mineral exploration machine learning

การสำรวจแร่-เครื่องจักร-การเรียนรู้

หน้านี้แสดงรายการทรัพยากรสำหรับการสำรวจแร่และการเรียนรู้ของเครื่องจักร โดยทั่วไปจะมีโค้ดและตัวอย่างที่มีประโยชน์ ML และ Data Science เป็นสาขาที่ใหญ่มาก นี่เป็นแหล่งข้อมูลที่ฉันพบว่ามีประโยชน์และ/หรือน่าสนใจในทางปฏิบัติ ลิงก์ไปยังทางแยกของพื้นที่เก็บข้อมูลในปัจจุบันเป็นเพราะฉันได้เปลี่ยนแปลงบางอย่างที่จะใช้และใส่ไว้ในรายการเพื่อใช้อ้างอิง นอกจากนี้ ยังมีการจัดสรรทรัพยากรสำหรับการวิเคราะห์ข้อมูล การแปลง และการแสดงภาพ เนื่องจากเป็นงานส่วนใหญ่

ยินดีต้อนรับข้อเสนอแนะ: เปิดการสนทนา ปัญหา หรือดึงคำขอ

สารบัญ

• ความคาดหวัง
• ธรณีวิทยา
• การประมวลผลภาษาธรรมชาติ
• การสำรวจระยะไกล
• คุณภาพของข้อมูล
• ชุมชน
• ผู้ให้บริการระบบคลาวด์
• โดเมน
• ภาพรวม
• บริการบนเว็บ
• พอร์ทัลข้อมูล
• เครื่องมือ
• อภิปรัชญา
• หนังสือ
• ชุดข้อมูล
• เอกสาร
• อื่น
• ความสนใจทั่วไป

แผนที่

• แผนที่ของ Github

กรอบงาน

• กรอบงาน UNCOVER-ML
  • จีโอเวฟเล็ต
  • ML-การประมวลผลล่วงหน้า
  • ขั้นตอนการทำงาน GIS ML
• ชุดเครื่องมือ EIS -> ไลบรารี Python สำหรับการทำแผนที่โอกาสแร่จากโครงการ EIS Horizon EU
• PySpatialML -> ไลบรารีที่อำนวยความสะดวกในการคาดการณ์และการจัดการสำหรับการเรียนรู้ของเครื่องแรสเตอร์โดยอัตโนมัติไปยัง geotiff ฯลฯ
• scikit-แผนที่
• TorchGeo -> ไลบรารี Pytorch สำหรับโมเดลสไตล์การสำรวจระยะไกล
• terratorch -> เฟรมเวิร์กการปรับแต่งที่ยืดหยุ่นสำหรับโมเดลพื้นฐานภูมิสารสนเทศ
• คบเพลิงSpatial
  • กระดาษ
• จีโอเดิล
• Geo Deep Learning -> เฟรมเวิร์กการเรียนรู้เชิงลึกอย่างง่ายที่ใช้ RGB
• AIDE: ปัญญาประดิษฐ์เพื่อการแยกส่วนสุดขั้ว
• ExPloRA -> ExPLoRA: การฝึกอบรมล่วงหน้าแบบขยายที่มีประสิทธิภาพด้วยพารามิเตอร์เพื่อปรับ Vision Transformers ภายใต้การเปลี่ยนแปลงโดเมน
  • เว็บไซต์
  • กระดาษ
• (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)

ร

• CAST -> แอปพลิเคชันคาเร็ตสำหรับโมเดล Spatio-Temporal
• geodl -> การแบ่งส่วนความหมายของข้อมูลเชิงพื้นที่โดยใช้การเรียนรู้เชิงลึกที่ใช้โครงข่ายประสาทเทียมแบบ Convolutional
  • กระดาษ

ไปป์ไลน์

• geotargts -> การขยายเป้าหมายไปยังพื้นดินและดวงดาว

ความคาดหวัง

ออสเตรเลีย

• แผนที่ศักยภาพแร่ทองแดง-ทองของเหล็กออกไซด์
• การเรียนรู้ของเครื่องสำหรับการทำแผนที่ทางธรณีวิทยา : อัลกอริธึมและการประยุกต์ -> วิทยานิพนธ์ระดับปริญญาเอกพร้อมรหัสและข้อมูล
• การทำแผนที่ความคาดหมายของศิลาแลงนิโค
• บทช่วยสอนการเปลี่ยนแปลงปี 2022 -> ตัวอย่างฟอเรสต์แบบสุ่ม
  • วีดีโอ
• ดีบุก-ทังสเตน
  • ร่วมมือกัน
• การสำรวจ Porphyry Copper Spatio-ชั่วคราว
  • กระดาษ
• minpot-toolkit -> ตัวอย่างการวิเคราะห์ขอบเขตของ Hoggard และ Lab ด้วยทองแดงตะกอน
• MPM-WofE -> การทำแผนที่ศักยภาพแร่ - น้ำหนักของหลักฐาน

ความท้าทายของนักสำรวจ

• Explorer Challenge -> OZ Minerals ดำเนินการแข่งขันด้วยการแนะนำ Data Science

รัฐเซาท์ออสเตรเลีย

• Gawler_MPM -> โคบอลต์, โครเมียม, นิกเกิล
  • กระดาษ
• การจัดกลุ่มข้อมูลธรณีฟิสิกส์ใน Gawler Craton
  • [ข้อมูล Zenodo](การตรวจจับโครงสร้าง Craton ที่เกี่ยวข้องกับแร่โดยอัตโนมัติโดยใช้ข้อมูลทางธรณีฟิสิกส์และการเรียนรู้ของเครื่องแบบไม่มีผู้ดูแล)

สำรวจ SA - การแข่งขันด้านพลังงานและเหมืองแร่ของออสเตรเลียใต้

• ผู้ชนะ -> ข้อมูลข้อมูล SARIG
• Caldera -> การวิเคราะห์ Caldera Analytics
• IncertoData
• บัตเตอร์เวิร์ธและบาร์เน็ตต์ -> รายการบัตเตอร์เวิร์ธและบาร์เน็ตต์
• การทำแผนที่แร่ที่ขับเคลื่อนด้วยข้อมูล

ทวีปอเมริกาเหนือ

แคนาดา

• ถ่ายทอดความมุ่งหวัง Learnnig
  • กระดาษ -> การทำแผนที่โอกาสแร่ประเภทพอร์ฟีรีด้วยข้อมูลที่ไม่สมดุลผ่านการเรียนรู้การถ่ายโอนทางธรณีวิทยาก่อนหน้า

อเมริกาใต้

• แมชชีนเลิร์นนิงในการจำแนกประเภทของแร่จากคุณสมบัติของเทคโทโนแมกมาติก

บราซิล

• Mapa Preditivo -> โครงการนักศึกษาบราซิล
• Course_Predictive_Mapping_USP -> โครงการหลักสูตร
• การทำแผนที่ความคาดหมายของแร่
• น้ำหนัก 3 มิติของหลักฐาน
• ความซับซ้อนทางธรณีวิทยา SMOTE -> รวมถึงการวิเคราะห์เศษส่วน
  • กระดาษ
• MPM จูเรนา -> จังหวัดแร่จูเรนา

จีน

• MPM โดยการเรียนรู้ทั้งมวล -> เขตโพลีเมทัลลิก Qingchengzi Pb-Zn-Ag-Au ประเทศจีน
• การทำนายความคาดหมายแร่ Convolutional Neural Networks -> CNN ตัวอย่างพร้อมสถาปัตยกรรมบางส่วน [บทความโดยผู้เขียนคนนี้ใช้ GoogleNet]
• การทำนายปริมาณแร่โดย CSAE
• การทำนายปริมาณแร่โดย CAE
  • กระดาษ

ซูดาน

• ML การทำแผนที่ความคาดหมายของแร่

นอร์เวย์

• วิธีการเรียนรู้ด้วยเครื่องจักรในการทำแผนที่ระดับภูมิภาคของดินกลาซิโอมารีนที่ละเอียดอ่อนซึ่งรวมเอาแม่เหล็กไฟฟ้าในอากาศและข้อมูลธรณีเทคนิค
  • กระดาษ

