • Mira Geoscience Fork -> Utilisé pour Geoapps
  • Fourche Simpeg
  • Transformer 2020 Simpeg
  • Transformer 2021 Simpeg
  • Scripts Simpeg
  • Exemple d'inversion conjointe Astic
• Gimli
• Tomofast-x
• USGS Anonymous FTP
• Logiciel USGS -> Liste plus longue des trucs utiles plus anciens: Dosbox, n'importe qui?
• Sous-programmes géophysiques -> Code FORTRAN
• 2020 Problèmes d'inversion d'Aix-un -> Aperçu de la théorie de l'inversion de la gravité

Géochimie

• Pyrolite
  • GS2021 Pyrolite
• Nivellement
• Outils pygeochim
• Géoquimica
• Geochemistrypi
  • papier

Forage

• DH2LOOP -> Assistance à l'intervalle de forage
  • papier
• Drilldown -> Visualisation de forage dans les ordinateurs portables via GEOH5PY -> Remarque Dessurvey
• Pygslib -> Arpentage des trou descendants et normalisation des intervalles
• pyborehole -> Traitement et visualisation des données de forage
• DhComp -> Composites Données géophysiques à un ensemble d'intervalles

Télédétection

• Indices spectraux impressionnants -> Guide de la création d'index spectral
• Cube de données ouvert
  • Cadres DEA -> code à utiliser dans les workflows de style ODC
  • Datacube-stats -> Library d'analyse statistique pour ODC
  • Geo Notebooks -> Exemples de code de l'élément 84
• Raster4ml -> un grand nombre d'indices de végétation
• Lefa -> Analyse de fracture, linéaments

Sans serveur

• Kerchunk -> Accès sans serveur aux données basées sur le cloud via Zarr
  • Kerchunk GEOH5 -> Accès à Geoscience Analyst / GEOH5 Projects Sans serveur via Kerchunk
  • Icehunk -> Moteur de stockage transactionnel pour les données tensor / nd-array conçues pour une utilisation sur le stockage d'objets cloud.

Catalogues STAC

• DEA Stackstac -> Exemples de travail avec les données Digital Earth Australia
• Intra-stac
• Extension ML AOI
• Spécification d'extension du modèle ML -> Spécification du modèle d'apprentissage automatique pour les catalogues modèles
  • papier
• ODC-STAC -> Cube de données ouvert gratuit à la base de données
• Pystac
• Recherche samelle
• Stackstac -> les métadonnées ont accéléré la base en bas

Statistiques

• Orange -> GUI d'exploration de données
• HDSTATS -> Base algorithmique des médianes géométriques
• HDMediens

Visualisation

• TV -> Afficher l'imagerie satellite dans un terminal
• Titiller
• Se trouve
• Hsdar
• Étoiles
• Pérou Gold Mining SAR

Potentiel minéral

• Mappage potentiel minéral nickel -> analyse basée sur l'ESRI
• Outil de prospectivité en ligne

Économie minière

• Bluecap -> Framework de l'Université Monash pour évaluer la viabilité des mines
• Loi ZIPFS ​​-> Courbe ajusté la distribution des dépôts minéraux
• Pyasx -> gratte de flux de données ASX
• API de prix en métal -> microservice conteneurisé

Visualisation

• Napari -> Visionneuse d'image multidimensionnelle
• HoloViews -> Visualisation des données à grande échelle
• GraphViz -> Graph tracé / visualisation Assistance Windows Installation Infos d'installation
• Spatial-kDE

Colormaps

• CET colormaps perceptuellement uniformes
• PU Colormaps -> formaté pour l'utilisateur dans Geoscience Analyst
• Colormap Distortions -> Une application de panneau pour démontrer les distorsions créées par des colormaps non perceptifs sur les données géophysiques
• Riper les données de Colormpas
• Open Geoscience Code Projets

Géospatial

• Géospatial> - Installe plusieurs packages Python communs
• Python géospatial -> Liste organisée

Piles technologiques

C

• GDAL -> Cadre de transformation et d'analyse des données absolument absolument cruciale
  • Outils -> Remarque a de nombreux outils de ligne de commande qui sont également très utiles

Julie

• Julia Earth -> Favoriser la science des données géospatiales et la modélisation géostatistique dans les sciences de la Terre
• Julia Geodynamics -> Code de géodynamique informatique
• Introduction à Julia pour les géosciences

