mineral exploration machine learning

разведка полезных ископаемых, машинное обучение

На этой странице перечислены ресурсы по разведке полезных ископаемых и машинному обучению, обычно с полезным кодом и примерами. ML и Data Science — это огромная область, это ресурсы, которые я нашел полезными и/или интересными для меня на практике. В настоящее время ссылки на форк репозитория связаны с тем, что я изменил что-то для использования и добавил в список для справки. Также предоставляются ресурсы для анализа, преобразования и визуализации данных, поскольку это большая часть работы.

Предложения приветствуются: откройте обсуждение, проблему или запрос на включение.

Оглавление

• Перспективность
• Геология
• Обработка естественного языка
• Дистанционное зондирование
• Качество данных
• Сообщество
• Облачные провайдеры
• Домены
• Обзор
• Веб-сервисы
• Порталы данных
• Инструменты
• Онтологии
• Книги
• Наборы данных
• Статьи
• Другой
• Общий интерес

Карта

• Карта Гитхаба

Рамки

• UNCOVER-ML Framework
  • Гео-вейвлеты
  • ML-предварительная обработка
  • Рабочий процесс ГИС МО
• EIS Toolkit -> Библиотека Python для картирования перспективности полезных ископаемых из проекта EIS Horizon EU Project
• PySpatialML -> Библиотека, которая упрощает прогнозирование и обработку растрового машинного обучения, автоматически в геотифф и т. д.
• scikit-карта
• TorchGeo -> Библиотека Pytorch для моделей стиля дистанционного зондирования
• terratorch -> Гибкая платформа тонкой настройки для моделей геопространственного фундамента
• ФакелПространственный
  • бумага
• геодл
• Geo Deep Learning -> Простая структура глубокого обучения на основе RGB
• ПОМОЩНИК: Искусственный интеллект для распутывания крайностей
• ExPloRA -> ExPLoRA: расширенное предварительное обучение с эффективными параметрами для адаптации преобразователей зрения к изменениям в домене
  • Веб-сайт
  • бумага
• (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)

Р

• CAST -> Приложения Caret для пространственно-временных моделей
• geodl -> семантическая сегментация геопространственных данных с использованием глубокого обучения на основе сверточной нейронной сети.
  • бумага

Трубопроводы

• geotargts -> Расширение целей на терру и звезды

Перспективность

Австралия

• Карты минерального потенциала оксида железа, меди и золота
• Машинное обучение для геологического картографирования: алгоритмы и приложения -> Кандидатская диссертация с кодом и данными
• Картирование перспективности Ni-Co латеритов
• Учебное пособие по Transform 2022 -> Пример случайного леса
  • Видео
• Олово-Вольфрам
  • Совместная работа
• Пространственно-временные исследования меди-порфира
  • бумага
• minpot-toolkit -> Пример анализа границ лаборатории Хоггарда и др. с осадочной медью
• MPM-WofE -> Картирование минерального потенциала - Вес доказательств

Исследовательский вызов

• Explorer Challenge -> OZ Minerals проводит конкурс с введением в науку о данных

Южная Австралия

• Gawler_MPM -> Кобальт, Хром, Никель
  • Бумага
• Кластеризация геофизических данных в кратоне Гаулер
  • [Данные Zenodo] (автоматическое обнаружение кратонных структур, связанных с минерализацией, с использованием геофизических данных и машинного обучения без учителя)

Исследуйте ЮАР — конкурс Министерства энергетики и горнодобывающей промышленности Южной Австралии

• Победители -> Информация о данных SARIG
• Кальдера -> Анализ Caldera Analytics
• IncertoData
• Баттерворт и Барнетт -> запись о Баттерворте и Барнетте
• Картирование минерализации на основе данных

Северная Америка

Канада

• Обучение перспективам трансфера
  • документ -> Картирование перспективности минералов порфирового типа с несбалансированными данными, полученными на основе предварительного геологического трансферного обучения

Южная Америка

• Машинное обучение для классификации рудных месторождений по тектономагматическим свойствам

Бразилия

• Mapa Preditivo -> Студенческий проект в Бразилии
• Course_Predictive_Mapping_USP -> Курсовой проект
• Картирование перспективности полезных ископаемых
• 3D-веса доказательств
• Геологическая сложность SMOTE -> включает фрактальный анализ
  • бумага
• MPM Юрена -> Минеральная провинция Юрена

Китай

• MPM путем ансамблевого обучения -> Полиметаллический район Цинчэнцзы Pb-Zn-Ag-Au, Китай
• Сверточные нейронные сети для прогнозирования перспективности полезных ископаемых -> Пример CNN с несколькими архитектурами [в статье этого автора используется GoogleNet]
• Прогноз перспективности полезных ископаемых от CSAE
• Прогноз перспективности полезных ископаемых от CAE
  • бумага

Судан

• Картирование перспективности полезных ископаемых ML

Норвегия

• Подход, основанный на машинном обучении, к картированию чувствительной гляциоморской глины в региональном масштабе, сочетающий аэроэлектромагнитные данные и геотехнические данные.
  • бумага

Геология

• Карты прогнозной геологии Бразилии -> Работа Геологической службы Бразилии
• глубина до коренной породы (оценка подходов к машинному обучению с пространственным управлением для картирования глубины до коренной породы)
  • бумага
• DL-RMD -> База данных моделей электромагнитного сопротивления с геофизическими ограничениями для приложений глубокого обучения.
• Классификатор геологических изображений
• Геологическое картирование в эпоху искусственного интеллекта -> Геологическое картирование в эпоху искусственного интеллекта
• GeolNR -> Геологическое неявное нейронное представление для приложений трехмерного структурного геологического моделирования.
  • бумага
• Mapeamento_litologico_preditivo
• Картирование глобальных условий давления и температуры литосферной мантии с помощью термобарометрии с машинным обучением
  • бумага
• Нейронная типизация
• Неопределенность геологии Вест-Масгрейвса -> Прогноз карты неопределенности с энтропийным анализом: очень полезно
• Нестационарный трансформатор для подавления стационарности
  • Совместная работа -> Блокнот
    • бумага
• Коренная порода против осадка
  • бумага
• autoencoders_remotesensing
  • документ -> Система дистанционного зондирования для геологического картирования с помощью многоуровневых автоэнкодеров и кластеризации

Данные обучения

• Into the Noddyverse -> огромное хранилище данных 3D-геологических моделей для приложений машинного обучения и инверсии.
  • Репозиторий Зенондо
  • веб-сайт

Литология

• Литология глубокого обучения
• Предсказатель каменных протолитов
• Прогнозы литологии SA Geology
• Автоматизированная корреляция каротажных диаграмм
• dawson-facies-2022 -> Трансферное обучение геологическим изображениям
  • статья -> Влияние размера набора данных и архитектуры сверточной нейронной сети на трансферное обучение для классификации карбонатных пород
• Лито-классификация -> Классификация вулканических фаций с использованием случайного леса
• Подход многоракурсного ансамблевого машинного обучения для 3D-моделирования с использованием геологических и геофизических данных
  • бумага
• СедНет
  • бумага

Бурение

• Гетерогенное бурение - отчет проекта Nicta/Data61 для изучения моделирования с использованием скважин, которые не проходят достаточно далеко.
• Corel -> интеллектуальная модель компьютерного зрения, которая идентифицирует фации и выполняет типизацию горных пород на изображениях керна

Палеодолины

• Sub3DNet1.0: модель глубокого обучения для трехмерного картирования недр регионального масштаба.

Стратиграфия

• Предикатопс -> Стратиграфическое предсказание, рассчитанное на углеводороды.
• stratal-geometry -> Прогнозирование стратиграфической геометрии по каротажу подземных скважин

Структурный

• APGS -> Пакет структурной геологии
• Оценка моделей реконструкции пластин с использованием тестов на согласованность движущей силы пластины -> Блокнот Jupyter и данные
  • бумага
• глатно
• [поваренная книга по структурной геологии](https://github.com/gcmatos/structural-geology-cookbook]
• GEOMAPLEARN 1.0 -> Обнаружение геологических структур на геологических картах с помощью машинного обучения
• Lineament Learning -> Прогнозирование и картирование неисправностей с помощью глубокого обучения и кластеризации потенциальных полей.
• LitMod3D -> 3D комплексное геофизико-петрологическое интерактивное моделирование литосферы и подстилающей верхней мантии
• другие

Моделирование

• GebPy -> генерация геологических данных для горных пород и минералов.
• OpenGeoSys -> разработка численных методов моделирования термогидромеханохимических (ТГМК) процессов в пористых и трещиноватых средах
• Stratigraphics.jl -> Создание 3D-стратиграфии на основе 2D-геостатистических процессов

Геодинамика

• Бесплодные земли -> Динамика бассейна и ландшафта
• CitcomS -> код конечных элементов, предназначенный для решения проблем сжимаемой термохимической конвекции, касающихся мантии Земли.
• LaMEM -> моделирует различные термомеханические геодинамические процессы, такие как взаимодействие мантии и литосферы.
• PTatin3D -> изучение долговременных процессов, имеющих отношение к геодинамике [оригинальная мотивация: набор инструментов, способный изучать трехмерные модели деформации литосферы с высоким разрешением]
• преступный мир -> Конечно-элементное моделирование геодинамики

Геофизика

Модели фундамента

• Адаптация междоменной базовой модели: новаторские модели компьютерного зрения для анализа геофизических данных -> часть кода в будущем
  • бумага
• Модель сейсмического фундамента -> «модель глубокого обучения нового поколения в геофизике»

Австралия

Реголит Глубина

• Глубина Реголита -> Модель
• Полная радиометрическая сетка Австралии с смоделированным заполнением

АЭМ-интерполяция

• Картирование проводимости высокого разрешения с использованием регионального исследования AEM
  • Абстрактный

Электромагнетизм

• TEM-NLnet: сеть глубокого шумоподавления для переходных электромагнитных сигналов с обучением на основе шума

Инверсия

• Машинное обучение и геофизическая инверсия -> реконструировать статью Ю. Кима и Н. Наката (The Leading Edge, том 37, выпуск 12, декабрь 2018 г.)