ธรณีวิทยา

• แผนที่ธรณีวิทยาทำนายของบราซิล -> ทำงานโดยการสำรวจทางธรณีวิทยาของบราซิล
• ความลึกถึงพื้นหิน (การประเมินแนวทางการเรียนรู้ของเครื่องที่เปิดใช้งานเชิงพื้นที่สำหรับการทำแผนที่เชิงลึกถึงพื้นหิน)
  • กระดาษ
• DL-RMD -> ฐานข้อมูลแบบจำลองความต้านทานแม่เหล็กไฟฟ้าที่มีข้อจำกัดทางธรณีฟิสิกส์สำหรับแอปพลิเคชันการเรียนรู้เชิงลึก
• เครื่องลักษณนามภาพทางธรณีวิทยา
• การทำแผนที่ทางธรณีวิทยาในยุคปัญญาประดิษฐ์ -> การทำแผนที่ทางธรณีวิทยาในยุคปัญญาประดิษฐ์
• GeolNR -> การเป็นตัวแทนทางประสาทโดยนัยทางธรณีวิทยาสำหรับแอปพลิเคชันการสร้างแบบจำลองทางธรณีวิทยาโครงสร้างสามมิติ
  • กระดาษ
• mapeamento_litologico_preditivo
• การทำแผนที่สภาวะความดัน-อุณหภูมิของเปลือกโลกลิโทสเฟียร์โดยการวัดความกดอากาศของแมชชีนเลิร์นนิง
  • กระดาษ
• การพิมพ์หินประสาท
• ความไม่แน่นอนทางธรณีวิทยาของ West Musgraves -> การทำนายแผนที่ความไม่แน่นอนพร้อมการวิเคราะห์เอนโทรปี: มีประโยชน์อย่างมาก
• หม้อแปลงลดผลกระทบแบบไม่อยู่กับที่
  • การทำงานร่วมกัน -> สมุดบันทึก
    • กระดาษ
• พื้นหินกับตะกอน
  • กระดาษ
• ตัวเข้ารหัสอัตโนมัติ_remotesensing
  • กระดาษ -> กรอบการสำรวจระยะไกลสำหรับการทำแผนที่ทางธรณีวิทยาผ่านตัวเข้ารหัสอัตโนมัติแบบสแต็กและการจัดกลุ่ม

ข้อมูลการฝึกอบรม

• Into the Noddyverse -> ที่เก็บข้อมูลขนาดใหญ่ของแบบจำลองทางธรณีวิทยา 3 มิติสำหรับการเรียนรู้ของเครื่องและแอปพลิเคชันผกผัน
  • พื้นที่เก็บข้อมูล Zenondo
  • เว็บไซต์

วิทยาหิน

• ลิเธียมการเรียนรู้เชิงลึก
• ตัวทำนายหินโปรโตลิธ
• SA การพยากรณ์ธรณีวิทยาธรณีวิทยา
• ความสัมพันธ์ของบันทึกหลุมอัตโนมัติ
• dawson-facies-2022 -> ถ่ายทอดการเรียนรู้สำหรับภาพทางธรณีวิทยา
  • กระดาษ -> ผลกระทบของขนาดชุดข้อมูลและสถาปัตยกรรมโครงข่ายประสาทเทียมแบบม้วนต่อการเรียนรู้การถ่ายโอนสำหรับการจำแนกหินคาร์บอเนต
• การจำแนกประเภท Litho -> การจำแนกประเภท facies ภูเขาไฟโดยใช้ Random Forest
• แนวทางการเรียนรู้ของเครื่องแบบหลายมุมมองสำหรับการสร้างแบบจำลอง 3 มิติโดยใช้ข้อมูลทางธรณีวิทยาและธรณีฟิสิกส์
  • กระดาษ
• เซดเน็ต
  • กระดาษ

การเจาะ

• การขุดเจาะแบบต่างกัน - รายงานโครงการ Nicta/Data61 สำหรับการดูการสร้างแบบจำลองโดยใช้รูเจาะที่ไม่ไกลพอ
• corel -> โมเดลคอมพิวเตอร์วิทัศน์อัจฉริยะที่ระบุ facies และทำการพิมพ์แบบร็อคบนอิมเมจหลัก

Paleovalleys

• Sub3DNet1.0: โมเดลการเรียนรู้เชิงลึกสำหรับการทำแผนที่โครงสร้างใต้พื้นผิว 3 มิติในระดับภูมิภาค

การแบ่งชั้นหิน

• Predicatops -> การทำนาย Stratigraphic ที่ออกแบบมาสำหรับไฮโดรคาร์บอน
• เรขาคณิตชั้นหิน -> การทำนายเรขาคณิตชั้นหินจากบันทึกของหลุมใต้ผิวดิน

โครงสร้าง

• APGS -> แพ็คเกจธรณีวิทยาโครงสร้าง
• การประเมินแบบจำลองการสร้างเพลตใหม่โดยใช้การทดสอบความสม่ำเสมอของแรงขับเคลื่อนเพลท -> สมุดบันทึกและข้อมูล Jupyter
  • กระดาษ
• แผ่นใส
• [ตำราธรณีวิทยาโครงสร้าง](https://github.com/gcmatos/structural-geology-cookbook]
• GEOMAPLEARN 1.0 -> การตรวจจับโครงสร้างทางธรณีวิทยาจากแผนที่ทางธรณีวิทยาด้วยการเรียนรู้ของเครื่อง
• การเรียนรู้เชิงเส้น -> การทำนายข้อผิดพลาดและการทำแผนที่ผ่านการเรียนรู้เชิงลึกและการจัดกลุ่มภาคสนามที่มีศักยภาพ
• LitMod3D -> การสร้างแบบจำลองเชิงโต้ตอบทางธรณีฟิสิกส์-ปิโตรวิทยาแบบบูรณาการ 3 มิติของเปลือกโลกและชั้นแมนเทิลด้านบน
• คนอื่น

การจำลอง

• GebPy -> การสร้างข้อมูลทางธรณีวิทยาสำหรับหินและแร่ธาตุ
• OpenGeoSys -> การพัฒนาวิธีการเชิงตัวเลขสำหรับการจำลองกระบวนการเทอร์โม-ไฮโดร-เครื่องกล-เคมี (THMC) ในสื่อที่มีรูพรุนและแตกหัก
• Stratigraphics.jl -> การสร้างหินสามมิติจากกระบวนการธรณีสถิติ 2 มิติ

ธรณีพลศาสตร์

• Badlands -> พลวัตของลุ่มน้ำและภูมิทัศน์
• CitcomS -> รหัสไฟไนต์เอลิเมนต์ที่ออกแบบมาเพื่อแก้ปัญหาการพาความร้อนเคมีแบบบีบอัดที่เกี่ยวข้องกับเนื้อโลก
• LaMEM -> จำลองกระบวนการทางภูมิพลศาสตร์เชิงอุณหพลศาสตร์ต่างๆ เช่น ปฏิกิริยาระหว่างเปลือกโลกกับเปลือกโลก
• PTatin3D -> ศึกษากระบวนการในระยะเวลานานที่เกี่ยวข้องกับธรณีพลศาสตร์ [แรงจูงใจดั้งเดิม: ชุดเครื่องมือที่สามารถศึกษาแบบจำลองสามมิติที่มีความละเอียดสูงของการเสียรูปของเปลือกโลก]
• นรก -> การสร้างแบบจำลององค์ประกอบจำกัดของธรณีพลศาสตร์

ธรณีฟิสิกส์

แบบจำลองมูลนิธิ

• การปรับแบบจำลองมูลนิธิข้ามโดเมน: ผู้บุกเบิกแบบจำลองคอมพิวเตอร์วิทัศน์สำหรับการวิเคราะห์ข้อมูลธรณีฟิสิกส์ -> โค้ดบางส่วนที่จะตามมา
  • กระดาษ
• แบบจำลองฐานแผ่นดินไหว -> "โมเดลการเรียนรู้เชิงลึกรุ่นใหม่ในธรณีฟิสิกส์"