Python - pydata

• Anaconda -> Affectuer des lots déjà installés avec ce gestionnaire de packages.
  • Gdal et al -> retirer la douleur de GDAL et TensorFlow installe ici
  • Git Bash -> faire fonctionner Conda à Git Bash
• Tableaux multidimensionnels numpy
• Analyse des données tabulaires Pandas
• Visualisation Matplotlib
• Zarr -> tableaux distribués compressés et en morceaux
• Dask -> parallèle, informatique distribué
  • Fournisseur de cloud de dask -> Démarrer automatiquement les clusters de base sur le cloud
  • Médiane de daste -> Notebook Donnant un prototype de fonction médiane de dask
• Écosystème géospatial Python -> Informations organisées

Rust - Georust

• Georust -> Collection des services publics géospatiaux à la rouille

Bases de données

• DuckDB -> En processus Olap DB à vitesse - a des capacités géospatiales et de tableau
• IBIS + DUCKDB Géopsatial -> SCIPY2024 Talk

Science des données

• Modèle de science des données Python -> Configuration du package de projet
• Awesome Python Data Science -> Guide organisé

Probabilité

• DistFit -> Ajustement de la densité de probabilité

Science

• Ressources Python pour les sciences de la Terre
• Informatique scientifique géniale

Docker

• CONTENUES DE DEMER AWS
• Docker spatial
• Dl docker géospatial
• Bascule
• Docker Lambda
• Géobase
• Dl docker géospatial

Ontologies

• Société géologique du Queensland Vocabulaires
  • Base de données des propriétés géologiques
  • Géofération
• Société géologique d'Australie occidentale
• Stratigraphique
• Geoscience Knowage Manager
• Vocabulaires de géosciml

Livres

Python

• Python Geospatial Analysis livre de cuisine
• Géoprocèse avec Python -> Manning Livebook

Autre

• Manuel
• Apprentissage automatique dans l'industrie du pétrole et du gaz
• Géocomputation avec r
• Earthdata Cloud Cookbook -> Comment accéder aux ressources de la NASA
• Livre de cuisine de Data Cleaner -> Mettre les outils UNIX à bon escient pour les données et le nettoyage des données
• Encyclopédie des géosciences mathématiques
• Manuel des géosciences mathématiques

Autre

• GXPY -> API Geosoft Python
• EartharXiv -> Télécharger les papiers de l'archive de préparation
• ESSOAR -> Archive de papier préparatif

Ensembles de données

Monde

Géologie

• Souilture -> Géologie généralisée du monde
• Glim -> Carte de lithologie mondiale
• Paléogéologie et atlas de cartes paléogéographiques phanérozoïques
• Couches sédimentaires -> Épaisseur de grille de 1 km globale du sol, du régolithe et des couches de dépôt sédimentaire
• Carte mondiale du stress -> Compilation globale des informations sur le champ de stress actuel crustal
• GMBA -> Global Mountain Inventory

Géophysique

Pesanteur

• Courbure -> Analyse de courbure globale à partir des données de gradient de gravité
• WGM 2012

Magnétique

• Eamg2v3 _> Grille d'anomalie magnétique terrestre
• WDMAM -> Carte mondiale d'anomalies magnétiques numériques

Magnétotellurique

• EMC -> modèle inverse 3D global de conductivité électrique

Sismique

• Laboratoire slnaafsa
• Lab CAM2016
• Moho -> Données Gemma
• Moho -> données Szwillus
• Vitesse sismique -> Debayle et al
• Lithoref18 -> Un modèle de référence global de la lithosphère et du manteau supérieur de l'inversion conjointe et de l'analyse de plusieurs ensembles de données
• Crust1.0 -> modèle de croûte mondial netcdf
• Présentation de la page d'accueil

Thermique

• Thermage

Général

• Temps numérique en profondeur -> Données et visualisation pour une variété de sources de données et de modèles
• EarthChem -> Préservation, découverte, accès et visualisation axée sur la communauté des données géochimiques, géochronologiques et pétrologiques
• Georoc -> Composition géochimique des roches
• Géologie mondiale -> Une courte recette pour faire une carte de géologie mondiale au format SIG (par exemple, fichier de forme), avec des gammes d'âge mappées à l'échelle de temps GTS2020
• Grande Commission des provinces igènes
• Panaches de manteau
• Épaisseur des sédiments -> Carte
• SpatialReference.org -> Référentiel pour le site Web