Эйлерова деконволюция

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

Гравитация

• [Восстановление 3D-рельефа подвала с использованием гравитационных данных с помощью сверточных нейронных сетей]
  • Данные
  • бумага
• Стабильное продолжение поля гравитационного потенциала вниз, реализованное с помощью глубокого обучения
  • бумага
• Быстрая визуализация трехмерных структур плотности с помощью машинного обучения
  • бумага

Магнетика

• Аэромагнитная карта высокого разрешения через Adapted-SRGAN.
  • бумага
• MagImage2Geo3D
  • бумага

Сейсмический

• StorSeismic -> Подход к предварительному обучению нейронной сети для хранения функций сейсмических данных.
• PINNtomo -> Сейсмическая томография с использованием нейронных сетей, основанных на физике
  • бумага

Сейсмология

• obspy -> фреймворк для обработки сейсмологических данных

Петрофизика

• ML4Rocks -> Немного вводной работы

Тектоника

• Обнаружение отделения погружающейся плиты в древней зоне субдукции с помощью машинного обучения -> Блокнот
  • фиговая доля
• Блокнот Colab -> входной файл Google Colab для результатов тестов публикации ML-SEISMIC
  • бумага
• Раскрытие возможностей машинного обучения в геодинамике
  • Дипломная работа с отличием
• Нейронные сети с учетом физики для моделирования разломов с использованием закона трения скорости и состояния
  • моделирование и оценка параметров трения при медленном скольжении
  • статья -> Глубокое обучение с учетом физики для оценки пространственного распределения параметров трения в областях медленного скольжения

Геохимия

• CODAinPractice -> Композиционный анализ данных на практике
• ГеокоДа
• DAN-GRF -> Глубокая сеть автоэнкодеров, подключенная к географическому случайному лесу для пространственного обнаружения геохимических аномалий.
  • бумага
• Dash Geochemical Prospection -> Веб-приложение, классифицирующее ручьевые отложения с помощью K-средних
• Усовершенствованная термобарометрия с машинным обучением для магм, содержащих клинопироксен
  • бумага -> Усиление ML-термобарометрии для клинопироксенсодержащих магм
• Модели плодородия циркона -> Деревья решений для прогнозирования плодородия циркона из медно-порфировых месторождений
  • бумага
• Инструмент машинного обучения для определения микроэлементов циркона для прогнозирования типа и размера порфировых месторождений
  • архив зенодо
  • бумага
• geology_class0 -> Подход машинного обучения к распознаванию магматических пород и рудных месторождений по микроэлементам циркона
  • бумага
  • Демо-приложение
  • https://colab.research.google.com/drive/1-bOZgG6Nxt2Rp1ueO1SYmzIqCRiyyYcT
• ГеохимПринт
  • бумага
• Глобальная геохимия
• ICBMS Jacobina -> Анализ химического состава пирита золотого месторождения
• Интерпретация микроэлементного состава цирконов Бора и Чукару-Пеки: традиционный подход и случайная лесная классификация
• Indicator_minerals -> Может ли PCA рассказать историю происхождения турмалина?
• Журнал геохимических исследований - многообразие
• LewisML -> Анализ формации Льюиса
• MICA -> Химический состав, блестящий
• Многомерный статистический анализ и индивидуальное моделирование сети отклонений для обнаружения геохимических аномалий редкоземельных элементов
  • бумага
• Картирование перспективности редкоземельных элементов посредством анализа геохимических данных -> Картирование перспективности редкоземельных элементов посредством анализа геохимических данных
• QMineral Modeller -> виртуальный помощник по минеральной химии из Бразильской геологической службы
• Вековые изменения в возникновении субдукции в архее -> архив кода Зенодо
  • [бумага] https://www.researchgate.net/publication/380289934_Secular_Changes_in_the_Occurrence_of_Subduction_During_the_ArcheanПодход машинного обучения к распознаванию магматических пород и рудных месторождений по микроэлементам циркона

Кригинг

• DKNN: нейронная сеть глубокого кригинга для интерпретируемой геопространственной интерполяции
  • бумага

Обработка естественного языка

• Извлечение текста -> Извлечение текста из документов: платное машинное обучение как услуга, но работает очень хорошо, позволяет эффективно извлекать таблицы.
  • Крупный масштаб -> Крупномасштабная версия
• Маркировка концепций НАСА -> Прогнозирование ключевых слов
  • API -> веб-сервис API.
  • Презентация
• Экстрактор данных петрографического отчета
• Моделирование тем исследований SA -> Моделирование тем на основе отчетов об исследованиях
• Стратиграф
• Геокорпус
• Португальский БЕРТ
• БЕРТ CWS
  • бумага
• Автоматизированное извлечение результатов бурения скважин горнодобывающей компании
  • Доклад конференции

Встраивание слов

• Языковые модели геонаучных исследований -> конвейер обработки кода и модели [Glove, BERT), прошедшие переобучение на геонаучных документах из Канады.
  • Наборы данных -> Данные для поддержки моделей
  • документ -> Модели языка геонаук и их внутренняя оценка
  • документ -> Применение обработки естественного языка к текстовым данным геолого-геофизических исследований и перспективному моделированию
• GeoVec -> Модель встраивания Word, обученная на 300 тысячах статей по геологическим наукам
  • Модель GeoVec -> Хранилище OSF для модели GeoVec
  • бумага
  • GeoVecto Litho -> Интерполяция 3D-моделей на основе вложений слов
  • GeoVEC Playground -> Работа с моделью встраивания слов в перчатках Padarian GeoVec
• GloVe -> Стэндфордская библиотека для создания вложений слов
  • GloVE Python Glove, Glove-Python очень проблематичен для Windows: здесь Бинарная версия для Windows устанавливается:
• Варежки -> Реализация векторизованных в памяти перчаток
• PetroVec -> Португальские слова для нефтегазовой отрасли: разработка и оценка
• wordembeddingsOG -> Португальские встраивания слов в нефтегазовую отрасль
• Встраивание португальских слов
  • Португальские модели
• Вложения испанских слов
• Многоязычное выравнивание
  • Обзор подходов

Распознавание именованного объекта

• Модель Geo NER -> Распознавание именованного объекта
• GeoBERT - репозиторий обнимающего лица модели в
  • [бумага] https://www.researchgate.net/publication/359186219_Few-shot_learning_for_name_entity_recognition_in_geological_text_based_on_GeoBERT
• INDUS -> Специальный пакет LLM НАСА для науки
  • бумага
• Как находить ключевые геонаучные термины в тексте, не владея НЛП, с помощью Amazon Comprehend
• OzRock - OzRock: помеченный набор данных для распознавания объектов в геологической (разведке полезных ископаемых) области.

Онтология

• GAKG -> График академических знаний по мультимодальным геолого-геофизическим наукам (китайский)
• GeoERE-Net -> Понимание геологических отчетов на основе графиков знаний с использованием подхода глубокого обучения
  • бумага
• Онтология GeoFault
• geosim -> Семантически триггерное качественное моделирование геологического процесса
  • [https://www.duo.uio.no/handle/10852/111467](Моделирование знаний для цифровой геологии) -> Кандидатская диссертация с двумя статьями
  • SIRIUS GeoAnnotator -> Пример веб-сайта сверху
• Онтология CWS
• График стратиграфических знаний (StraKG)
  • бумага

Большие языковые модели

• Большая языковая модель для геонаук
  • Документ «Языковые модели Learning Foundation для понимания и использования геофизических знаний»
• GeoGalactica -> Большая базовая языковая модель в науках о Земле
  • технический отчет
• GeoChat -> обоснованная языковая модель большого видения для дистанционного зондирования
• ЛАГДАЛ -> LLM Сопоставление информации геологической карты с экспериментами по определению местоположения

Чат-боты

• GeoGPT -> Группа исследований цифровой Земли Deep Time из Китая, проект

Дистанционное зондирование

• CNN Sentinel -> Обзор классификации землепользования на основе спутниковых данных с помощью CNN на основе открытого набора данных
• Блокноты DEA -> Пример масштабируемого машинного обучения, но здесь много полезного
• Блокноты с кулинарными книгами EASI -> Введение в платформу CSIRO Earth Analytics для анализа в стиле ODC
• DS_UNet -> Unet объединяет радар с синтезированной апертурой Sentinel-1 (SAR) и мультиспектральный формирователь изображения Sentinel-2
• Автоэнкодер с несколькими предтекстами и масками (MP-MAE)
• данные
• сегмент-геопространственный -> Сегментировать что-либо для геопространственных целей
• SamGIS -> Сегментировать все, что применяется к ГИС
• SatMAE++ -> Предварительная подготовка трансформаторов к многоспектральной спутниковой съемке
• Grid-mae -> Исследование использования многомасштабных сеток в маскированном автоэнкодере Vision Transformer
• СкейлМэй
  • бумага
• CIMAE -> CIMAE — независимый от канала маскированный автоэнкодер
• fork -> чтобы дать ему имя для справки
• [Самоконтролируемое обучение представлению для дистанционного зондирования] -> Магистерская диссертация включает в себя вышеизложенное и сравнение нескольких моделей.
• Юный сарай
  • бумага
• земляные сети
• GeoTorchAI -> GeoTorchAI: пространственно-временная платформа глубокого обучения
• [pytorcheo](https://github.com/earthpulse/pytorchEO -> Глубокое обучение для приложений и исследований Земли
• AiTLAS -> набор тестов с открытым исходным кодом для оценки современных подходов глубокого обучения для классификации изображений в наблюдениях за Землей.
• Segmentation Gym -> Gym спроектирован как «единый центр» для сегментации изображений по «ND» — любому количеству совпадающих полос в мультиспектральном изображении.
• deep_learning_alteration_zones
• потрясающая коллекция соотношений полос добычи -> коллекция простых применений соотношений полос для выделения различных минералов
• потрясающие модели фундаментов дистанционного зондирования
• Клей -> Модель искусственного интеллекта с открытым исходным кодом и интерфейс для Земли.
• IBM-NASA-GEOSPATIAL Притхви
• Сегментация изображения путем тонкой настройки базовой модели -> Для Притхви
• АМ-РАДИО: Модель Фонда Агломеративного Видения
  • paper -> - Свести все домены в один
• RemoteCLIP -> Модель Vision Language Foundation для дистанционного зондирования
• СпектральныйGPT
• zenodo) -> модель фундамента дистанционного зондирования, настроенная под спектральные данные
  • бумага -> Невидимый

Обработка

• Конвертация ASTER -> Конвертация из ASTER hd5 в geotiff NASA github
• Ресурсы данных HLS -> Гармонизированный спор Landsat Sentinel
• sarsen -> обработка и коррекция изображений SAR на основе xarray
• openEO -> openEO разрабатывает открытый API для подключения R, Python, JavaScript и других клиентов к облачным серверам EO.