ออสเตรเลีย

ความลึกของเรโกลิธ

• ความลึกของ Regolith -> โมเดล
• ทำตาราง Radiometrics Grid ของออสเตรเลียให้สมบูรณ์ด้วย infill แบบจำลอง

การแก้ไข AEM

• การทำแผนที่ค่าการนำไฟฟ้าความละเอียดสูงโดยใช้การสำรวจ AEM ระดับภูมิภาค
  • เชิงนามธรรม

แม่เหล็กไฟฟ้า

• TEM-NLnet: เครือข่าย Denoising ระดับลึกสำหรับสัญญาณแม่เหล็กไฟฟ้าชั่วคราวพร้อมการเรียนรู้สัญญาณรบกวน

การผกผัน

• Machine Learning and Geophysical Inversion -> สร้างบทความใหม่จาก Y. Kim และ N. Nakata (The Leading Edge, Volume 37, Issue 12, Dec 2018)

การสลายตัวของออยเลอร์

• https://legacy.fatiando.org/gallery/gravmag/euler_moving_window.html
  • ในที่สุดก็มีเวอร์ชั่นฮาร์โมนิก้าแล้วเหรอ? 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

แรงโน้มถ่วง

• [การกู้คืนการบรรเทาชั้นใต้ดิน 3 มิติโดยใช้ข้อมูลแรงโน้มถ่วงผ่านโครงข่ายประสาทเทียมแบบ Convolutional]
  • ข้อมูล
  • กระดาษ
• ความต่อเนื่องลงอย่างต่อเนื่องของสนามศักย์โน้มถ่วงที่นำมาใช้โดยใช้การเรียนรู้เชิงลึก
  • กระดาษ
• การสร้างภาพอย่างรวดเร็วสำหรับโครงสร้างความหนาแน่น 3 มิติด้วยวิธีการเรียนรู้ของเครื่อง
  • กระดาษ

แม่เหล็ก

• แผนที่ทางอากาศที่มีความละเอียดสูงผ่าน Adapted-SRGAN
  • กระดาษ
• MagImage2Geo3D
  • กระดาษ

แผ่นดินไหว

• StorSeismic -> วิธีการฝึกโครงข่ายประสาทเทียมล่วงหน้าเพื่อจัดเก็บฟีเจอร์ข้อมูลแผ่นดินไหว
• PINNtomo -> การตรวจเอกซเรย์แผ่นดินไหวโดยใช้โครงข่ายประสาทเทียมที่ได้รับข้อมูลจากฟิสิกส์
  • กระดาษ

แผ่นดินไหววิทยา

• obspy -> กรอบงานสำหรับการประมวลผลแผ่นดินไหว

ปิโตรฟิสิกส์

• ML4Rocks -> งานแนะนำบางส่วน

เปลือกโลก

• แยกแยะการหลุดออกของแผ่นมุดตัวในโซนมุดตัวโบราณโดยใช้การเรียนรู้ของเครื่อง -> โน้ตบุ๊ก
  • ฟิกแชร์
• สมุดบันทึก Colab -> ไฟล์อินพุต Google Colab สำหรับผลลัพธ์เกณฑ์มาตรฐานของสิ่งพิมพ์ ML-SEISMIC
  • กระดาษ
• ปลดปล่อยพลังของ Machine Learning ใน Geodynamics
  • วิทยานิพนธ์เกียรตินิยมที่เกี่ยวข้อง
• โครงข่ายประสาทเทียมที่ได้รับข้อมูลจากฟิสิกส์สำหรับการจำลองการเลื่อนข้อผิดพลาดด้วยอัตราและกฎแรงเสียดทานของสถานะ
  • การจำลองและการประมาณค่าพารามิเตอร์เสียดทานในเหตุการณ์สลิปช้า
  • กระดาษ -> การเรียนรู้เชิงลึกโดยอาศัยข้อมูลทางฟิสิกส์สำหรับการประมาณการกระจายเชิงพื้นที่ของพารามิเตอร์แรงเสียดทานในพื้นที่การเลื่อนช้า

ธรณีเคมี

• CODAinPractice -> การวิเคราะห์ข้อมูลเชิงองค์ประกอบในทางปฏิบัติ
• จีโอโคดา
• DAN-GRF -> เครือข่ายตัวเข้ารหัสอัตโนมัติระดับลึกที่เชื่อมต่อกับฟอเรสต์สุ่มทางภูมิศาสตร์เพื่อการตรวจจับความผิดปกติทางธรณีเคมีที่รับรู้เชิงพื้นที่
  • กระดาษ
• Dash Geochemical Prospection -> เว็บแอปจำแนกตะกอนสตรีมด้วย K-mean
• การเพิ่มประสิทธิภาพเทอร์โมบารอมิเตอร์ของแมชชีนเลิร์นนิงสำหรับแมกมาที่มีคลิโนไพร็อกซีน
  • กระดาษ -> Enhancing-ML-Thermobarometry-for-Clinopyroxene-Bearing-Magmas
• แบบจำลองการเจริญพันธุ์ของเพทาย -> แผนผังการตัดสินใจเพื่อทำนายเพทายที่อุดมสมบูรณ์จากการสะสมของทองแดงพอร์ฟีรี
  • กระดาษ
• เครื่องมือการเรียนรู้ของเครื่องเพทายองค์ประกอบการติดตามเพื่อทำนายประเภทเงินฝาก Porphyry และขนาดทรัพยากร
  • ไฟล์เก็บถาวร zenodo
  • กระดาษ
• geoge_class0 -> แนวทางการเรียนรู้ของเครื่องเพื่อแยกแยะหินอัคนีและแหล่งสะสมแร่โดยธาตุเพทาย
  • กระดาษ
  • แอปพลิเคชันสาธิต
  • https://colab.research.google.com/drive/1-bOZgG6Nxt2Rp1ueO1SYmzIqCRiyyYcT
• จีโอเคมพริ้นท์
  • กระดาษ
• ธรณีเคมีโลก
• ICBMS Jacobina -> การวิเคราะห์เคมีไพไรต์จากแหล่งสะสมทองคำ
• การตีความเคมีธาตุติดตามของเพทายจากบอร์และคูคารู เปกิ: วิธีการทั่วไปและการจำแนกประเภทป่าไม้แบบสุ่ม
• indicator_minerals -> PCA สามารถบอกเล่าเรื่องราวต้นกำเนิดของทัวร์มาลีนได้หรือไม่?
• วารสารการสำรวจธรณีเคมี - มากมาย
• LewisML -> การวิเคราะห์การก่อตัวของลูอิส
• MICA -> องค์ประกอบทางเคมี เป็นแบบเงา
• การวิเคราะห์ทางสถิติหลายตัวแปรและการสร้างแบบจำลองเครือข่ายส่วนเบี่ยงเบนตามความต้องการสำหรับการตรวจจับความผิดปกติทางธรณีเคมีของธาตุหายาก
  • กระดาษ
• การทำแผนที่ความคาดหมายของธาตุหายากผ่านการวิเคราะห์ข้อมูลธรณีเคมี -> การทำแผนที่ความคาดหมายของธาตุหายากผ่านการวิเคราะห์ข้อมูลธรณีเคมี
• QMineral Modeller -> ผู้ช่วยเสมือนเคมีแร่จากการสำรวจทางธรณีวิทยาของบราซิล
• การเปลี่ยนแปลงทางโลกในการเกิดขึ้นของการมุดตัวระหว่างการเก็บถาวรรหัส Archean -> Zenodo
  • [กระดาษ] https://www.researchgate.net/publication/380289934_Secular_Changes_in_the_Occurrence_of_Subduction_During_the_Archeanแนวทางการเรียนรู้ของเครื่องเพื่อแยกแยะหินอัคนีและแหล่งสะสมแร่โดยธาตุเพทาย

กริงกิ้ง

• DKNN: โครงข่ายประสาทเทียมแบบ deep kriging สำหรับการแก้ไขเชิงพื้นที่เชิงพื้นที่ที่ตีความได้
  • กระดาษ