Australie

• Modèle de terre commune
• Carte minérale lourde
• Carte minérale lourde du pilote australien
• Application brillante

Géochimie

• Grilles prédictives des principales concentrations d'oxyde dans la roche de surface et régolithes sur le continent australien -> divers oxydes

Géologie

• Atlas des rochers alcalins
• Cénozoïque
• Mésozoïque
• Paléozoïque
• Archaéen
• recherche
• Roches alcalines protérozoïques -> Protérozoïque alcaline et roches ignées apparentées d'Australie GIS
• Cénozoïque
• Mésozoïque
• Paléozoïque
• Archaéen
  • papier https://ecat.ga.gov.au/geonetwork/srv/eng/catalog.search#/metadata/147963
• Hydrogéologie -> Carte d'hydrogéologie de l'Australie
• Hydrogéologie -> 5m
• Géologie en couches -> 1M
• Géologie de surface -> échelle 1M
• L'ensemble de données MAUFRAMIFIC MAFICATIF MAFICIFIQUE

Géophysique

• Gravity -> Grides de gravité nationales australiennes 2019

Magnétique

• TMI -> Carte d'anomalie magnétique de l'Australie, septième édition, 2019 TMI
• 40m -> version 40m
• VRTP -> Grille d'intensité magnétique totale (TMI) d'Australie avec réduction variable au pôle (VRTP) 2019
• 1VD -> Grille d'intensité magnétique totale d'Australie 2019 - Première dérivée verticale (1VD)

Radiométrie

• Radiométrie -> Grille radiométrique complète d'Australie (RADMAP) V4 2019 avec remplissage modélisé
• K -> Grille radiométrique d'Australie (RADMAP) V4 2019 Grille PCT PCT PCT
• U -> Grille radiométrique de l'Australie (RADMAP) V4 2019 PPM FILTRÉ
• Th -> Grille radiométrique d'Australie (RADMAP) V4 2019 Filtor PPM Thorium
• TH / K -> Grille radiométrique d'Australie (RADMAP) V4 2019 Ratio Thorium sur le potassium
• U / K -> Grille radiométrique d'Australie (RADMAP) V4 Ratio 2019 Uranium sur le potassium
• U / TH -> Grille radiométrique d'Australie (RADMAP) V4 2019 Ratio Uranium sur le thorium
• U Squared / Th -> Grille radiométrique d'Australie (RADMAP) V4 RATIO 2019 URANIUM Squared sur le thorium
• Taux de dose-> Grille radiométrique d'Australie (RADMAP) V4 2019 Taux de dose terrestre filtré
• Image ternaire -> Grille radiométrique d'Australie (RADMAP) V4 2019 - Image ternaire (K, Th, U)

Ausaem

• AUSAEM 1 -> AUSAEM Année 1 NT / QLD enquête électromagnétique aéroportée NT / QLD; Produits d'inversion de la terre en couches GA
• AUSAEM 1 -> AUSAEM Année 1 NT / QLD: Tempest® Données électromagnétiques aéroportées et estimations de conductivité EM Flow®
• AUSAEM 1 -> AUSAEM1 Interpretation Data Package
• AUSAEM 2 -> AUSAEM 02 WA / NT 2019-20 Enquête électromagnétique aéroportée
• AUSAEM - WA -> AUSAEM - WA, MURCHISON BLOCS ELECTROMAGNÉTIQUES AIRBORNE
• AUSAEM - WA -> AUSAEM-WA, Southwest-Albany Blocs d'enquête électromagnétique aéroportée
• Ausaem - Wa -> Ausaem WA 2020-21, Eastern Goldfields & East Yilgarn Airborne
• Ausaem - Wa -> Ausaem (WA) 2020-21, Earaheedy & Desert Strip
• AUSAEM ERC -> AUSAEM Corridor des ressources orientales
• AUSAEM WRC -> AUSAEM Corridor des ressources occidentales
• Aperçu de l'interp
• Grides de conductivité de la surface nationale et près de la surface -> Interpolation nationale ML pour AUSEM de la même manière au nord de l'Australie