Спектральное размешивание

• Исследование-2024 от традиционного преобразователя для классификации гиперспектральных изображений
  • бумага
• Обзор гиперспектрального глубокого обучения
• Гиперспектральные автоэнкодеры
• Глубокое изучение HSI
• 3DCAE-гиперспектральная классификация
• DeHIC
• Rev-Net
  • статья -> Обратимая генеративная сеть для гиперспектрального разделения со спектральной изменчивостью
• Pysptools -> также имеет полезные эвристические алгоритмы.
• Спектральный Питон
• Набор спектральных данных RockSL -> Открытый набор спектральных данных
• Размешивание

Гиперспектральный

• CasFormer: каскадные трансформаторы для вычислительной гиперспектральной визуализации с учетом термоядерного синтеза
• Спектральная нормализация для Keras
  • бумага
• S^2HM^2 -> S2HM2: Спектрально-пространственная иерархическая структура маскированного моделирования для самостоятельного изучения признаков и классификации крупномасштабных гиперспектральных изображений
  • бумага

Визуализация

• Глубокое извлечение цветовой карты из визуализаций
  • бумага
• Семантическая сегментация для извлечения исторических нарушений при добыче полезных ископаемых из топографических карт -> Пример: угольные шахты
  • бумага
• Международные хроностратиграфические цветовые коды -> коды RGB и другие в электронных таблицах и других форматах.
• LithClass -> версия цветовых кодов литологии USGS
• цветная версия
• SeisWiz -> Легкая программа просмотра SEG-Y на Python

Текстура

• Классификация минеральных текстур с использованием глубоких сверточных нейронных сетей: применение к цирконам из медно-порфировых месторождений
  • бумага

Моделирование

• Intelligent Prospector -> Планирование последовательного сбора данных
• Зенодо
  • бумага

Геометрия

• Deep Angle -> Быстрый расчет углов контакта на томографических изображениях с использованием глубокого обучения.

Другой

• Сетевой анализ минералогических систем
  • Данные -> Данные из бумаги здесь
• Геоаналитика и машинное обучение
• Машинное обучение
• ML Геофизические исследования
• Будьте геонаучным детективом
• Earth ML -> Некоторые базовые руководства по подходам PyData
• GeoMLA -> Алгоритмы машинного обучения для пространственных и пространственно-временных данных

Платформы

Путеводители

• Geospatial CLI — список инструментов командной строки для геопространственных данных.
• Спутниковый снимок, глубокое обучение
• Наблюдение Земли
• Искусственный интеллект Земли
• ГИС с открытым исходным кодом -> Комплексный обзор экосистемы

Качество данных

• Качество геолого-геофизических данных для машинного обучения -> Качество геолого-геофизических данных для машинного обучения
• Австралийские гравитационные данные -> Обзор и анализ данных гравитационной станции
• Geodiff -> Сравнение векторных данных
• Redflag -> Анализ данных и обзор для выявления проблем

Машинное обучение

• Dask-ml -> Распределенные версии некоторых распространенных алгоритмов машинного обучения.
  • бумага
• geospatial-rf -> Функции и оболочки для помощи в случайных лесных приложениях в пространственном контексте
• Geospatial-ml -> Установить несколько распространенных пакетов одновременно

Скрытое пространство

• Вложенное слияние
  • документ -> Nested Fusion: уменьшение размерности и анализ скрытой структуры многомасштабных вложенных данных для данных M2020 PIXL RGBU и XRF

Метрики

• оценки -> Проверка и оценка моделей и прогнозов с помощью xarray

Вероятностный

• NG Boost -> вероятностная регрессия
• Вероятностное МО
• Упаковка PU с помощью BO -> Положительная немаркированная упаковка с байесовской оптимизацией

Кластеризация

Самоорганизующиеся карты

• GisSOM -> Геопространственные самоорганизующиеся карты от Геологической службы Финляндии
• SimpSOM -> Самоорганизующиеся карты

Другой

• hdbscan
• кмедоиды
  • кмедоиды
• Пикассо

Байесовский

• Байсег -> Пространственная сегментация

Объясняемость

• InterpretML -> Интерпретация моделей табличных данных
• InterpretML -> Дополнение сообщества

Глубокое обучение

• Глубокое извлечение цветовой карты -> Попытка извлечь шкалу данных из изображений.
• Извлечение и классификация изображений из геонаучных документов

Данные

• Xbatcher -> Чтение данных на основе Xarray для глубокого обучения
  • Облачные загрузчики данных для машинного обучения с использованием Zarr и Xarray
• zen3geo -> Обработка данных в стиле Xbatcher с помощью pytorch

Объясняемость

• Ценности Шапа
• Weight Watcher -> Анализируйте, насколько хорошо обучены сети
• Weightwatcher.ai
• Weightwatcher-ai.com -> Профессиональная веб-версия

Самостоятельное обучение

• Самоконтроль -> Pytorch Lightning реализации нескольких алгоритмов
• Симклр
• Потрясающее самостоятельное обучение -> Кураторский список

Гиперпараметры

• Гиперопт
• TPOT Автоматизированное машинное обучение

Среды кодирования

• Песочница Управления по борьбе с наркотиками
• Куб в коробке

Сообщество

• Software Underground — сообщество людей, заинтересованных в изучении пересечения недр и кода.
  • Регистрация в чате - регистрация в чате сообщества SWUNG
  • Mattermost – чат-сервис сообщества.
    • Старый канал Slack (устарел, см. главное выше)
  • Интеграция с открытым исходным кодом для геолого-геофизических исследований
  • Видео
    • Трансформация 2022
  • Потрясающие открытые геолого-геофизические исследования [обратите внимание на нефтегазовую тематику]
  • Примеры взлома Transform 2021
  • Учебное пособие по Сегысаку 2021
  • Сейсмический блокнот T21
  • Практическая сейсмика с Python
  • Трансформация 2021 Симпег
• Пангео
  • Форум
  • Лучшие практики COG
• Цифровая Земля Австралии
  • Слабый канал
• Геопространственный фонд с открытым исходным кодом
• OSGeoLive -> Загрузочный DVD/USB с большим количеством геопространственного программного обеспечения с открытым исходным кодом.
• ASEG -> видео от Австралийского общества геологов-исследователей
• ИИ для геологического моделирования и картографии -> видео со дня конференции
• конференция

Облачные провайдеры

АВС

• Спотовые лаборатории ec2 -> Упрощение автоматической работы со спотовыми инстансами
• Sagemaker Geospatial ML
• Sagemaker -> Управляемая служба машинного обучения
  • SDK
  • Утилиты точки входа
  • Мастерская 101
  • Учебный инструментарий

Партия

• Шепард -> Автоматическая настройка формирования облаков AWS Batch Pipelines: это здорово

Пакеты

• Mlmax - Запустить быструю библиотеку
• Мелкая материя
• Пьюутил

Общий

• Контейнеры глубокого обучения
• Логуру -> Библиотека журналов
• Робот AWS GDAL -> Лямбда и пакетная обработка геотиффов
• Бессерверная обработка сейсмических данных
• LIthops -> среда мультиоблачных распределенных вычислений

Обзоры

• Разведка полезных ископаемых

Домены

• Геология
  • Геологические эпохи
  • Литология
  • Стратиграфия
• Геохимия
• Геофизика
• Дистанционное зондирование

Веб-сервисы

Если они перечислены, предполагается, что это, как правило, данные, если это просто изображения, такие как WMS, то это будет указано.

Мир

• Критические минералы и месторождения

Австралия

• АусГИН
• Геонауки Австралии
• Минеральный потенциал -> WMS
• Служба каталогов Geoscience Australia

Геология

• AUSLAMP -> Теннант Крик - MtIsa
• Полевая геология
• Глубокая литосфера -> Глубокий минеральный потенциал литосферы
• Геохронология -> Геохронология
• Геологические провинции
• WMS -> Изображение WMS
• EGGS -> Оценки геологических и геофизических поверхностей
• Протерозойские щелочные породы - Набор данных протерозойских щелочных пород WFS {также есть WMS}
• Кайнозой
• Мезозой
• Палеозой
• Архейский
• Стратиграфия -> Стратиграфические подразделения

Геофизика

• Геофизические исследования
• Сейсмические исследования -> Береговые сейсмические исследования
• Магнитотеллурические -> Станции AUSLAMP Северной Австралии

Другой

• Ni-Cu-PEGE -> Интрузивные месторождения никеля и меди ЭПГ
• Область EFTF -> Исследование будущих областей
• Температура -> Интерпретируемая температура
• DEA -> Цифровая Земля Австралии
• Земельный покров
• Водоемы
• BOM -> Бюро метеорологии, гидрогеохимии

Новый Южный Уэльс

• Новый Южный Уэльс
• WCS
• Минеральные скважины WFS
• Нефтяные скважины WFS
• Угольные скважины WFS
• Сейсмика -> Сейсмика и другие

Квинсленд

• Квинсленд
• Геонаука -> Геофизика и указатель отчетов
• Геология
• Региональный
• Состояние
• Многоквартирные дома
• Дороги
• Водоток

Южная Австралия

• САРИГ
• Сверла
• Геология
• Геофизика
• Перспективность
• Минералы и шахты
• Дистанционное зондирование
• Сейсмический
• Многоквартирные дома

Северная территория

• NTGS -> Геологическая служба Северной территории

Тасмания

• Тасмания WFS
• Тасмания ОТДЫХ
• Скважины

Виктория

• Виктория Геосеть

Западная Австралия

• Западная Австралия
• Отдых

Новая Зеландия

• GNS -> Список веб-сервисов

Южная Америка

Бразилия

• Геопортал Бразилии
• Бразилия CPRM

Перу

• Ингемент
• Минеральные проявления
• Относящийся к окружающей среде

Мексика

• ГеоИнфо -> Услуги отдыха

Аргентина

• СИГАМ

Колумбия

• Отдых
• Депозиты 2018

Уругвай

• Отдых

Другой

• SIG Анды -> Геология Анд

Европа

EGDI -> EGDI Минералы

Швеция

• СГУ Магнетикс WMS
• СГУ Уран
• Метаданные геофизики

Финляндия

• GTK -> Геологическая служба Финляндии
  • Финляндия
    • Коренная геология
    • Геофизика
    • Наземные исследования
• Арктические минералы -> Арктические 1М минеральные проявления

Дания

• deus -> Гренландия WMS/WFS

Португалия

• Геология Португалии
• Минеральные месторождения -> WMS
• Города и город

Испания

• Испания
• Геология -> 200К
• 1М -> 1М
• 50К -> 50К
• ИГМЕ Геода
• Геофизика
• Медь - Медь
• GeoFPI -> Геология и полезные ископаемые Южно-Португальская зона
• Вода

Украина

• Геоинформ -> [на данный момент приостановлено]

Ирландия

• Отдых
• Минеральные локации

Британия

• BGS -> Британская геологическая служба
• Геоиндекс -> пример проявления полезных ископаемых
• Отдых -> BGS Rest Services & Inspire 625

Германия

• БРГ

Чешская Республика

• Отдых

Словакия

• Отдых

Венгрия

• МБФЗ ОГК
• МБФЗ Отдых

Румыния

• IGR -> только WMS
• Мины IGR -> только WMS

Польша

• Пример отдыха -> Еще много картографических серверов

Северная Америка

Канада

• Квебек
• СЗТ
• Отдых
• Ссылки

США

• Геологическая служба США по минералам
• Геологическая служба США MRDS
• Миннесота

Азия

• Китай -> WMS месторождение полезных ископаемых
• рудное поле -> Точки залегания полезных ископаемых
• Индия Минерал -> WMS
• Индия Геофизика

Африка

• Геопортал Африка -> Услуги отдыха
• Африка 10 млн -> Африка 10 млн месторождений полезных ископаемых https://pubs.usgs.gov/of/2005/1294/e/OF05-1294-E.pdf
• IPIS Artisanal Mines -> Существует также версия WMS
• github
• Уганда -> GMIS WMS

Общий

• Веб-службы разведки полезных ископаемых -> плагин QGIS с доступом ко многим соответствующим веб-сервисам.