การประมวลผลภาษาธรรมชาติ

• การแยกข้อความ -> การแยกข้อความจากเอกสาร : ML แบบชำระเงินเป็นบริการ แต่ทำงานได้ดีมาก สามารถแยกตารางได้อย่างมีประสิทธิภาพ
  • ขนาดใหญ่ -> รุ่นขนาดใหญ่
• การติดแท็กแนวคิดของ NASA -> การทำนายคำสำคัญ
  • API -> บริการเว็บ API
  • การนำเสนอ
• ตัวแยกข้อมูลรายงาน Petrography
• การสร้างแบบจำลองหัวข้อการสำรวจ SA -> การสร้างแบบจำลองหัวข้อจากรายงานการสำรวจ
• Stratigraph
• จีโอคอร์ปัส
• โปรตุเกส BERT
• เบิร์ต ซีดับบลิวเอส
  • กระดาษ
• การสกัดผลลัพธ์การขุดเจาะของบริษัทขุดอัตโนมัติ
  • เอกสารการประชุม

การฝังคำ

• แบบจำลองภาษาธรณีศาสตร์ -> ไปป์ไลน์โค้ดการประมวลผลและแบบจำลอง [Glove, BERT) ที่ได้รับการฝึกอบรมใหม่ในเอกสารธรณีศาสตร์จากแคนาดา
  • ชุดข้อมูล -> ข้อมูลเพื่อรองรับโมเดล
  • กระดาษ -> แบบจำลองภาษาธรณีศาสตร์และการประเมินที่แท้จริง
  • กระดาษ -> การประยุกต์การประมวลผลภาษาธรรมชาติกับข้อมูลข้อความทางธรณีวิทยาและการสร้างแบบจำลองความคาดหมาย
• GeoVec -> โมเดลการฝัง Word ที่ได้รับการฝึกอบรมบนเอกสารธรณีศาสตร์ 300K
  • รุ่น GeoVec -> พื้นที่เก็บข้อมูล OSF สำหรับรุ่น GeoVec
  • กระดาษ
  • GeoVecto Litho -> การแก้ไขโมเดล 3 มิติจากการฝังคำ
  • GeoVEC Playground -> การทำงานกับโมเดลการฝังคำถุงมือ Padarian GeoVec
• GloVe -> ไลบรารี Standford สำหรับสร้างการฝังคำ
  • ถุงมือหลาม gloVE, ถุงมือหลามมีปัญหาอย่างมากบน windows: ที่นี่ เวอร์ชันไบนารีสำหรับการติดตั้ง Windows:
• Mittens -> ในการนำถุงมือ vectorized ไปใช้หน่วยความจำ
• PetroVec -> การฝังคำภาษาโปรตุเกสสำหรับอุตสาหกรรมน้ำมันและก๊าซ: การพัฒนาและการประเมินผล
• wordembeddingsOG -> การฝังคำน้ำมันและก๊าซของโปรตุเกส
• การฝังคำภาษาโปรตุเกส
  • โมเดลโปรตุเกส
• การฝังคำภาษาสเปน
• การจัดตำแหน่งหลายภาษา
  • ภาพรวมของแนวทาง

การรับรู้เอนทิตีที่มีชื่อ

• โมเดล Geo NER -> การรับรู้เอนทิตีที่มีชื่อ
• GeoBERT - กอดใบหน้า repo สำหรับโมเดลใน
  • [กระดาษ]https://www.researchgate.net/publication/359186219_Few-shot_learning_for_name_entity_recognition_in_geological_text_based_on_GeoBERT
• INDUS -> ชุด LLM ที่ปรับแต่งโดยวิทยาศาสตร์ของ NASA
  • กระดาษ
• วิธีค้นหาคำศัพท์ทางธรณีวิทยาที่สำคัญในข้อความโดยไม่ต้องเชี่ยวชาญ NLP โดยใช้ Amazon Comprehend
• OzRock - OzRock: ชุดข้อมูลที่มีป้ายกำกับสำหรับการรับรู้เอนทิตีในโดเมนทางธรณีวิทยา (การสำรวจแร่)

ภววิทยา

• GAKG -> กราฟความรู้ทางวิชาการธรณีศาสตร์ต่อเนื่องหลายรูปแบบ (ภาษาจีน)
• GeoERE-Net -> ทำความเข้าใจรายงานทางธรณีวิทยาตามกราฟความรู้โดยใช้แนวทางการเรียนรู้เชิงลึก
  • กระดาษ
• จีโอฟอลต์ ออนโทโลจี
• geosim -> การจำลองเชิงคุณภาพที่กระตุ้นเชิงความหมายของกระบวนการทางธรณีวิทยา
  • [https://www.duo.uio.no/handle/10852/111467](Knowledge Modeling for Digital Geology) -> วิทยานิพนธ์ระดับปริญญาเอกพร้อมรายงาน 2 ชิ้น
  • SIRIUS GeoAnnotator -> ตัวอย่างเว็บไซต์จากด้านบน
• อภิปรัชญา CWS
• กราฟความรู้เชิงชั้นหิน (Stratigraphic Knowledge Graph)
  • กระดาษ

โมเดลภาษาขนาดใหญ่

• แบบจำลองภาษาขนาดใหญ่สำหรับธรณีศาสตร์
  • เอกสารการเรียนรู้แบบจำลองภาษาพื้นฐานสำหรับความเข้าใจความรู้ธรณีศาสตร์และการใช้ประโยชน์
• GeoGalactica -> แบบจำลองภาษาพื้นฐานที่ใหญ่ขึ้นในธรณีศาสตร์
  • รายงานทางเทคนิค
• GeoChat -> โมเดลภาษาการมองเห็นขนาดใหญ่ที่ต่อสายดินสำหรับการสำรวจระยะไกล
• LAGDAL -> LLM จับคู่ข้อมูลแผนที่ทางธรณีวิทยากับการทดสอบตำแหน่ง