Auslamp

• Auslamp Sea -> Modèle de résistivité du continent australien sud-est des données magnétotelluriques d'Auslamp
• Victoria Data
• NSW Data
• Auslamp Tisa -> Modèle de résistivité dérivé de la magnétotellurique: projet Auslamp-Tisa
• Auslamp Delamerian -> Modèle de résistivité lithosphérique de l'orogène délamérien à partir de données magnétotelluriques Auslamp
• Auslamp NE SA
• Auslamp Gawler
• Stations Auslamp -> vers 2017
• Papier de tasmanides

Moho

• Moho 2019 et 2023
  • papier

Dépôts minéraux

• Cadre géologique, âge et dotation des principaux dépôts minéraux australiens
• Un ensemble de données complet pour la production de mines australiennes 1799 à 2021
  • papier

Potentiel minéral

• Aperçu - Geoscience Australia -> Aperçu des publications et des ensembles de données
• Les sédiments ont hébergé du zinc
• Rapport
• Cuivre hébergé par les sédiments
• Rapport
• Abstrait
• Carbonatite des éléments de terres rares
  • papier

Déchets

• Déchets de mines australiennes

Titre natif

• Tribunal du titre indigène national

Télédétection

• Landsat Bare Earth - Médiane de terre nue de Landsat
• Imagerie Landsat de terre plus cuite améliorée pour la modélisation du sol et lithologique: ensemble de données -> Détails d'une amélioration
• Empreinte minière mondiale cartographiée à partir d'images satellites à haute résolution ** Papier
• Dem -> Australie 1 sec SRTM DEM de diverses variétés

Structure

• Édition des limites crustales majeures - 2024 édition

Vitesse

• Au Tomo -> Modèle de vitesse de nouvelle génération de la croûte australienne de l'imagerie du bruit ambiant synchrone et asynchrone

Topographie

• Position topographique à plusieurs échelles - RVB
• Informations
• Indice de l'humidité topographique - 1 et 3 secondes d'arc
• Informations
• Indice de position topographique - 1 et 3 secondes d'arc
• Informations
• Modèle d'intensité d'altération
  • papier
• Informations
• {Info] (https://researchdata.edu.au/weathering-intensity-model-australia/1361069)

Nord

• COUVERTURE ÉPARGE TISA -> Points d'épaisseur de couverture pour Tennant Creek Mt ISA avec des grilles interpolées
• Cartographie de conductivité à haute résolution à l'aide de l'étude régionale AEM et d'apprentissage automatique -> ML Interpolation de conductivité pour AUSAEM
• Résumé prolongé
• Géologie solide -> Géologie solide du craton australien du Nord
• Modèles d'inversion -> Le nord-australien Craton 3D Gravity et Modèles d'inversion magnétique
• Ni-Cu-Pge -> Potentiel de dépôts de sulfure Ni-Cu-Pge hébergés par intrusion en Australie: une analyse à l'échelle continentale de la prospectivité du système minéral
• Tisa IOCG -> Évaluation du potentiel minéral en cuivre d'oxyde de fer (IOCG) pour la région de Tennant Creek - Mt Isa: données géospatiales
• Tisa Altération -> Produisant des proxies d'altération de magnétite et d'hématite utilisant la gravité 3D et l'inversion magnétique

Australie du Sud

Géologie

• Géologie du fondement
• Sous-sol cristallin -> Sous-sol cristallin se croisant les trous de forage
• Mines et dépôts minéraux
• Forage minéral
• Géologie solide 3D
• 100 000 défauts
• Archaéen
• Défauts archésiens
• Mésoprotérozoïque -> Middle
• Mésoprotérozoïque -> défauts du milieu
• Mésoprotérozoïque -> en retard
• Défauts mésoprotérozoïques -> défauts tardifs
• Néoprotérozoïque
• Défauts néoprotérozoïques
• Modèle 3D en cuivre sédimentaire de l'étagère Stuart
• Géologie de la surface

Géophysique

• AUSLAMP 3D -> Inversions magnétotelluriques
• GCAS -> Gawler Craton Airborne Survey
• Gravity -> Grides de gravité
• Stations -> Stations de gravité
• Magnétique -> magnétique
• Lignes sismiques -> lignes sismiques