Другой

• Открыть карту улиц -> полезный общий сервис плиток

API

• API открытых данных -> API портала открытых данных GSQ
  • Геохимический анализ
• CORE -> Тексты открытых исследований
  • Блокнот API -> Пример и функции
• ПОДЕЛИТЬСЯ -> Open Science API
• Публикации Геологической службы США
• КРОССРЕФ
• xDD -> бывший GeoDeepDive
• ADEPT -> GUI для xDD для поиска 15 миллионов собранных статей
• ОпенАлекс
  • API
  • Библиотека Python диофила
  • Библиотека Python
    • бумага
• Макрострат
  • бумага
• OpenMinData -> упрощает запрос и получение данных о минералах и геоматериалах из API Mindat.

Порталы данных

Мир

• Совместная работа с моделями Земли -> доступ к различным моделям Земли, средствам визуализации для предварительного просмотра модели, средствам для извлечения данных/метаданных модели и доступу к дополнительному программному обеспечению для обработки и сценариям.
• Бюллетень ISC -> Поиск механизма очага землетрясения
• [Консорциум магнитной информации [(https://www2.earthref.org/MagIC/search) -> палеомагнитный, геомагнитный, горно-магнитный

Австралия

Геонауки Австралии

• Каталог данных геолого-геофизических наук Австралии
• АусАЭМ
• Портал геологических наук Австралии
• Портал «Исследование будущего» -> веб-портал Geoscience Australia с информацией для скачивания
• АусАЭМ
• АусЛАМПА
• Геохронология и изотопы
• Гидрогеологические водосборы -> поиск слоя водосборов
• Инициатива по картированию критически важных минералов
• Австралийские стратиграфические подразделения
• Австралийские скважинные стратиграфические подразделения -> Сборник данных по подземным водам осадочных толщ
• Потоки геофизической науки Австралии -> OpendDAP и доступ https
• MORPH gdb -> Данные бурения офицера Масгрейва

КСИРО

• Портал доступа к данным CSIRO
• Реголит Глубина
• TWI -> Топографический индекс влажности
• Карты ASTER Geoscience -> Веб-сайт
  • FTP -> FTP-сайт CSIRO
  • Примечания к картам ASTER -> Примечания к вышеизложенному

AuScope

• 3D-геология -> Модели из разных областей

КРАЧКА

• Расширенные ковариаты голой земли для почвенного и литологического моделирования

Бюро метеорологии

• Исследователь подземных вод -> Бюро метеорологии

Основные пространственные данные

• Элвис

Южная Австралия

• SARIG -> Поиск по геопространственным картам Геологической службы Южной Австралии
• Каталог SARIG -> каталог данных
  • 3D модели
    • ЮАР широкий
    • локация s3
  • Пакеты данных – ежегодное обновление
  • Отчеты s3 -> Отчеты и текстовые версии в корзине s3 с веб-интерфейсом)
  • Отчеты
  • Сейсмический
    • Сейсмические загрузки -> Одна страница ссылок

Северная территория

• STRIKE -> Геологическая служба Северной территории
• ГЕМИС
  • Бассейн Макартур -> 3D модель
  • Геофизические исследования
  • Геофизика -> справка
  • Бурение и геохимия -> справка
    • Пакет данных -> пакет данных

Квинсленд

• Геологическая служба Квинсленда
• Геофизические исследования
• Бурение и геохимия

Западная Австралия

• GEOVIEW -> Геологическая служба Западной Австралии
• DMIRS -> Центр данных и программного обеспечения DMIRS
• URL-адреса загрузки -> набор данных ссылок для скачивания
• Бурение и геохимия
• Скачать пакет - улучшение?
• Геохимия
• Нефтяные скважины с глубинами
• подмножество данных WA

Новый Южный Уэльс

• MINVIEW -> Геологическая служба Нового Южного Уэльса
• DiGS -> Публикации и геотехнические коллекции

Тасмания

• метро
• Карты метро -> Веб-карта

Виктория

• Ресурсы Земли
  • Геофизика
• GeoVIC -> Чтобы веб-карты были более полезными, необходима регистрация.

Новая Зеландия

• База данных разведки -> Онлайн
• GERM -> Карта геологических ресурсов Новой Зеландии
• Геология -> Веб-карта
  • https://maps.gns.cri.nz/gns/wfs

Южная Америка

Бразилия

• CPRM -> Геологическая служба Бразилии
• Загрузки -> Загрузки Геологической службы Бразилии
• Ригео -> Институциональный репозиторий геонаук

Перу

• Ингеммет GeoPROMINE -> Геологическая служба Перу
• ГеоМАПЕ

Мексика

• ГеоИнформация

Аргентина

• SIGAM -> Геологическая служба Аргентины
• СИГАМ

Колумбия

• Гепортал

Уругвай

• Изображение

Чили

• Порталгеомин

Европа

• EGDI -> Европа геонауки
• ВФС
• Промине
• Вдохновляйте -> Геопортал Вдохновляйте

Дания

• Датские данные о недрах

Финляндия

• Минералы4EU
• GTK -> Геологическая служба Финляндии
• Геохимические карты -> только pdf!

Швеция

• SGU -> Шведская геологическая служба

Испания

• IGME -> Испанская геологическая служба

Португалия

• Геопортал
• Минеральные месторождения

Ирландия

• GSI -> Геологическая служба Ирландии
• GSI — Просмотр карт
• Золотая жила -> Карта и поиск документов
• data.gov.ie -> Вид на национальном портале
• isde -> Ирландский обмен пространственными данными

Норвегия

• NGU -> Геологическая служба Норвегии
• база данных -> Поиск минеральных ресурсов и стратиграфии
• github
• API
• Геопорта -> Геофизика
• GEONORGE -> Каталог данных с загрузкой

Британия

• Британия
• картографический сервер
• github

Украина

• Минеральные ресурсы

Россия

• Российский научно-исследовательский геологический институт -> Сейчас недоступен
• РГУ -> ГИС-проект месторождений

Германия

• Геопортал
• Геокарта -> М
• Atom -> поток данных Atom
• GDI -> 3D модели Германия

Франция

• Infoterre -> Французская геологическая служба

Хорватия

• Геопортал -> Геологическая служба Хорватии
• Геология

Чешская Республика

• GS -> Чешская геологическая служба

Словения

• Каталог данных

Словакия

• Каталог данных
• Геопортапи API

Венгрия

• Карты МБФСЗ

Румыния

• IGR -> Геологическая служба Румынии
• Минеральные ресурсы

Польша

• Геопортал

Великобритания

• Береговая геофизическая библиотека Великобритании
• OS Data Hub Британская геология
• Геология 625

Северная Америка

Канада

• Природные ресурсы Канады
• github
• Репозиторий геолого-геофизических данных -> Сервер DAP
• Портал веб-карт горнодобывающей промышленности
• DEM -> Канада DEM в формате COG
• CDEM -> Цифровая модель рельефа (2011)
• Онтарио
• Квебек
• База данных SIGEOM
• Британская Колумбия
• База данных месторождений полезных ископаемых
• Юкон
  • FTP
• Новая Шотландия
• провинциальный
• Остров Принца Эдуарда
• Саскачеван
• База данных месторождений полезных ископаемых
• Ньюфаундленд -> не работало в Chrome, пробовал в Edge
• Альберта
• Интерактивное картографическое приложение
• Северо-Западные территории
• Минеральное владение

США

• Геологическая служба США -> База данных карт
• MRDS -> Системы данных о минеральных ресурсах
• Earth Explorer -> Портал данных дистанционного зондирования Геологической службы США
• Национальная картографическая база данных
• Национальная картографическая база данных
• Аляска
• ReSci -> Реестр научных коллекций Национальной программы сохранения геолого-геофизических данных
• Мичиган

Африка

• Кадастр
• Гидрогеология -> Гидрогеология и геология по атласу подземных вод
• Западная Африка -> Месторождения полезных ископаемых
• Намибия
• Минеральные проявления
• Шахтеры
• Южная Африка -> Геологическая служба Южной Африки
• Минеральные месторождения -> Пример, где вам необходимо войти в систему, чтобы загрузить
• Уганда -> Портал GMIS
• Металлические минералы
• Танзания
• Минеральные проявления
• Мины
• SIGM -> Тунис Геология и горное дело
• Замбия -> Многоквартирные дома в Замбии здесь

Азия

Китай

• Геонаучные данные
• Минеральные проявления
• Национальная база данных месторождений полезных ископаемых

Индия

• Бхукош -> Геологическая служба Индии
• Обратите внимание: геология Раджастана работает только по частям, что болезненно. Если хотите, дайте мне знать.