แชทบอท

• GeoGPT -> กลุ่มวิจัย Deep Time Digital Earth จากโครงการจีน

การสำรวจระยะไกล

• CNN Sentinel -> ภาพรวมเกี่ยวกับการจำแนกประเภทการใช้ที่ดินจากข้อมูลดาวเทียมที่มี CNN ตามชุดข้อมูลแบบเปิด
• สมุดบันทึก DEA -> ตัวอย่างแมชชีนเลิร์นนิงที่ปรับขนาดได้ แต่มีประโยชน์มากมายที่นี่
• สมุดบันทึกตำราอาหาร EASI -> การแนะนำแพลตฟอร์ม CSIRO Earth Analytics สำหรับการวิเคราะห์รูปแบบ ODC
• DS_UNet -> Unet หลอมรวมเรดาร์รูรับแสงสังเคราะห์ Sentinel-1 (SAR) และ Sentinel-2 Multispectral Imager
• Multi Pretext Masked Autoencoder (MP-MAE)
• ข้อมูล
• ส่วนเชิงพื้นที่ -> แบ่งส่วนใด ๆ สำหรับการใช้งานเชิงพื้นที่
• SamGIS -> แบ่งส่วน อะไรก็ตามที่นำไปใช้กับ GIS
• SatMAE++ -> ทบทวนการฝึกอบรมล่วงหน้าของ Transformers สำหรับภาพถ่ายดาวเทียมแบบหลายสเปกตรัม
• grid-mae -> ตรวจสอบโดยใช้กริดหลายสเกลใน Vision Transformer Masked Autoencoder
• สเกลแม่
  • กระดาษ
• CIMAE -> CIMAE - ตัวเข้ารหัสอัตโนมัติแบบสวมหน้ากากอิสระของช่อง
• fork -> เพื่อให้เป็นชื่อสำหรับการอ้างอิง
• [Self-Supervised Representation Learning for Remote Sensing] -> วิทยานิพนธ์ระดับปริญญาโทประกอบด้วยข้อมูลข้างต้นและการเปรียบเทียบโมเดลต่างๆ
• ยูบาร์น
  • กระดาษ
• ตาข่ายดิน
• GeoTorchAI -> GeoTorchAI: กรอบการเรียนรู้เชิงลึก Spatiotemporal
• [pytorcheo](https://github.com/earthpulse/pytorchEO -> แอปพลิเคชันและการวิจัยการเรียนรู้เชิงลึกสำหรับการสังเกตการณ์โลก
• AiTLAS -> ชุดมาตรฐานโอเพ่นซอร์สสำหรับการประเมินแนวทางการเรียนรู้เชิงลึกที่ล้ำสมัยสำหรับการจำแนกภาพในการสังเกตการณ์โลก
• การแบ่งส่วนยิม -> ยิมได้รับการออกแบบให้เป็น "ร้านค้าครบวงจร" สำหรับการแบ่งส่วนรูปภาพใน "ND" - แถบที่บังเอิญจำนวนเท่าใดก็ได้ในภาพแบบหลายสเปกตรัม
• deep_learning_alteration_zones
• คอลเลกชันอัตราส่วนวงดนตรีการขุดที่ยอดเยี่ยม -> การรวบรวมอัตราส่วนวงดนตรีอย่างง่ายที่ใช้เพื่อเน้นแร่ธาตุต่างๆ
• โมเดลรากฐานการสำรวจระยะไกลที่ยอดเยี่ยม
• ดิน -> โมเดล AI โอเพ่นซอร์สและอินเทอร์เฟซสำหรับ Earth
• IBM-NASA-GEOSPATIAL Prithvi
• การแบ่งส่วนรูปภาพตามการปรับแต่งโมเดลพื้นฐาน -> สำหรับ Prithvi
• AM-RADIO: แบบจำลองมูลนิธิวิสัยทัศน์แบบรวมกลุ่ม
  • กระดาษ -> - ลดโดเมนทั้งหมดเป็นหนึ่งเดียว
• RemoteCLIP -> รูปแบบพื้นฐานภาษาวิสัยทัศน์สำหรับการสำรวจระยะไกล
• SpectralGPT
• zenodo) -> โมเดลพื้นฐานการสำรวจระยะไกลที่ปรับแต่งสำหรับข้อมูลสเปกตรัม
  • กระดาษ -> มองไม่เห็น

กำลังประมวลผล

• การแปลง ASTER -> การแปลงจาก ASTER hd5 เป็น geotiff NASA github
• ทรัพยากรข้อมูล HLS -> การโต้เถียงกันของ Landsat Sentinel ที่ประสานกัน
• sarsen -> การประมวลผลและแก้ไขภาพ SAR ที่ใช้ xarray
• openEO -> openEO พัฒนา API แบบเปิดเพื่อเชื่อมต่อ R, Python, JavaScript และไคลเอนต์อื่น ๆ กับแบ็คเอนด์คลาวด์ EO

การแยกสเปกตรัม

• แบบธรรมดาสู่หม้อแปลงสำหรับไฮเปอร์สเปกตรัม-การจำแนกภาพ-แบบสำรวจ-2024
  • กระดาษ
• รีวิวการเรียนรู้เชิงลึก Hyperspectral
• ตัวเข้ารหัสอัตโนมัติ Hyperspectral
• ดีพเลิร์น HSI
• การจำแนกประเภทไฮเปอร์สเปกตรัม 3DCAE
• ดีเอชไอซี
• Rev-Net
  • กระดาษ -> เครือข่ายกำเนิดแบบพลิกกลับได้สำหรับการรวม Hyperspectral ด้วยความแปรปรวนทางสเปกตรัม
• Pysptools -> ยังมีอัลกอริธึมการเรียนรู้ที่เป็นประโยชน์อีกด้วย
• สเปกตรัมหลาม
• ชุดข้อมูลสเปกตรัม RockSL -> ชุดข้อมูลสเปกตรัมแบบเปิด
• กำลังยกเลิกการผสม

ไฮเปอร์สเปกตรัม

• CasFormer: หม้อแปลงแบบเรียงซ้อนสำหรับการถ่ายภาพไฮเปอร์สเปกตรัมเชิงคำนวณที่รับรู้ฟิวชั่น
• การทำให้เป็นมาตรฐานสเปกตรัมสำหรับ Keras
  • กระดาษ
• S^2HM^2 -> S2HM2: กรอบงานการสร้างแบบจำลองมาสก์ลำดับชั้นสเปกตรัมเชิงพื้นที่สำหรับการเรียนรู้คุณสมบัติแบบควบคุมตนเองและการจำแนกประเภทของภาพไฮเปอร์สเปกตรัมขนาดใหญ่
  • กระดาษ

การแสดงภาพ

• การแยก Colormap แบบลึกจากการแสดงภาพ
  • กระดาษ
• การแบ่งส่วนความหมายสำหรับการแยกการรบกวนการขุดพื้นผิวในอดีตจากแผนที่ภูมิประเทศ -> ตัวอย่างสำหรับเหมืองถ่านหิน
  • กระดาษ
• รหัสสี Chronostratigraphic สากล -> รหัส RGB และอื่น ๆ ในสเปรดชีตและรูปแบบอื่น ๆ
• LithClass -> รหัสสีการพิมพ์หินเวอร์ชัน USGS
• รุ่นสี
• SeisWiz -> โปรแกรมดูหลาม SEG-Y น้ำหนักเบา

พื้นผิว

• การจำแนกพื้นผิวแร่โดยใช้โครงข่ายประสาทเทียมแบบลึก: การประยุกต์ใช้กับเพทายจากการสะสมของทองแดงพอร์ฟีรี
  • กระดาษ

การจำลอง

• นักสำรวจอัจฉริยะ -> การวางแผนการรับข้อมูลตามลำดับ
• เซโนโด
  • กระดาษ

เรขาคณิต

• มุมลึก -> การคำนวณมุมสัมผัสอย่างรวดเร็วในภาพเอกซเรย์โดยใช้การเรียนรู้เชิงลึก

อื่น

• การวิเคราะห์เครือข่ายของระบบแร่วิทยา
  • ข้อมูล -> ข้อมูลจากกระดาษที่นี่
• การวิเคราะห์เชิงภูมิศาสตร์และการเรียนรู้ของเครื่อง
• การเรียนรู้ของเครื่องใต้ผิวดิน
• ม.ล. ธรณีศาสตร์
• เป็นนักสืบธรณีศาสตร์
• Earth ML -> บทช่วยสอนพื้นฐานบางอย่างในแนวทาง PyData
• GeoMLA -> อัลกอริธึมการเรียนรู้ของเครื่องสำหรับข้อมูลเชิงพื้นที่และเชิงพื้นที่

แพลตฟอร์ม

คำแนะนำ

• Geospatial CLI - รายการเครื่องมือบรรทัดคำสั่งเชิงพื้นที่
• การเรียนรู้เชิงลึกของภาพดาวเทียม
• การสังเกตการณ์โลก
• ปัญญาประดิษฐ์โลก
• Open Source GIS -> ภาพรวมที่ครอบคลุมของระบบนิเวศ

คุณภาพของข้อมูล

• คุณภาพข้อมูลธรณีศาสตร์สำหรับการเรียนรู้ของเครื่อง -> คุณภาพข้อมูลธรณีศาสตร์สำหรับการเรียนรู้ของเครื่อง
• ข้อมูลแรงโน้มถ่วงของออสเตรเลีย -> ภาพรวมและการวิเคราะห์ข้อมูลสถานีแรงโน้มถ่วง
• Geodiff -> การเปรียบเทียบข้อมูลเวกเตอร์
• Redflag -> การวิเคราะห์ข้อมูลและภาพรวมเพื่อตรวจจับปัญหา

การเรียนรู้ของเครื่อง

• Dask-ml -> อัลกอริธึม ML ทั่วไปบางเวอร์ชันที่เผยแพร่
  • กระดาษ
• geospatial-rf -> ฟังก์ชั่นและ wrappers เพื่อช่วยในการใช้งานฟอเรสต์แบบสุ่มในบริบทเชิงพื้นที่
• Geospatial-ml -> ติดตั้งแพ็คเกจทั่วไปหลายรายการพร้อมกัน