Gawler

• GAWLER MPP -> Projet de promotion minérale Gawler - Données

Queensland

• Aperçu
• Mining Deep Queensland-> Mining profond Queensland
• ATlas de dépôt -> Northwest Mineral Province Deposit Atlas
• Géologie -> Présentation de la série de géologie
• Rapport minéral et énergétique -> North-Ouest Queensland Mineral and Energy Province Report 2011 - NWQMEP
• Vectoring -> Géochimie minérale Vectoring
• Puits de pétrole
• Puits de gaz de couture de charbon
• Trous de forage

Clconcurry

• Toolkit -> boîte à outils et laboratoire à plusieurs reprises

Territoire du Nord

• ARUNTA IOCG -> Potentiel d'oxyde de fer-Copper-Gold de la région du sud d'Arunta
• Uranium du Sud -> Southern Northern Territory Territory Uranium and Geothermal Energy Systems Assessment Digil Data Package
• Tennant Creek -> Modèle de conductivité dérivé des données magnétotelluriques dans la région orientale de Tennant, Territoire du Nord

Nouvelle-Galles du Sud

Géologie

• Géologie transparente -> NSW Package de données de géologie sans couture (version ancienne également sur cette page)

Packages de données potentiels minéraux

• Curnamona
• Lachlan oriental
• Central Lachlan
• Southern Nouvelle-Angleterre

Australie-Occidentale

Géochimie

• Mafique / ultramafic

Géologie

• Fond de substratum
• 100k mapsheets pour la surface que vous devez télécharger individuellement et combiner - ils ne sont pas cohérents
• 250k mapsheets pour la surface que vous devez télécharger individuellement et combiner - ils ne sont pas cohérents
• Fond de substratum
• Mines abandonnées
• Occurrences minérales

Potentiel minéral

• Nickel hébergé par la komati
• Rapport

Prospectivité

• Capricorne-> Analyse de la prospectivité à l'aide d'une approche de systèmes minéraux - Projet d'étude de cas Capricorne
• King Léopold -> Prospectivité minérale du roi Léopold Orgen et Lennard Shelf: Analyse des données potentielles sur le terrain dans la région de West Kimberley
• Yilgarn Gold
• Yilgarn 2 -> Découverte de minéraux prédictive dans l'est de Yilgarn Craton: un exemple de ciblage à l'échelle du district d'un système minéral or orogénique
• [Note de la boutique] -> WA a quelques forfaits de prospectivité disponibles à l'achat sur USB Drive pour les prix de type 50-60AU - Voir dans la section des cartes géospaitales

Tasmanie

Géologie

• 250k
• 500k
• 25K
• Occurrences minérales
• Modèle 3D

Victoria

• Géologie sans couture

Nouvelle-Zélande

• Pack de données minérales -> pack de données d'exploration minérale

Nord-Amérique

• Données et grilles de ressources géophysiques, géologiques et minérales à l'échelle nationale -> a également certaines données australiennes
• Wells des eaux souterraines -> base de données
• Données maximales de l'orientation des contraintes horizontales et de l'amplitude des contraintes relatives (régime de failles) dans toute l'Amérique du Nord

Canada

Géologie

• Carte
• Géologie -> Carte de géologie du substratum rocheux mis à jour
• Géologie -> Compilation de géologie du fondement et synthèse régionale de South Rae et de parties des domaines Hearne, de la province de Churchill, des territoires du Nord-Ouest, de la Saskatchewan, du Nunavut, du Manitoba et de l'Alberta
• Moho -> National Database of Moho Depth Estimations Estimations de la réfraction sismique et des enquêtes télésériques

Géophysique

• Recherche DAP -> Recherche géoportelle - Remarque Également celles-ci sont dans Geosoft Grids - Voir Elsewe pour les possibilités de conversion
• [Gravité, magnétique, radiométrie] -> Échelle principale de pays

Europe

Finlande

• Fodd -> dépôts minéraux fennoscaniens

Irlande

• MPM -> Projet de cartographie potentielle minérale

Papiers avec code

PNL

• https://www.scieendirect.com/science/article/pii/s2590197422000064?via%3DiHub#Bib20- -> Modèles de langue géosciente et leur évaluation intrinsèque -> NRCAN Code ci-dessus [incluent le modèle]
• https://www.researchgate.net/publication/334507958_word_embeddings_for_application_in_geosciences_development_evaluation_and_examples_of_soil-reded_concepts -> geovec [inclut le modèle]
• https://www.researchgate.net/publication/347902344_portstugais_word_embeddings_for_the_oil_and_gas_industry_development_and_evaluation -> Petrovec [inclut le modèle]
• Une ressource pour la recherche automatisée et la collation des ensembles de données géochimiques à partir de suppléments de journal

Géochimie

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

Géologie

• https://github.com/sydney-machine-learning/autoencoders_remosensing -> autoencoders empilés pour cartographie lithologique

Minéral

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

Documents avec des données de fonctionnalités

• Vous pouvez reproduire la sortie géospatique à partir des données fournies.