Саудовская Аравия

• Портал национальной геологической базы данных

Другой

Геология

• СтратБД
• Глобальные активные неисправности GEM
• Минеральные свойства RRuff
• статья -> Эволюционная система минералогии
• ОдинГеология
• каталог

Иран

Геология

• OGC BGS 1M Коренная порода

Общий

• OSF -> Фонд Открытой Науки
• Недрагоценные металлы, содержащиеся в осадках -> Недрагоценные металлы, содержащиеся в осадках
• Граница литосферы и атеносферы -> LAB Хоггард/Чарнота
• Список геологической службы

Отчеты

Австралия

• Северная территория ГЕМИС
  • поиск
  • пример
• Южная Австралия САРИГ
• Западная Австралия WAMEX
  • поиск
  • API
    • пример
• Квинсленд
• Раскопки Нового Южного Уэльса
  • Открытие раскопок Нового Южного Уэльса
  • API не является общедоступным
• PorterGEO -> Мировые базы данных месторождений полезных ископаемых с краткими обзорами
• Институт устойчивых полезных ископаемых -> Квинслендская организация исследователей, связанных с университетами, производящих наборы данных и знания

Канада

• Британская Колумбия
  • Поиск -> Отчеты об оценке полезных ископаемых
  • Публикации -> Публикации
• Онтарио -> Отчеты об оценке полезных ископаемых
  • Публикации Онтарио
• Альберта
  • Публикации
• Юкон
• След
• Манитоба
• Публикации
• Ньюфаундленд и Лабрадор
• Северо-Западные территории
• Новая Шотландия
• Квебек
• Саскачеван
  • Поиск
  • iMaQs -> Интегрированная система горнодобывающей промышленности и разработки карьеров

США

• Аризона
• Монтана
• Невада
• Нью-Мексико
• Миннесота
• Мичиган
• JSON
• Аляска
• Вашингтон

Другой

• Британская геологическая служба NERC
  • Минеральный потенциал
  • Поиск
  • Пример API
  • Публикации
  • MEIGA -> Отчеты о проекте по разведке полезных ископаемых MEIGA 600 BGS
• ГеоЛагрет -> Швеция
• MinData -> Подборка скальных локаций со всего мира
• База данных минералов -> Экспортируемый список минералов с научными свойствами и возрастом
• НАСА
• ResearchGate -> Исследовательская и профессиональная сеть

Инструменты

ГИС

• QGIS -> Настольное приложение для визуализации и анализа ГИС-данных с открытым исходным кодом, имеет некоторые инструменты ML: незаменимо для быстрого и легкого просмотра.
  • 2D-геология в QGIS -> Семинар по QGIS NA 2020, знакомящий с геологическими картами и разрезами для студентов и любителей
  • OpenLog -> Бета-версия плагина Drillhole
  • Geo -Sam -> плагин QGIS для сегмента что угодно с Rasters
  • Веса правки
  • плагин
• ТРАВА
• Saga -> Зеркало Sourceforge

3D

• Pyvista -> VTK Обертывание API для отличной визуализации и анализа данных

  • Pvgeo
  • Pyvista -xarray -> Преобразование данных Xarray в VTK 3D безболезненно: великая библиотека!
  • Omfvista -> Pyvista для открытого формата добычи
  • Scipy 2022 Учебник

• Pymeshlab -> трансформация сетки

• Открытый формат добычи

• Whitebox Tools

  • GUI -> версия настольного компьютера

• Подземный

• Geolambda -> AWS Lambda Setup

• Аналитик Geoscience

  • geoh5py -> Получение данных в проектах Geoh5 и из -за
  • GeoApps -> Приложения на основе ноутбуков для геофизики через Geoh5py
  • Geoh5vista
  • GAMS -> Анализ магнитных данных
    • Бумага - структура для данных о минеральной геологической науке и переносимости модели - GEOH5

• Рейшадер

• Vdeo

Геопространственный генерал

• Python Resources for Earth Science
• Геутильс -> Геопространственный анализ и способность к взаимодействии между другими пакетами Python GIS.

Векторные данные

Питон

• Геопандас
  • Dask-Geopandas
    • Учебник
  • Geofileops -> повышение скорости пространственных соединений с помощью функций базы данных и GeoPackage
• Kart -> управление распределенной версией для даты
• Pyesridump -> Библиотека для получения данных в масштабе с серверов Esri Rest

Р

• Сан-Франциско
• Terra -> Terra предоставляет методы манипулирования географическими (пространственными) данными в форме «растра» и «вектора».

Растровые данные

С

• exactextract -> Zonal Stats in Command Line в C

Юлия

• Rasters.jl -> чтение и написание общих растровых типов данных

Питон

• Rasterio -> Базовая библиотека Python для обработки растровых данных
• Georeader -> Растровые данные процесса из разных спутниковых миссий
• Rasterstats -> суммирование наборов данных геопространственных растровых данных на основе геометрии векторов
• Xarray -> Multimensional Marketed Обработка и анализ массивов
  • Rioxarray -> Сказочный API высокого уровня для обработки Raster Raster
  • GeoCube -> Растировая API векторных данных
  • ODC -GEO -> Инструменты для растровой обработки на основе дистанционного зондирования со многими чрезвычайно удобными инструментами, такими как Colorisation, Grid Workflows
  • COG Validator -> Проверка формата облачных оптимизированных геотифов
  • Serverless-Datacube-Demo-> xarray через литопы / спиральные / модальные
  • Ксаррей пространственный -> статистический анализ растровых данных, таких как классификация, такие как естественные перерывы
  • XDGGS -> Другие виды сетей
  • xgcm -> гистограммы с этикетками
  • xrft -> преобразование Фурье на основе Ксаррея
  • xvec -> векторные кубики данных для Xarray
  • Xarray -Einstats -> Статистика, линейная алгебра и einops для Xarray

Р

• Растровая библиотека
• Terra -> предоставляет методы манипулирования географическими (пространственными) данных в форме «растра» и «вектора».
• Звезды -> пространственно -временные массивы: растровые и векторные обработки данных
• exatextracr -> растровая зональная статистика для r

Тесты

• Растро -Бенчмарк -> Сравнивание некоторых растровых либиллов в Python и R

Гуй

• Инструменты Whitebox -> Python API, GUI и т. Д.

Сбор данных

• Piautostage-> '3D-печатный инструмент с открытым исходным кодом для автоматической коллекции изображений микроскопа с высоким разрешением;' Разработано для образцов минералов.

Преобразование данных

• Aem to seg-y
• ASEG GDF2
• CGG Outfile Reader
• Geosoft Grid до растрового
• Loop Geosoft Grid
• Harmonica Geosoft Grid -> Запрос на вытягивание в процессе перехода в Xarray
• Auscope -> Данные из бинарных моделей GOCAD
• Gocad SG Greater Reader
  • Geomodel-2-3dweb-> здесь есть метод извлечения данных из бинарных сетей Gocad SG
• Прыжок сетка сетки
• OMF -> открытый формат добычи для преобразования между вещами
• PDF шахтер
• VTK в DXF

Геохимия

• Pygeochemtools -> Библиотека и командная строка, чтобы включить быстрый QC и построение геохимических данных
• Геохимические карты SA -> Анализ данных и построение данных геохимии Южной Австралии от геологической службы SA
• Геохимический Левеннинг
• Учебное пособие по геохимии Скотта Галлея
• Периодическая таблица

Геостатистика

• GeoStatspy
• Pyinterpolate

Геохронология

• Геологическая шкала времени -> код для производства, но также имеет хороший обычный CSV возрастов

Геология

• Gempy -> неявное моделирование

• Gemgis -> помощь в анализе геопространственных данных

• Loopstructural -> Implicity Modeling

• Ручное Python Geologia -> Анализ геологических данных

• Map2loop -> 3D -моделирование автоматизации

  • Loop3d -> GUI для MAP2LOOP

• Pybedforms

• Стратиграфия SA -> Редактор базы данных стратиграфии WebApp

• Стриплог

• Analise_de_dados_estruturais_altamira

• Global Tectonics -> Набор данных с открытым исходным кодом для строительства, тарелок, поля и т. Д.

  • бумага

• Zenodo дополнения

• Литолог

• пигпленты

• Учебные данные

  • бумага

Геофизика

• Geoscience Australia Utilities
• Геофизика для практики геологистов
• Потенциальный полевой набор полевых инструментов -> Некоторые фильтры на основе Ксаррея быстрого преобразования Фурье - Деривативы, псевдогравитация, RPG и т. Д.
  • Записная книжка -> класс с некоторыми примерами [Вертикальная производная, псевдогравитация, продолжение вверх и т. Д.)
• Вычисление Геофизика Песочница
• Осадок подвала RIS -> глубина магнитного фундамента в Антарктике
• Обработка изображения сигнала

Электромагнитный

• Geoscience Australia AEM
• Electromagnetics -> Записные книжки для курса по пониманию этого домена
• AEM интерпретация
• Emag py -> fdem
• RESIPY -> DC / IP

Гравитация и магнитика

• Гармоника
• Примеры фильтров -> Быстрая обработка на основе преобразования Фурье через Xarray
• Австралийские данные по гравитации
• Черви
• Обновление червей <- Потенциальные поля создания червя с некоторыми незначительными обновлениями для обработки нового API API Networkx *Github Mirror
• Осборн Магнитный -> Пример обработки данных обследования

Сейсмический

• Segyio
• Segysak -> Обработка и анализ данных SEG -Y на основе Xarray
• Геофизические заметки -> Обработка сейсмических данных

Магнитотеллурики

• Mtpy
• Учебники
• Mtpy -> Обновление вышеперечисленного, чтобы облегчить ситуацию
• Минеральная статистика инструментарий -> Расстояние до анализа функций MT
• Литосферные проводники бумага
• MTWaffle -> MT Analysis Analysis
• пимт
• резитика
• Mecmus -> Инструменты для чтения модели электрической проводимости США
• модель

Сетка

• время по Гринвичу
  • Pygmt
• Верде
• GRID_AEROMAG -> Пример бразильского сетки
• pyinterp -> многомерное сетку через повышение
• Псевдогравитация -> от Blakely, 95

Инверсия

• Симпег
  • Mira Geoscience Fork -> Используется для GeoApps
  • Симпег Форк
  • Преобразование 2020 Симпег
  • Преобразование 2021 Симпег
  • Скрипты Симпега
  • Пример инверсии азиатского сустава
• Гимли
• Tomofast-x
• USGS Anonymous FTP
• USGS Software -> Более длинный список старых полезных вещей: Dosbox, кто -нибудь?
• Геофизика подпрограммы -> Fortran Code
• 2020 г. Проблемы инверсии Аахена -> Обзор теории гравитационной инверсии

Геохимия

• Пиролит
  • GS2021 Пиролит
• Выравнивание
• Пиджеохимские инструменты
• Geoquimica
• Geochemistrypi
  • бумага

Бурение

• DH2LOOP -> помощь в интервале бурения
  • бумага
• Dlildown -> Визуализация бурения в записных книжках через Geoh5py -> Примечание.
• Pygslib -> Суд -скважина и нормализация интервалов
• Pyborehole -> Обработка и визуализация данных скважины
• DHCOMP -> Композиты геофизические данные к набору интервалов

Дистанционное зондирование

• Потрясающие спектральные индексы -> Руководство по созданию спектрального индекса
• Открыть куб
  • Ноутбуки DEA -> Код для использования в рабочих процессах в стиле ODC
  • DataCube -Stats -> Библиотека статистического анализа для ODC
  • Geo Notebooks -> Примеры кода из элемента 84
• Raster4ml -> Большое количество индексов растительности
• Лефа -> Анализ переломов, линии

Бессерверный

• Kerchunk -> Без сервера доступ к облачным данным через Zarr
  • Kerchunk GeoH5 -> Доступ к геологическим аналитикам/GEOH5 Projects без сервера через Kerchunk
  • Icehunk -> Двигатель транзакционного хранения для данных Tensor / ND -Array, предназначенные для использования в хранилище облаков.