พื้นที่แฝง

• ฟิวชั่นที่ซ้อนกัน
  • กระดาษ -> ฟิวชั่นแบบซ้อน: การลดขนาดและการวิเคราะห์โครงสร้างแฝงของข้อมูลที่ซ้อนกันหลายระดับสำหรับข้อมูล M2020 PIXL RGBU และ XRF

เมตริก

• คะแนน -> การตรวจสอบและประเมินแบบจำลองและการทำนายด้วย xarray

ความน่าจะเป็น

• NG Boost -> การถดถอยความน่าจะเป็น
• ML ความน่าจะเป็น
• การบรรจุถุง PU ด้วย BO -> การบรรจุถุงที่ไม่มีป้ายกำกับเชิงบวกพร้อมการปรับให้เหมาะสมแบบเบย์

การจัดกลุ่ม

การจัดระเบียบแผนที่ด้วยตนเอง

• GisSOM -> แผนที่การจัดระเบียบตนเองที่เน้นเชิงพื้นที่เป็นศูนย์กลางจากการสำรวจทางธรณีวิทยาของฟินแลนด์
• SimpSOM -> แผนที่การจัดระเบียบด้วยตนเอง

อื่น

• hdbscan
• กมิดอยด์
  • กมิดอยด์
• ปิกัสโซ

เบย์เซียน

• Bayseg -> การแบ่งส่วนเชิงพื้นที่

อธิบายได้

• InterpretML -> การตีความโมเดลของข้อมูลแบบตาราง
• InterpretML -> การเพิ่มชุมชน

การเรียนรู้เชิงลึก

• Deep Colormap Extraction -> กำลังพยายามแยกสเกลข้อมูลจากรูปภาพ
• แยกและจำแนกภาพจากเอกสารธรณีศาสตร์

ข้อมูล

• Xbatcher -> การอ่านข้อมูลตาม Xarray เพื่อการเรียนรู้เชิงลึก
  • ตัวโหลดข้อมูลบนระบบคลาวด์สำหรับการเรียนรู้ของเครื่องโดยใช้ Zarr และ Xarray
• zen3geo -> วิทยาศาสตร์ข้อมูลสไตล์ Xbatcher พร้อม pytorch

อธิบายได้

• ค่ารูปร่าง
• Weight Watcher -> วิเคราะห์ว่าเครือข่ายได้รับการฝึกฝนมาดีแค่ไหน
• Weightwatcher.ai
• Weightwatcher-ai.com -> เวอร์ชันเว็บสำหรับมืออาชีพ

การเรียนรู้ด้วยตนเอง

• ควบคุมตนเอง -> การใช้งาน Pytorch lightning ของอัลกอริธึมหลายตัว
• Simclr
• การเรียนรู้ด้วยตนเองที่ยอดเยี่ยม -> รายการที่ได้รับการดูแลจัดการ

ไฮเปอร์พารามิเตอร์

• ไฮเปอร์ออปต์
• TPOT ML อัตโนมัติ

สภาพแวดล้อมการเข้ารหัส

• ปปส แซนด์บ็อกซ์
• ลูกบาศก์ในกล่อง

ชุมชน

• Software Underground - ชุมชนของผู้ที่สนใจสำรวจจุดตัดของชั้นใต้ดินและโค้ด
  • การสมัครแชท - การสมัครแชทชุมชน SWUNG
  • สิ่งที่สำคัญที่สุด - บริการแชทชุมชน
    • Old Slack Channel (เลิกใช้แล้ว ดูที่สำคัญที่สุดด้านบน)
  • ธรณีศาสตร์โอเพ่นซอร์ส Tie-In
  • วิดีโอ
    • เปลี่ยนแปลงปี 2022
  • ธรณีศาสตร์แบบเปิดที่ยอดเยี่ยม[หมายเหตุเกี่ยวกับความเอนเอียงของน้ำมันและก๊าซ]
  • แปลงตัวอย่างการแฮ็กปี 2021
  • บทช่วยสอน Segysak 2021
  • สมุดบันทึกแผ่นดินไหว T21
  • แผ่นดินไหวในทางปฏิบัติด้วย Python
  • แปลงโฉม Simpeg ปี 2021
• ปังเจียว
  • ฟอรั่ม
  • แนวทางปฏิบัติที่ดีที่สุดของ COG
• ดิจิตอลเอิร์ธออสเตรเลีย
  • ช่องสแลค
• มูลนิธิภูมิสารสนเทศโอเพ่นซอร์ส
• OSGeoLive -> DVD/USB ที่สามารถบูตได้พร้อมซอฟต์แวร์ภูมิสารสนเทศโอเพ่นซอร์สมากมาย
• ASEG -> วิดีโอจากสมาคมนักธรณีวิทยาแห่งการสำรวจแห่งออสเตรเลีย
• AI สำหรับการสร้างแบบจำลองทางธรณีวิทยาและการทำแผนที่ -> วิดีโอจากวันการประชุม
• การประชุม

ผู้ให้บริการคลาวด์

AWS

• ec2 Spot Labs -> ทำให้อินสแตนซ์ Spot ที่ทำงานโดยอัตโนมัติง่ายขึ้น
• Sagemaker ภูมิสารสนเทศ ML
• Sagemaker -> บริการจัดการ ML
  • SDK
  • ยูทิลิตี้จุดเข้าใช้งาน
  • เวิร์คช็อป 101
  • ชุดเครื่องมือการฝึกอบรม

แบทช์

• Shepard -> การตั้งค่าการสร้างระบบคลาวด์อัตโนมัติของ AWS Batch Pipelines: เยี่ยมมาก

แพ็คเกจ

• Mlmax - เริ่มไลบรารีอย่างรวดเร็ว
• เรื่องเล็ก
• พิทิล

ทั่วไป

• คอนเทนเนอร์การเรียนรู้เชิงลึก
• Loguru -> ไลบรารีการบันทึก
• AWS GDAL Robot -> Lambda และการประมวลผล geotiff แบบแบตช์
• การประมวลผลแผ่นดินไหวแบบไร้เซิร์ฟเวอร์
• LIthops -> เฟรมเวิร์กการประมวลผลแบบกระจายหลายคลาวด์

ภาพรวม

• การสำรวจแร่

โดเมน

• ธรณีวิทยา
  • ยุคทางธรณีวิทยา
  • วิทยาหิน
  • การแบ่งชั้นหิน
• ธรณีเคมี
• ธรณีฟิสิกส์
• การสำรวจระยะไกล

บริการบนเว็บ

หากแสดงไว้ จะถือว่าเป็นข้อมูลทั่วไป หากเป็นเพียงรูปภาพเช่น WMS ก็จะถือว่าเป็นเช่นนั้น

โลก

• แร่ธาตุและแหล่งสะสมที่สำคัญ

ออสเตรเลีย

• ออสจิน
• ธรณีศาสตร์ออสเตรเลีย
• ศักยภาพของแร่ -> WMS
• บริการแคตตาล็อกธรณีศาสตร์ออสเตรเลีย

ธรณีวิทยา

• AUSLAMP -> เทนแนนต์ครีก - มทิซา
• ธรณีวิทยาภาคสนาม
• ลิโทสเฟียร์ชั้นลึก -> ศักยภาพของแร่ลิโทสเฟียร์ระดับลึก
• ธรณีวิทยา -> ธรณีวิทยา
• จังหวัดทางธรณีวิทยา
• WMS -> รูปภาพ WMS
• ไข่ -> การประมาณค่าพื้นผิวทางธรณีวิทยาและธรณีฟิสิกส์
• หินอัลคาไลน์โปรเทโรโซอิก - ชุดข้อมูลหินอัลคาไลน์โปรเทโรโซอิก WFS {also has WMS}
• ซีโนโซอิก
• มีโซโซอิก
• ยุคพาลีโอโซอิก
• อาร์เชียน
• Stratigraphy -> หน่วย Stratigraphic