Prospectivité minérale

• https://www.scievendirect.com/science/article/pii/s016913682100010x#s0135 -> Modélisation de la prospectivité des systèmes de minéraux magmatiques canadiens (± Cu ± CO ± PGE) Systèmes mineurs sulfure
• https://www.scieendirect.com/science/article/pii/S0169136821006612#b0510 -> Modélisation de prospectivité conduite aux données des systèmes minéraux Zn - Pb sur les sédiments et leurs matières premières critiques [qui vaut la peine d'être lu]
• https://www.researchgate.net/publication/358956673_towards_a_lyly_data-drive_prospectivité_mapping_methodology_a_case_study_of_the_southeastern_churchill_provice_quebec_and_labrador

Angleterre

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

Géochimie

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

Géologie

• https://eprints.utas.edu.au/32368/ -> Modélisation assistée par machine de lithologie et de métasomatisme

Géophysique

• https://github.com/tomasnaprstek/aeromagnetic_cnn - aeromagnétique CNN
• Paper https://www.researchgate.net/publication/35472176_convolution_neural_networks_applied_to_the_interpretation_of_linenements_in_aeromagnetic_data
• PhD -> Nouvelles méthodes pour l'interpolation et l'interprétation des linéaments dans les données aéromagnétiques
• Papier https://www.researchgate.net/publication/35472176_convolution_neural_networks_applied_to_the_interpretation_of_lineaments_in_aeromagnetic_data -> Réseaux neuraux convolution

Sortie géospatiale - pas de code

• https://geoscience.data.qld.gov.au/report/cr113697 -> Exploration minérale dirigée par les données NWMP et cartographie géologique [CSIRO aussi]

Journaux

• https://www.sciencedirect.com/journal/artificial-intelligence-in-geosciences -> Intelligence artificielle en géosciences

Papiers

• Généralement pas ML, ou pas de code / données et parfois aucune disponibilité du tout
• Finalement, se séparera en choses qui ont des packages de données ou non comme des études de zone NSW.
• Cependant, si vous êtes intéressé par un domaine, vous pouvez souvent gérer une image si rien d'autre comme guide approximatif.
• Généralement, ceux-ci ne sont pas reproductibles - quelques-uns comme les études sur la zone de prospectivité NSW et NWQMP sont avec un certain travail.
• Le document occasionnel de cette section peut être répertorié ci-dessus