Каталоги STAC

• DEA Stackstac -> Примеры работы с данными Digital Earth Australia
• Впускной стак
• ML AOI расширение
• Спецификация расширения модели ML -> Спецификация модели машинного обучения для каталогов
  • бумага
• ODC -STAC -> Бесплатная база данных Cube Cube
• Pystac
• SAT-Search
• Stackstac -> Метаданные ускорили Dask и Xarray Timesshies

Статистика

• Оранжевый графический интерфейс
• HDStats -> Алгоритмическая основа геометрических медиан
• HDMedians

Визуализация

• ТВ -> Посмотреть спутниковые снимки в терминале
• Типур
• Сидит
• HSDAR
• Звезды
• Перу Золото Майн Сар

Минеральный потенциал

• Минеральное картирование минерала -> Анализ на основе ESRI
• Проспект онлайн -инструмент

Экономика горнодобывающей промышленности

• BlueCap -> Структура из Университета Монаш для оценки жизнеспособности шахт
• Закон ZIPFS ​​-> Кривая подгонка распределения минеральных осаждений
• PYASX -> ASX
• Metal Price API -> контейнерное микросервис

Визуализация

• Napari -> многомерный просмотрщик изображений
• Holoviews -> крупномасштабная визуализация данных
• GraphViz -> График построения/просмотра информация о установке Windows
• Spatial-KDE

Колорматы

• CET перцептивно равномерные краски
• PU Colormaps -> Отформатировано для пользователя в аналитике Geoscience Analyst
• Расточимости Colormap -> панельное приложение для демонстрации искажений, создаваемых не перцептивными кольмапами на геофизических данных
• Разорвать данные из Colmpas
• Открыть проекты кода геоссауки

Геопространство

• GeoSpatial>- устанавливает несколько общих пакетов Python
• Геопространственный питон -> куратор

Технологические стеки

С

• GDAL -> Абсолютно важная структура преобразования и анализа данных
  • Инструменты -> Примечание имеет много инструментов командной строки, которые также очень полезны

Юлия

• Джулия Земля -> Содействие геопространственным науке о данных и геостатистическом моделировании в науках о Земле
• Julia Geodynamics -> Код вычислительной геодинамики
• Введение в Джулию для Geoscience

Python - Pydata

• Anaconda -> Получите участки уже установленные с помощью этого диспетчера пакетов.
  • Gdal et al. -> Установите боль из установки GDAL и TensorFlow здесь
  • Git bash -> заставить Conda работать в Git Bash
• Numpy многомерные массивы
• Анализ табличных данных Pandas
• Матплотлиб визуализация
• Zarr -> сжатые, распределенные распределенные массивы
• DASK -> параллельно распределенные вычисления
  • Dask Cloud Provider -> автоматически запускает кластеры DASK в облаке
  • DASK Median -> Notebook, давая прототип срединной функции DASK
• Python Geospatial Ecosystem -> Кураторская информация

Ржавчина - Геруст

• Georust -> Сбор геопространственных утилит в ржавчине

Базы данных

• DuckDB -> в процессе olap db на скорости - обладает некоторыми геопространственными и массивными возможностями
• IBIS + DuckDB Geopsatial -> Scipy2024 Talk

Наука о данных

• Python Data Science Шаблон -> Настройка пакета проекта
• Awesome Python Data Science -> Кураторское руководство

Вероятность

• DISTIT -> Установка плотности вероятности

Наука

• Python Resources for Earth Sciences
• Потрясающие научные вычисления

Докер

• Контейнеры для глубокого обучения AWS
• Пространственный докер
• DL Docker GeoSpatial
• Рокер
• Docker Lambda
• Геобаза
• DL Docker GeoSpatial

Онтологии

• Геологическое общество словесных словарей Квинсленда
  • База данных геологических свойств
  • Гео -катырь
• Геологическое общество западной Австралии
• Стратиграфический
• Менеджер по знаниям Geoscience
• Geosciml словесные

Книги

Питон

• Поваренная книга с геопространственным анализом Python
• Геопроцессия с Python -> Manning Livebook

Другой

• Учебник
• Машинное обучение в нефтегазовой отрасли
• Геокомпьютация с р
• Поваренная книга LearthData Cloud -> Как получить доступ к ресурсам НАСА
• Поваренная книга по очистке данных -> Поставка инструментов Unix для хорошего использования для сжатия и очистки данных
• Энциклопедия математических героссиун
• Справочник по математическим героссиункам

Другой

• GXPY -> Geosoft Python API
• EarthArxiv -> Загрузить документы из препринта архива
• Essoar -> Preprint Paper Archive

Наборы данных

Мир

Геология

• Коренная порода -> Обобщенная геология мира
• Glim -> Глобальная литологическая карта
• Палеогеология Атлас фанерозойских палеогеографических карт
• Осадочные слои -> Глобальная 1 -километровая толщина сетки почвы, реголита и осадочных отложений
• Карта мирового стресса -> Глобальная компиляция информации о современной области стресса в коре
• GMBA -> Глобальный горный инвентарь

Геофизика

Гравитация

• Кривизна -> Глобальный анализ кривизны из данных гравитации
• WGM 2012

Магнетика

• EAMG2V3 _> Земля Магнитная Аномалия Сетка
• WDMAM -> карта цифровой магнитной аномалии World

Магнитотеллурики

• EMC -> Глобальная 3D -обратная модель электрической проводимости

Сейсмический

• Лаборатория Slnaafsa
• Лаборатория Cam2016
• Мохо -> Данные Джеммы
• Moho -> data szwillus
• Сейсмическая скорость -> Дебайл и др.
• Lithoref18 -> Глобальная эталонная модель литосферы и верхней мантии из инверсии совместной инверсии и анализа нескольких наборов данных
• Crust1.0 -> Global Crustal Model NetCDF
• Обзор домашняя страница

Термальный

• Тепловой поток

Общий

• Deep Time Digital Earth -> Данные и визуализация для различных источников данных и моделей
• Земля -> Сохранение сообщества, обнаружение, доступ и визуализация геохимических, геохронологических и петрологических данных
• Georoc -> Геохимическая композиция камней
• Глобальная геология -> короткий рецепт для создания глобальной геологической карты в формате ГИС (например, ShapeFile), с возрастными диапазонами, нанесенными на карту GTS2020 времен
• Большая комиссия по провинциям Игенов
• Мантийные шлейфы
• Толщина отложений -> карта
• SpatialReference.org -> Репозиторий для веб -сайта

Австралия

• Общая модель Земли
• Тяжелая минеральная карта
• Тяжелая минеральная карта Австралии пилот
• Блестящее приложение

Геохимия

• Прогнозирующие сети основных концентраций оксида в поверхностной породе и реголите над австралийским континентом -> различные оксиды

Геология

• Щелочные скалы атлас
• Кайнозой
• Мезозой
• Палеозой
• Архайский
• поиск
• Протерозойские щелочные породы -> Протерозойские щелочные и связанные с ним магматические породы Австралии ГИС
• Кайнозой
• Мезозой
• Палеозой
• Архайский
  • Бумага https://ecat.ga.gov.au/geonetwork/srv/eng/catalog.search#/metadata/147963
• Гидрогеология -> Гидрогеологическая карта Австралии
• Гидрогеология -> 5м
• Многослойная геология -> 1 м
• Геология поверхности -> 1M Scale
• Австралийский набор данных магматических магматических событий GIS

Геофизика

• Гравитация -> 2019 австралийские национальные гравитационные сетки

Магнетика

• TMI -> Магнитная карта аномалии Австралии, Седьмое издание, 2019 TMI
• 40M -> 40 -метровая версия
• VRTP -> Сетка общей магнитной интенсивности (TMI) Австралии с переменным сокращением до полюса (VRTP) 2019
• 1VD -> Сетка общей магнитной интенсивности Австралии 2019 года - Первая вертикальная производная (1 в)

Радиометрия

• Радиометрия -> Полная радиометрическая сетка Австралии (RADMAP) V4 2019 с моделированным наполнением
• K -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Фильтрованная сетка PCT Calium
• U -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Фильтрованные PPM уран
• TH -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Фильтрованная PPM Thorium
• TH/K -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Отношение Тория над калием
• U/K -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Уран урана над калием
• U/Th -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Отношение урана над Ториумом
• U квадрат/TH -> Радиометрическая сетка Австралии (RADMAP) V4 2019 Отношение урана в квадрате над Ториумом
• Скорость дозы-> радиометрическая сетка Австралии (RADMAP) V4 2019 Фильтрованная скорость наземной дозы
• Тернарная картина -> Радиометрическая сетка Австралии (RADMAP) V4 2019 - Тернальное изображение (K, TH, U)

Ausaem

• Ausaem 1 -> Ausaem Year 1 NT/Qld Airborne Electromagnetic; GA слоистые продукты инверсии земли
• Ausaem 1 -> Ausaem Year 1 NT/QLD: Электромагнитные данные Tempest® Air -Loble и оценки проводимости EM Flow®
• AUSAEM 1 -> AUSAEM1 Пакет данных интерпретации
• AUSAEM 2 -> AUSAEM 02 WA/NT 2019-20 Электромагнитная обследование Airborne
• AUSAEM -WA -> AUSAEM -WA, Murchison Airbore Electromagnetic Expelive Blocks
• Ausaem-Wa-> Ausaem-wa, юго-западная албани-бортовые электромагнитные блоки обследования
• Ausaem -Wa -> Ausaem WA 2020-21, Eastern Goldfields & East Yilgarn Airborne
• AUSAEM -WA -> AUSAEM (WA) 2020-21, Earaheedy & Desert Strip
• Ausaem ERC -> Ausaem Eastern Resources Corridor
• Ausaem WRC -> Ausaem Western Resources Corridor
• Interp Обзор
• Национальная поверхностная и ближняя проводимость сетки -> Национальная интерполяция ML для AUSEM аналогичным образом северной Австралии