ธรณีฟิสิกส์

• การสำรวจธรณีฟิสิกส์
• การสำรวจแผ่นดินไหว -> การสำรวจแผ่นดินไหวบนบก
• Magnetotelluric -> สถานี AUSLAMP ของออสเตรเลียตอนเหนือ

อื่น

• Ni-Cu-PEGE -> การบุกรุกโฮสต์เงินฝาก PGE ทองแดงนิกเกิล
• พื้นที่ EFTF -> การสำรวจพื้นที่ในอนาคต
• อุณหภูมิ -> อุณหภูมิที่ตีความ
• ปปส -> โลกดิจิทัลออสเตรเลีย
• ที่ดินปกคลุม
• แหล่งน้ำ
• BOM -> สำนักอุตุนิยมวิทยา อุทกธรณีเคมี

นิวเซาธ์เวลส์

• นิวเซาธ์เวลส์
• สุขภัณฑ์
• หลุมเจาะแร่ WFS
• หลุมเจาะปิโตรเลียม WFS
• หลุมเจาะถ่านหิน WFS
• แผ่นดินไหว -> แผ่นดินไหวและอื่น ๆ

ควีนส์แลนด์

• ควีนส์แลนด์
• ธรณีวิทยา -> ธรณีฟิสิกส์และดัชนีรายงาน
• ธรณีวิทยา
• ภูมิภาค
• สถานะ
• ตึกแถว
• ถนน
• สายน้ำ

รัฐเซาท์ออสเตรเลีย

• ซาริก
• รูเจาะ
• ธรณีวิทยา
• ธรณีฟิสิกส์
• ความคาดหวัง
• แร่ธาตุและเหมืองแร่
• การสำรวจระยะไกล
• แผ่นดินไหว
• ตึกแถว

นอร์เทิร์นเทร์ริทอรี

• NTGS -> การสำรวจทางธรณีวิทยาภาคเหนือ

แทสเมเนีย

• แทสเมเนีย WFS
• ส่วนที่เหลือแทสเมเนีย
• หลุมเจาะ

วิกตอเรีย

• วิกตอเรีย Geonetwork

รัฐเวสเทิร์นออสเตรเลีย

• รัฐเวสเทิร์นออสเตรเลีย
• พักผ่อน

นิวซีแลนด์

• GNS -> รายการบริการเว็บ

อเมริกาใต้

บราซิล

• พอร์ทัลภูมิศาสตร์บราซิล
• ซีพีอาร์เอ็ม บราซิล

เปรู

• อินเจนท์
• การเกิดขึ้นของแร่
• ด้านสิ่งแวดล้อม

เม็กซิโก

• GeoInfo -> บริการส่วนที่เหลือ

อาร์เจนตินา

• ซิแกม

โคลอมเบีย

• พักผ่อน
• เงินฝาก 2561

อุรุกวัย

• พักผ่อน

อื่น

• SIG Andes -> ธรณีวิทยาของ Andes

ยุโรป

EGDI -> แร่ธาตุ EGDI

สวีเดน

• SGU แม่เหล็ก WMS
• SGU ยูเรเนียม
• ข้อมูลเมตาธรณีฟิสิกส์

ฟินแลนด์

• GTK -> การสำรวจทางธรณีวิทยาของฟินแลนด์
  • ฟินแลนด์
    • ธรณีวิทยาข้อเท็จจริง
    • ธรณีฟิสิกส์
    • การสำรวจภาคพื้นดิน
• แร่ธาตุอาร์กติก -> การเกิดขึ้นของแร่ Arctic 1M

เดนมาร์ก

• deus -> กรีนแลนด์ WMS/WFS

โปรตุเกส

• ธรณีวิทยาโปรตุเกส
• การเกิดขึ้นของแร่ -> WMS
• เมืองและเมือง

สเปน

• สเปน
• ธรณีวิทยา -> 200K
• 1M -> 1M
• 50,000 -> 50,000
• ไอจีมี จีโอด
• ธรณีฟิสิกส์
• ทองแดง - ทองแดง
• GeoFPI -> โซนธรณีวิทยาและแร่ธาตุโปรตุเกสใต้
• น้ำ

ยูเครน

• ภูมิสารสนเทศ -> [ถูกระงับอยู่ในขณะนี้]

ไอร์แลนด์

• พักผ่อน
• สถานที่ตั้งแร่

สหราชอาณาจักร

• BGS -> การสำรวจทางธรณีวิทยาของอังกฤษ
• Geoindex -> ตัวอย่างการเกิดแร่
• พักผ่อน -> บริการ BGS Rest & Inspire 625

เยอรมนี

• บีอาร์จี

สาธารณรัฐเช็ก

• พักผ่อน

สโลวาเกีย

• พักผ่อน

ฮังการี

• MBFZ OGC
• MBFZ ส่วนที่เหลือ

โรมาเนีย

• IGR -> WMS เท่านั้น
• IGR minres -> WMS เท่านั้น

โปแลนด์

• ตัวอย่างที่เหลือ -> เซิร์ฟเวอร์แผนที่อีกมากมาย

ทวีปอเมริกาเหนือ

แคนาดา

• ควิเบก
• นวท
• พักผ่อน
• อ้างอิง

สหรัฐอเมริกา

• ยูเอสจีเอส เวิลด์ มิเนอรัล
• ยูเอสจีเอส MRDS
• มินนิโซตา

เอเชีย

• จีน -> wap เงินฝากแร่ WMS
• โอเรฟิลด์ -> คะแนนการเกิดแร่
• แร่อินเดีย -> WMS
• ธรณีฟิสิกส์อินเดีย

แอฟริกา

• พอร์ทัลภูมิศาสตร์แอฟริกา -> บริการส่วนที่เหลือ
• แอฟริกา 10M -> แอฟริกา 10M แร่ https://pubs.usgs.gov/of/2005/1294/e/OF05-1294-E.pdf
• IPIS Artisanal Mines -> มีเวอร์ชัน WMS ด้วย
• GitHub
• ยูกันดา -> GMIS WMS

ทั่วไป

• บริการเว็บสำรวจแร่ -> ปลั๊กอิน QGIS พร้อมการเข้าถึงบริการเว็บที่เกี่ยวข้องมากมาย

อื่น

• เปิดแผนที่ถนน -> บริการไทล์ทั่วไปที่มีประโยชน์

API

• Open Data API -> GSQ Open Data Portal API
  • การแยกวิเคราะห์ธรณีเคมี
• CORE -> เปิดตำราการวิจัย
  • API Notebook -> ตัวอย่างและฟังก์ชั่น
• แบ่งปัน -> Open Science API
• สิ่งพิมพ์ของ USGS
• ครอสอ้างอิง
• xDD -> อดีต GeoDeepDive
• ADEPT -> GUI เป็น xDD เพื่อค้นหาเอกสารที่เก็บเกี่ยวได้ 15 ล้านฉบับ
• โอเพ่นอเล็กซ์
  • เอพีไอ
  • ห้องสมุด Diophila Python
  • ห้องสมุดหลาม
    • กระดาษ
• มาโครสตราต
  • กระดาษ
• OpenMinData -> อำนวยความสะดวกในการสืบค้นและดึงข้อมูลเกี่ยวกับแร่ธาตุและวัสดุธรณีจาก Mindat API

พอร์ทัลข้อมูล

โลก

• การทำงานร่วมกันของโมเดล Earth -> การเข้าถึงโมเดล Earth ต่างๆ เครื่องมือการแสดงภาพสำหรับการดูตัวอย่างโมเดล สิ่งอำนวยความสะดวกในการดึงข้อมูลโมเดล/ข้อมูลเมตา และการเข้าถึงซอฟต์แวร์และสคริปต์ประมวลผลที่มีส่วนร่วม
• ISC Bulletin -> ค้นหากลไกโฟกัสแผ่นดินไหว
• [สมาคมข้อมูลแม่เหล็ก[(https://www2.earthref.org/MagIC/search) -> Paleomagnetic, Geomagnetic, Rock Magnetic