Nouveau dans le fichier

Général

• https://www.researchgate.net/publication/337650865_a_combinative_knowledge-drive_integration_method_for_integration_geophysical_layers_with_geological_and_geochemical_datasetsets
• https://link.springer.com/article/10.1007/s11053-023-10237-w - Une nouvelle génération d'algorithmes d'intelligence artificielle pour la cartographie de la prospectivité minérale
• https://www.researchgate.net/publication/235443297_addressing_challenges_with_exploration_datasets_to_generate_usable_minalal_potetential_maps
• https://www.researchgate.net/publication/330077321_an_improved_data-drive_multiple_criteria_decision-making_procedure_for_spatial_modeling_of_minneral_prospectivité_adaption_of_prediction-area_plot_and_prospectivité_functions
• Intelligence artificielle pour l'exploration minérale: une revue et des perspectives sur les orientations futures de la science des données -> https://www.sciencedirect.com/science/article/pii/S0012825224002691
• https://www.researchgate.net/project/bayesian-machine-learning-for-geological-modeling-and-geophysical-segmentation
• https://www.researchgate.net/publication/229714681_classifiers_for_modeling_of_minalal_potential
• https://www.researchgate.net/publication/352251078_data_analysis_methods_for_prospectivité_modelling_as_applied_to_minalal_exploration_targeting_state-of-the-art_and_outlook_
• https://www.researchgate.net/publication/267927728_data-drive_evidential_belief_modeling_of_minalal_potetential_using_few_prospects_and_evidence_with_missing_values
• https://www.linkedin.com/pulse/deep-learning-meets-downward-continuation-caldera-analytics/?trackingId=ybkv3ukni7ygh3irchzdgw%3d%3d
• https://www.researchgate.net/publication/382560010_dinov2_rocks_geological_image_analysis_classification_segmentation_and_interpretabilité
• https://www.researchgate.net/publication/368489689_discrimination_of_pb-zn_deposit_types_using_sphalerite_geochimie_new_insights_from_machine_learning_algorithm
• https://link.springer.com/article/10.1007/s11430-024-1309-9 -> Modèles d'intelligence artificielle explicables pour la cartographie de la prospectivité minérale
• https://www.researchgate.net/publication/229792860_from_predictive_mapping_of_minalal_prospectivité_to_quantitative_estimation_of_number_of_undiscovered_prospects
• https://www.researchgate.net/publication/339997675_ly_reversible_neural_networks_for_large-sace_surface_and_sub-surface_characterisation_via_remote_sensing
  • arxiv
  • présentation
  • conférence
  • Juliacon
• https://www.researchgate.net/publication/220164488_geocomputant_of_minalal_exploration_targets
• https://www.researchgate.net/publication/272494576_geological_knowledge_discovery_and_mineals_targeting_from_regolith_using_a_machine_learning_approach
• https://www.researchgate.net/publication/280013864_geometric_aetage_of_spatial_evidence_data_layers_a_gis-basé à base
• https://www.researchgate.net/publication/355467413_harnessing_the_power_of_artificial_intelligence_and_machine_learning_in_minneral_exploration-opportunities_and_cautiony_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_transportsted_overburden_applying_domain_expertise_at_kerkasha_etrea - Gazley / Hood
• https://www.researchgate.net/publication/360660467_lithosphericric_conductors_reveal_source_regions_of_convergent
• https://api.research-repository.uwa.edu.au/portalfiles/portal/5263287/lysytsyn_volodymyr_2015.pdf (thèse de doctorat) Mappage de prospectivité en cuivre épithermale basé sur le MT, Implications pour le ciblage des explications Epthermal Copper
• https://www.researchgate.net/publication/374972769_knowledge_and_technology_transfer_in_and_beyond_minalal_exploration -> Connaissance et transfert de technologie dans et au-delà de l'exploration minérale
• https://www.researchgate.net/publication/331946100_machine_learning_for_data-drive_discovery_in_solid_earth_geoscience
• https://theses.hal.science/tel-04107211/document - Approches d'apprentissage automatique pour des sources hétérogènes géologiques sous-surface
• https://www.researchgate.net/publication/309715081_magmato-hydrothermal_space_a_new_metric_for_geochimical_characterisation_of_metallic_ore_deposits - Magmato-hydrothermal espace: une nouvelle métrise pour la caractérisation géochémique de l'espace de l'orre métallique de métallique: un nouveau métal pour une caractérisation géochémique des dépôts métalliques de l'orre métallique de l'orre Metallic Ore Deposits: un métal.
• https://www.researchgate.net/publication/220164234_mapping_complexity_of_spatial_distribution_of_fauts_using_fractal_and_multifractal_models_vectoring_towards_exploration_targets
• https://www.researchgate.net/publication/220163838_objective_selection_of_suitable_unit_cell_size_in_data-drive_modeling_of_minal_prospectivité
• https://www.researchgate.net/publication/273500012_prediction-area_p-a_plot_and_c-a_fractal_analysysy_to_classify_and_evaluate_evidential_maps_for_minal_prospectivité_modeling
• https://www.researchgate.net/publication/354925136_soil-sample_geochimistry_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 -> Quantification de l'incertitude des cartes géoscientifiques en s'appuyant sur l'engagement sensoriel humain
• https://www.researchgate.net/publication/235443294_the_effecct_of_map-scale_on_geological_complexity
• https://www.researchgate.net/publication/235443305_the_effecct_of_map_scale_on_geological_complexity_for_computer-aided_exploration_targeting
• https://link.springer.com/article/10.1007/s11053-024-10322-8 -> Incertitude induite par le workflow dans la cartographie de la prospectivité minérale basée sur les données