Auslamp

• Auslamp Sea -> модель удельного сопротивления на материковой части Юго -Восточной Австралии из магнитотеллурских данных Auslamp
• Данные Виктории
• Данные штата Новый Южный Уэльс
• AUSLAMP TISA -> Модель удельного сопротивления, полученная из магнитотеллуриков: проект Auslamp -Tisa
• Auslamp Delamerian -> Литосферная модель удельного сопротивления деламеровского орогена из магнитотеллурических данных Auslamp
• Auslamp ne sa
• Auslamp Gawler
• Auslamp Stations -> около 2017 года
• Tasmanides Paper

Мохо

• Moho 2019 и 2023
  • бумага

Минеральные отложения

• Геологические условия, возраст и пожертвование крупных австралийских минеральных месторождений
• Комплексный набор данных для австралийского производства шахте с 1799 по 2021 год
  • бумага

Минеральный потенциал

• Обзор - Geoscience Australia -> Обзор публикаций и наборов данных
• Осадок размещен цинком
• Отчет
• Осадок размещен медной
• Отчет
• Абстрактный
• Карбонатит редкоземельные элементы
  • бумага

Шахтные отходы

• Австралийские шахтные отходы

Родной титул

• Национальный титульный трибунал

Дистанционное зондирование

• Landsat Bare Earth - Mare Earth Median от Landsat
• Усовершенствованные изображения Barest Earth Landsat для почвы и литологического моделирования: набор данных -> Детали улучшения
• Глобальная площадь горнодобывающей промышленности, отображаемое из спутниковых изображений с высоким разрешением ** бумаги
• Dem -> Австралия 1 Sec Srtm dem различных сортов

Структура

• Основные границы коры Австралии - 2024 издание

Скорость

• Au Tomo -> Модель скорости в следующем поколении австралийской коры из синхронного и асинхронного обстановки шума

Топография

• Многомасштабная топографическая позиция - RGB
• Информация
• Индекс топографической влажности - 1 и 3 секунды
• Информация
• Индекс топографического положения - 1 и 3 секунды
• Информация
• Модель интенсивности выветривания
  • бумага
• Информация
• {Info] (https://researchdata.edu.au/weathering-intensity-model-australia/1361069)

Северный

• Толщина крышки TISA -> Точки толщины крышки для MT ISA Tennant Creek с интерполированными сетками
• Картографирование проводимости с высоким разрешением с использованием регионального обследования AEM и машинного обучения -> Интерполяция проводимости ML для Ausaem
• Расширенная абстрактная
• Сплошная геология -> Сплошная геология северо -австралийского кратона
• Модели инверсии -> Модели северо -австралийской 3D -гравитации и магнитной инверсии Craton 3D
• Ni-Cu-PGE-> Потенциал для вторжения, проникновенных в нити, в Австралии отложения Ni-Cu-PGE в Австралии: континентальный анализ проспекции минеральной системы
• TISA IOCG -> Оценка оксида железа медно -золотой (IOCG).
• Изменение TISA -> Получение прокси -изменения магнетита и гематита с использованием 3D -гравитации и магнитной инверсии

Южная Австралия

Геология

• Геология коренной породы
• Кристаллический фундамент -> Кристаллический фундамент пересекает спиральные рутинки
• Шахты и месторождения полезных ископаемых
• Минеральные гусеницы
• Сплошная геология 3d
• Разломы 100 тысяч
• Архайский
• Архейские недостатки
• Мезопротерозой -> Средний
• Мезопротерозой -> средние разломы
• Мезопротерозой -> поздно
• Мезопротерозовые разломы -> Поздние разломы
• Неопротерозой
• Неопротерозойские недостатки
• Стюарт Шаг осадочная медная 3D -модель
• Геология поверхности

Геофизика

• Auslamp 3D -> магнитотеллурические инверсии
• GCAS -> Gawler Craton Airborne Survey
• Гравитация -> гравитационные сетки
• Станции -> Гравитационные станции
• Магнитика -> Магнитика
• Сейсмические линии -> сейсмические линии

Gawler

• Gawler MPP -> Проект продвижения минералов Gawler - данные

Квинсленд

• Обзор
• Глубокая добыча Queensland-> Глубокая горнодобывающая Квинсленд
• Депозитный атлас -> Северо -западная минеральная провинция Депозит Атлас
• Геология -> Обзор серии геологии
• Отчет о минерале и энергетике -> Северо -западный Квинслендский провинции Mineral and Energy Report 2011 -NWQMEP
• Векторинг -> минеральная геохимия векторинг
• Нефтяные скважины
• Газовые скважины угольного шва
• Спирали

Клонкурри

• Toolkit -> Multilement Toolkit и лаборатория

Северная территория

• Arunta IOCG-> Железный-оксид-коппер-золотой потенциал в регионе Южной Арунта
• Южный уран -> Южный северная территория Уран и Геотермальные энергетические системы Оценка дигил пакет данных
• Tennant Creek -> Модель проводимости, полученная из магнитотеллурических данных в регионе Восточного Теннана, Северная территория

Новый Южный Уэльс

Геология

• Бесплатная геология -> Беспланный пакет данных по геологии Нового Южного Уэльса (старая версия также на этой странице)

Потенциальные пакеты данных минералов

• Curnamona
• Восточный Лахлан
• Центральный Лахлан
• Южная Новая Англия

Западная Австралия

Геохимия

• Мафический/ультрамафический

Геология

• 100 тыс. Своем
• 100 тыс. Карточных листов для поверхности вы должны загрузить индивидуально и объединить - они не согласуются
• Mapsheets 250K для поверхности вы должны загрузить индивидуально и объединиться - они не согласуются
• 500 тыс. Своем
• Заброшенные шахты
• Минеральные случаи

Минеральный потенциал

• Коматит, проведенный никель
• Отчет

Проспект

• Анализ проспекции Capricorn->
• Король Леопольд -> минеральная перспектива короля Леопольда Орогена и Леннарда
• Йилгарн Голд
• Yilgarn 2 -> Прогнозирующие минеральные обнаружения в восточной части Кратона Йилгарна: пример таргетинга в окружном масштабе орогенной золотой минеральной системы
• [Shop Note] -> WA имеет несколько пакетов проспекции, доступных для покупки на USB Drive по ценам типа 50-60AU -см. В разделе Geospaital Maps

Тасмания

Геология

• 250K
• 500 тыс.
• 25 тыс.
• Минеральные случаи
• 3D модель

Виктория

• Бесплатная геология

Новая Зеландия

• Пакет минеральных данных -> пакет данных по разведке минералов

Северная Америка

• Национальные масштабные геофизические, геологические и минеральные данные и сетки -> также имеют некоторые данные Австралии
• Скважины подземных вод -> база данных
• Максимальная горизонтальная ориентация напряжения и относительная величина напряжения (режим нарушения) по всей Северной Америке

Канада

Геология

• Карта
• Геология -> Обновленная карта геологии коренной породы
• Геология -> Геологическая компиляция коренных пород и региональный синтез Южного Рей и частей доменов Хирна, провинция Черчилль, Северо -Западные территории, Саскачеван, Нунавут, Манитоба и Альберта
• Мохо -> Национальная база данных о оценках глубины Мохо. Оценки сейсмических преломлений и телезисмических исследований

Геофизика

• Поиск DAP -> Geoportal Search - Примечание досадно, что они находятся в Geosoft Grids - см. Elsewere о возможностях конверсии
• [Гравитация, магнетика, радиометрия] -> в основном масштаб страны

Европа

Финляндия

• FODD -> Фенноскандские минеральные месторождения

Ирландия

• MPM -> Проект минерального потенциала картирования

Документы с кодом

НЛП

• https://www.sciendirect.com/science/article/pii/s2590197422000064?via%3dihub#bib20- -> Модели языка геологии и их внутренняя оценка -> Код NRCAN выше [включает модель]
• https://www.researchgate.net/publication/334507958_word_embeddings_for_application_in_geosciences_development_evaluation_and_examples_of_soil -concepts -> geovec [включает модель]
• https://www.researchgate.net/publication/347902344_portuguese_word_embeddings_for_the_oil_and_gas_industry_development_and_evaluation -> petrovec [включает модель]
• Ресурс для автоматического поиска и сопоставления геохимических наборов данных из журнальных добавок

Геохимия

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

Геология

• https://github.com/sydney-machine-learning/autoencoders_remotesensing-> Сложные автоэнкодории для литологического картирования

Минерал

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

Документы с данными функций

• Это вы можете воспроизвести выходной геоспециально из приведенных данных.

Минеральная перспектива

• https://www.sciendirect.com/science/article/pii/s016913682100010x#s0135 -> Моделирование проспекции канадского магматического Ni (± Cu ± Co ± PGE) Sulphide Systems [Ну, достойное чтения]
• https://www.sciendirect.com/science/article/pii/s0169136821006612#b0510 -> Моделирование проспекции проспекции, основанное на данных, минеральных систем Zn -PB, и их критическое сырье [достойно чтения]
• https://www.researchgate.net/publication/358956673_towards_a_ely_data-mariven_prospectivity_mapping_methodology_a_sha_study_of_the_southastern_churchill_province_quebec_And_labrador

Англия

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

Геохимия

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

Геология

• https://eprints.utas.edu.au/32368/ -> Машино -ассистированное моделирование литологии и метасоматизма

Геофизика

• https://github.com/tomasnaprstek/aeromagnetic_cnn - Aeromagnetic CNN
• Документ https://www.researchgate.net/publication/354772176_convolution_neural_networks_applied_to_the_interpretation_of_lineaments_in_aeromagnetic_data
• PhD -> Новые методы для интерполяции и интерпретации линеаментов в аэромагнитных данных
• Документ https://www.researchgate.net/publication/354772176_convolution_neural_networks_applied_to_the_interpretation_of_lineaments_in_aeromagnetic_data -> Развороты Нейронные сети применяются к интерпретации линейных данных в аэромагнетических данных.

Геопространственный вывод - нет кода

• https://geoscience.data.qld.gov.au/report/cr113697 -> NWMP, основанные на минеральных исследованиях и геологическое картирование [CSIRO].