Prospectivité minérale

Australie

• https://www.mdpi.com/2072-4292/15/16/4074 -> Une approche axée sur les données spatiales pour la cartographie de la prospectivité minérale
• https://www.researchgate.net/publication/353253570_a_truly_spatial_random_forests_algorithm_for_geoscience_data_analysis_and_modelling
• https://www.researchgate.net/publication/253217016_advanced_methodologies_for_the_analysis_of_databases_of_minalal_deposits_and_major_faults
• https://www.researchgate.net/publication/362260616_assessing_the_impact_of_conceptual_minalal_systems_uncercerty_on_prospectivité_predictions
• https://www.researchgate.net/publication/352310314_central_lachlan_minalal_potential_study
• https://meg.resourcesgulator.nsw.gov.au/sites/default/files/2024-05/eith%2020%20Muller_exploration_in_the_house_keynote.pdf -> minéraux critiques - mappage de la prospectivité en utilisant Generative Ai Generative
• https://www.tandfonline.com/doi/pdf/10.1080/22020586.2019.12073159?NeedAccess=true -> Intégration d'une approche de systèmes minéraux avec l'apprentissage automatique: une étude de cas de `` Exploration minérale moderne ' Gawler Craton, Australie du Sud
• https://www.researchgate.net/publication/365697240_minalal_potetential_modelling_of_orogenic_gold_systems_in_the_granites-tanami_orogen_northern_territory_australie_a_Multi-Technique_Approach
• https://publications.csiro.au/publications/publication/piciro:ep2022-0483 -> Signatures of Key Mineral Systems in the Eastern Mount Isa Province, Queensland: Nouvelles perspectives de l'analyse des données
• https://link.springer.com/article/10.1007/s11004-021-09989-Z -> Modélisation stochastique des cibles d'exploration minérale
• 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_Exploration
• https://www.researchgate.net/publication/264535019_Weights-of-evidence_and_logistic_regression_modeling_of_magmatic_nickel_sulfide_prospectivity_in_the_Yilgarn_Craton_Western_Australia

Argentine

• 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

Brésil

• 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

Flou

• 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

Canada

• 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

Afrique centrale

• 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

Chili

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

Chine

• 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 , Chine
• 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, Chine
• https://www.researchgate.net/publication/361194407_Visual_Interpretable_Deep_Learning_Algorithm_for_Geochemical_Anomaly_Recognition

Egypte

• 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

Angleterre

• 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

Érythrée

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

Finlande

• 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

Finlande

• 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

Groenland

• 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

Inde

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

Indonésie

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

L'Iran

• 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]

Irlande

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

Inde

• 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

Corée

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

Norvège

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

Corée du Sud

• 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

Russie

• 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

Afrique du Sud

• 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

Espagne

• 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

Soudan

• 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]

Suède

• 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

Tanzanie

• 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

Ouganda

• 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

Royaume-Uni

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

USA

• 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

Zambie

• 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

Zimbabwe

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

GENERAL PAPERS

Aperçus

• 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

Dépôts

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

ESG

• 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 Lithium

Geochemistry

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

Apatite

• 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

Géologie

Altération

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

Profondeur

• 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

Général

• 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

Géomorphologie

• 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

Minéralogie

• 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

Stratigraphie

• 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

Structure

• 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

Tectonique

• 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

Géophysique

Fondation

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

Général

• 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

ERT

• 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

Pesanteur

• 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]

Magnetics

• 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

Sismique

• 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

Résistivité superficielle

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

Incertitude

• 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]

Géothermie

• 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

Cartes

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

Minéral

• 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

Pétrographie

• 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

Aperçu

• 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

Geochemistry

• 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

Flou

• 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

Incertitude

• 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

Australie

• 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

NT

• 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 Télécharger)
• 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

Brésil

• 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

Australie

• 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

NT

• 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

NSW

• 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

Brésil

• 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

Carajas

• 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

Australie

• 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

New South Wales

• 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

Tasmanie

• 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

Western Australia

• 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

Prévisions financières

• 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.

Réseaux de neurones

• 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

Général

• 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

Afrique

• 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

Brésil

• 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

Chine

• 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

Groenland

• 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

Inde

• 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

L'Iran

• 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

Pérou

• 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

Espagne

• 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

Autre

• 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

Apprentissage profond

• 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