Журналы

• https://www.sciendirect.com/journal/artificial-intelligence-in-geosciences-> Искусственный интеллект

Статьи

• Как правило, не ML, или нет кода/данных, а иногда и вообще не доступно
• В конечном итоге разделяется на вещи, которые имеют пакеты данных или нет, как исследования в области Нового Южного Уэльса.
• Однако, если заинтересованы в области, вы часто можете георизировать картину, если ничего другого, как грубое руководство.
• Как правило, они не воспроизводимы - некоторые из них, такие как исследования зоны проспекции Нового Южного Уэльса, и NWQMP с некоторой работой.
• Случайная статья в этом разделе может быть перечислена выше

Новичок в файле

Общий

• https://www.researchgate.net/publication/337650865_a_combinative_knowledge driven_integration_method_for_integrating_geophysical_layers_with_geological_and_geochemical_datasets
• https://link.springer.com/article/10.1007/S11053-023-10237-W-Новое поколение алгоритмов искусственного интеллекта для картирования минеральных перспектива
• https://www.researchgate.net/publication/235443297_addressing_challenges_with_exploration_datasets_to_generate_usable_mineral_potential_maps
• https://www.researchgate.net/publication/330077321_AN_IMPROVED_DATA-DRIVEN_MULTIPLE_CRITERIA_DECISION-MAKER_PROCEDURE_FOR_SPATIAL_MODELING_OF_MINERAL_PROSECTIONG_ADAPTION_OF_PREDECTIAL_MODELING_OF_MINERAL_PROSECTIPTION
• Искусственный интеллект для изучения минералов: обзор и перспективы будущих направлений от науки о данных -> https://www.sciencedirect.com/science/article/pii/s0012825224002691
• https://www.researchgate.net/project/bayesian-machine-learning-for-geological-modeling-and-geophysical-esegmation
• https://www.researchgate.net/publication/229714681_classifiers_for_modeling_of_mineral_potential
• https://www.researchgate.net/publication/352251078_data_analysis_methods_for_prospectivity_modelling_as_applied_to_mineral_explation_targeting_state-of-art_and_outlook
• https://www.researchgate.net/publication/267927728_data-triven_evidential_belief_modeling_of_mineral_potential_using_few_prospects_and_evidence_with_missing_values
• https://www.linkedin.com/pulse/deep-learning-meets-only-continuation-caldera-analytics/?trackingid=ybkv3ukni7ygh3irchzdgw%3d%3d
• https://www.researchgate.net/publication/382560010_dinov2_rocks_geological_image_analysis_classification_segmation_and_interpretability
• https://www.researchgate.net/publication/368489689_discrimination_of_pb-zn_deposit_types_using_sphalerite_geochemistry_new_insights_from_machine_learning_algorithm
• https://link.springer.com/article/10.1007/s11430-024-1309-9->
• https://www.researchgate.net/publication/229792860_from_predictive_mapping_of_mineral_prospectivity_to_quantitative_estimation_of_number_of_undiscovered_prosepects
• https://www.researchgate.net/publication/339997675_fyly_reversible_neural_networks_for_large-sraale_surface_and_sub-surface_characterization_via_remote_sensing
  • архив
  • презентация
  • конференция
  • Джулиакон
• https://www.researchgate.net/publication/220164488_geocomputation_of_mineral_exploration_targets
• https://www.researchgate.net/publication/272494576_geological_knowledge_discovery_and_minerals_targeting_from_regolith_using_a_machine_learning_pessuach
• https://www.researchgate.net/publication/280013864_Geometric_average_of_spatial_evidence_data_layers_A_GIS-based_multi-criteria_decision-making_approach_to_mineral_prospectivity_mapping
• https://www.researchgate.net/publication/355467413_harnessing_the_power_of_artificial_intelligence_and_machine_learning_in_mineral_exploration-opportunities_and_cautyary_notes
• https://www.researchgate.net/publication/335819474_importance_of_spatial_predictor_variable_selection_in_machine_learning_applications_-moving_from_data_reproduction_to_spatial_prediction
• https://www.researchgate.net/publication/337003268_improved_supervised_classification_of_bedrock_in_areas_of_transported_overburder_applying_domain_expertise_at_kerkasha_ertrea - Газли/Худ
• https://www.researchgate.net/publication/36060467_lithosheric_conductors_reveal_source_regions_of_convergent_margin_mineral_systems
• https://api.research-repository.uwa.edu.au/portalfiles/portal/5263287/lysysyn_volodymyr_2015.pdf (диссертация доктора наук).
• https://www.researchgate.net/publication/374972769_knowledge_and_technology_transfer_in_and_beyond_mineral_exploration -> Передача знаний и технологии в и выше.
• https://www.researchgate.net/publication/331946100_machine_learning_for_data-diven_discovery_in_solid_earth_geoscience
• https://theses.hal.science/tel-04107211/document-подходы машинного обучения для подпородственных геологических гетерогенных источников
• https://www.researchgate.net/publication/309715081_magmato-hydrothermal_space_a_new_metric_for_geochemical_characterisation_of_metallic_ore_deposits-магмато-гидратермическое пространство: новая метрическая характеристика.
• https://www.researchgate.net/publication/220164234_mapping_complexity_of_spatial_distribution_of_faults_using_fractal_and_multifractal_models_vectoring_towards_exploration_targets
• https://www.researchgate.net/publication/220163838_objective_selection_of_suitable_unit_cell_size_in_data-driven_modeling_of_mineral_proscepectivity
• https://www.researchgate.net/publication/273500012_prediction-area_p-a_plot_and_c-a_fractal_analysis_to_classify_and_evaluate_evidential_maps_for_mineral_prosectivity_modeling
• https://www.researchgate.net/publication/354925136_soil-sample_geochemistry_normalise_by_class_membership_from_machine-learnt_clusters_of_satellite_and_geophysics_data [gazley/hoods_of_satellite_and_geophysics_data [gazley/hoodters_of_satellite_and_geophysics_data
• https://link.springer.com/article/10.1007/S12665-024-11870-1-> Количественная оценка неопределенности геоссюзных карт, основанных на сенсорном взаимодействии человека
• https://www.researchgate.net/publication/235443294_the_effect_of_map-scale_on_geological_complexity
• https://www.researchgate.net/publication/235443305_the_effect_of_map_scale_on_geological_complexity_for_computer-iomed_exploration_targeting
• https://link.springer.com/article/10.1007/S11053-024-10322-8-> Неопределенность, вызванная рабочими процессами, при картировании минеральных перспективности, управляемой данными

Минеральная перспектива

Австралия

• https://www.mdpi.com/2072-4292/15/16/4074->
• 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_mineral_deposits_and_major_faults
• https://www.researchgate.net/publication/362260616_Assessing_the_impact_of_conceptual_mineral_systems_uncurety_on_prosectivity_predictions
• https://www.researchgate.net/publication/352310314_central_lachlan_mineral_potential_study
• https://meg.resourcesregulator.nsw.gov.au/sites/default/files/2024-05/eith%202024%20muller_exploration_in_the_house_keynote.pdf -> Критические минералы -картирование проспекции с использованием Generative AI
• https://www.tandfonline.com/doi/pdf/10.1080/22020586.2019.12073159?needaccess=true -> Интеграция подхода систем минералов с машинным обучением: тематическое исследование «Современное исследование минералов» в MT Wooder - Northern Gawler Craton, Южная Австралия
• https://www.researchgate.net/publication/365697240_mineral_potential_modelling_of_orogenic_gold_systems_in_the_granites-tanami_orogen_northern_territy_austrems_a_multi-technique_avogen_northern_territory_australia_a_multi-technique_arod_northern_territory_austrem
• https://publications.csiro.au/publications/publication/picsiro:ep2022-0483 -> подписи ключевых минеральных систем в провинции Восточной горы Иса, Квинсленд: новые перспективы из анализа данных
• https://link.springer.com/article/10.1007/s11004-021-09989-z-> стохастическое моделирование минеральных целей исследования
• https://www.researchgate.net/publication/276171631_supervised_neural_network_targeting_and_classification_analysis_of_airborne_em_magnetic_and_gamma-ray_spectrometry_data_forbore_ex_explatore
• 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

Аргентина

• 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

Бразилия

• 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

Fuzzy

• 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

Канада

• 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

Центральная Африка

• 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

Чили

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

Китай

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

Египет

• 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

Англия

• 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

Эритрея

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

Финляндия

• 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

Финляндия

• 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

Гана

• 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

Гренландия

• 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

Индия

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

Индонезия

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

Иран

• 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]

Ирландия

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

Индия

• 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

Корея

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

Норвегия

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

Южная Корея

• 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

Россия

• 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

ЮАР

• 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

Испания

• 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

Судан

• 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]

Швеция

• 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

Танзания

• 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

Уганда

• 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

Великобритания

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

США

• 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 Аризона
• [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

Замбия

• 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

Зимбабве

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

GENERAL PAPERS

Обзоры

• 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

Депозиты

• 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 Литий

Геохимия

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

Апатит

• 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

Геология

Alteration

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

Глубина

• 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

Общий

• 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

Geomorphology

• 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

Mineralogy

• 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

Стратиграфия

• 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

Структура

• 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

Тектоника

• 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

Geophysics

Фундамент

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

Общий

• 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

ЭМ

• 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

ЭРТ

• 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

Gravity

• 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]

Магнетика

• 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

Seismic

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

Surface Resistivity

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

Неопределенность

• 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]

Геотермальный

• 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

Карты

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

Минерал

• 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

НЛП

• 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

Петрография

• 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

Обзор

• 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

Геохимия

• 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

Fuzzy

• 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

Неопределенность

• 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

Австралия

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

Южная Австралия

• 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

НТ

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

Вашингтон

• 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 Скачать)
• 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

Бразилия

• 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

Австралия

• 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

СА

• 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

Вашингтон

• 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

НТ

• 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

Бразилия

• 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=inl ine%3B+filename%3DArtificial_neural_networks_applied_to_mi.pdf&Expires=1593477539&Signature=DNmSxKogrD54dE4LX~8DT4K7vV0ZGcf8Q2RRfXEPsCc8PGiBrbeBpy4NVQdCiENL z-YfSzVGk6LI8k5MEGxR~qwnUn9ISLHDuIau6VqBFSEA29jMixCbvQM6hbkUJKQlli-AuSPUV23TsS k76kB6amDYtwNHmBnUPzTQGZLj2XkzJza9PA-7W2-VrPQKHNPxJp3z8J0mPq4rhmHZLaFMMSL6QMpK 5qpvSqi6Znx-kIhCprlyYfODisq0unOIwnEQstiMf2RnB6gPmGOodhNlLsSr01e7TvtvFDBOQvhhoo eDeQrvkINN4DJjAIIrbrcQ8B2b-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. просп. 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

Австралия

• 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

Южная Австралия

• 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

Квинсленд

• 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

Новый Южный Уэльс

• 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

Тасмания

• 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

Виктория

• 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

Западная Австралия

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

Endowment Modelling

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

World Models

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

Financial Forecasting

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

Agent based Modelling

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

Spectral Unmixing

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

Нейронные сети

• 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

Общий

• 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

Африка

• 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

Бразилия

• 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

Китай

• 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

Гренландия

• 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

Индия

• 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

Иран

• 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

Перу

• 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

Испания

• 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

Другой

• 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

НЛП

• 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

Магистр права

• 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

Глубокое обучение

• 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