ออสเตรเลีย

ธรณีศาสตร์ออสเตรเลีย

• แคตตาล็อกข้อมูลธรณีศาสตร์ออสเตรเลีย
• AusAEM
• พอร์ทัลธรณีศาสตร์ออสเตรเลีย
• การสำรวจพอร์ทัลแห่งอนาคต -> เว็บพอร์ทัล Geoscience Australia พร้อมข้อมูลการดาวน์โหลด
• AusAEM
• ออสแลมป์
• ธรณีวิทยาและไอโซโทป
• อุทกธรณีวิทยา กักเก็บน้ำ -> ค้นหาชั้นกักเก็บน้ำ
• ความคิดริเริ่มการทำแผนที่แร่ที่สำคัญ
• หน่วย Stratigraphic ของออสเตรเลีย
• หน่วย Stratigraphic Borehole ออสเตรเลีย -> การรวบรวมน้ำบาดาลของหน่วยตะกอน
• thredds ธรณีฟิสิกส์ออสเตรเลียธรณีฟิสิกส์ -> การเข้าถึง OpendDAP และ https
• MORPH gdb -> ข้อมูลการขุดเจาะของเจ้าหน้าที่ Musgrave

ซีซีโร

• พอร์ทัลการเข้าถึงข้อมูล CSIRO
• ความลึกของเรโกลิธ
• TWI -> ดัชนีความเปียกชื้นของภูมิประเทศ
• แผนที่ธรณีศาสตร์ ASTER -> เว็บไซต์
  • FTP -> ไซต์ CSIRO ftp
  • หมายเหตุ ASTER Maps -> หมายเหตุสำหรับสิ่งที่กล่าวมาข้างต้น

ออสโคป

• ธรณีวิทยา 3 มิติ -> แบบจำลองจากหลายพื้นที่

เติร์น

• โควาเรียตของโลกเปลือยที่ได้รับการปรับปรุงสำหรับการสร้างแบบจำลองดินและหิน

สำนักอุตุนิยมวิทยา

• นักสำรวจน้ำบาดาล -> สำนักอุตุนิยมวิทยา

ข้อมูลเชิงพื้นที่พื้นฐาน

• เอลวิส

รัฐเซาท์ออสเตรเลีย

• SARIG -> การสำรวจทางธรณีวิทยาของออสเตรเลียใต้แผนที่เชิงพื้นที่ตามการค้นหา
• แคตตาล็อก SARIG -> แคตตาล็อกข้อมูล
  • โมเดล 3 มิติ
    • SA ไวด์
    • ที่ตั้ง เอส3
  • แพ็คเกจข้อมูล - อัปเดตประจำปี
  • รายงาน s3 -> รายงานและเวอร์ชันข้อความในที่เก็บข้อมูล s3 พร้อมอินเทอร์เฟซเว็บ)
  • รายงาน
  • แผ่นดินไหว
    • ดาวน์โหลดแผ่นดินไหว -> ลิงก์หนึ่งหน้า

นอร์เทิร์นเทร์ริทอรี

• STRIKE -> การสำรวจทางธรณีวิทยานอร์เทิร์นเทร์ริทอรี
• เจมิส
  • McArthur Basin -> โมเดล 3 มิติ
  • การสำรวจทางธรณีฟิสิกส์
  • ธรณีฟิสิกส์ -> อ้างอิง
  • การขุดเจาะและธรณีเคมี -> ข้อมูลอ้างอิง
    • แพ็คเกจข้อมูล -> แพ็คเกจข้อมูล

ควีนส์แลนด์

• การสำรวจทางธรณีวิทยาของรัฐควีนส์แลนด์
• การสำรวจทางธรณีฟิสิกส์
• การขุดเจาะและธรณีเคมี

รัฐเวสเทิร์นออสเตรเลีย

• GEOVIEW -> การสำรวจทางธรณีวิทยาของออสเตรเลียตะวันตก
• DMIRS -> ศูนย์ข้อมูลและซอฟต์แวร์ DMIRS
• ดาวน์โหลด URL -> ชุดข้อมูลของลิงก์ดาวน์โหลด
• การขุดเจาะและธรณีเคมี
• ดาวน์โหลดแพ็คเกจ-การปรับปรุง?
• ธรณีเคมี
• บ่อน้ำปิโตรเลียมที่มีความลึก
• ข้อมูล WA ชุดย่อย

นิวเซาธ์เวลส์

• MINVIEW -> การสำรวจทางธรณีวิทยานิวเซาธ์เวลส์
• DiGS -> สิ่งพิมพ์และคอลเลกชันธรณีเทคนิค

แทสเมเนีย

• เอ็มอาร์ที
• แผนที่ MRT -> เว็บแมป

วิกตอเรีย

• ทรัพยากรโลก
  • ธรณีฟิสิกส์
• GeoVIC -> Webmaps จำเป็นต้องลงทะเบียนจึงจะมีประโยชน์มากขึ้น

นิวซีแลนด์

• ฐานข้อมูลการสำรวจ -> ออนไลน์
• เจิร์ม -> แผนที่ทรัพยากรธรณีวิทยาของนิวซีแลนด์
• ธรณีวิทยา -> เว็บแผนที่
  • https://maps.gns.cri.nz/gns/wfs

อเมริกาใต้

บราซิล

• CPRM -> การสำรวจทางธรณีวิทยาของบราซิล
• ดาวน์โหลด -> ดาวน์โหลดการสำรวจทางธรณีวิทยาของบราซิล
• Rigeo -> พื้นที่เก็บข้อมูลสถาบันธรณีศาสตร์

เปรู

• Ingemmet GeoPROMINE -> การสำรวจทางธรณีวิทยาของเปรู
• จีโอแมป

เม็กซิโก

• ภูมิศาสตร์อินโฟ

อาร์เจนตินา

• SIGAM -> การสำรวจทางธรณีวิทยาของอาร์เจนตินา
• ซิแกม

โคลอมเบีย

• เกปอร์ตัล

อุรุกวัย

• อิมเมจ

ชิลี

• พอร์ทัลจีโอมิน

ยุโรป

• EGDI -> ธรณีศาสตร์ยุโรป
• ดับบลิวเอฟเอส
• โปรมีน
• สร้างแรงบันดาลใจ -> สร้างแรงบันดาลใจ Geoportal

เดนมาร์ก

• ข้อมูลใต้ผิวดินของเดนมาร์ก

ฟินแลนด์

• แร่ธาตุ4EU
• GTK -> การสำรวจทางธรณีวิทยาของฟินแลนด์
• แผนที่ธรณีเคมี -> pdf เท่านั้น!

สวีเดน

• SGU -> การสำรวจทางธรณีวิทยาของสวีเดน

สเปน

• IGME -> การสำรวจทางธรณีวิทยาของสเปน

โปรตุเกส

• พอร์ทัลทางภูมิศาสตร์
• การเกิดขึ้นของแร่

ไอร์แลนด์

• GSI -> การสำรวจทางธรณีวิทยาของไอร์แลนด์
• GSI - โปรแกรมดูแผนที่
• Goldmine -> ค้นหาแผนที่และเอกสาร
• data.gov.ie -> มุมมองพอร์ทัลระดับชาติ
• isde -> การแลกเปลี่ยนข้อมูลเชิงพื้นที่ของไอร์แลนด์

นอร์เวย์

• NGU -> การสำรวจทางธรณีวิทยาของนอร์เวย์
• ฐานข้อมูล -> ทรัพยากรแร่และการค้นหาชั้นหิน
• GitHub
• เอพีไอ
• ภูมิศาสตร์ -> ธรณีฟิสิกส์
• GEONORGE -> แค็ตตาล็อกข้อมูลพร้อมดาวน์โหลด

สหราชอาณาจักร

• สหราชอาณาจักร
• เซิร์ฟเวอร์แมป
• GitHub

ยูเครน

• ทรัพยากรแร่

รัสเซีย

• สถาบันวิจัยธรณีวิทยารัสเซีย -> ไม่สามารถเข้าถึงได้ในขณะนี้
• RGU -> โครงการ GIS ของเงินฝาก

เยอรมนี

• พอร์ทัลทางภูมิศาสตร์
• แผนที่ภูมิศาสตร์ -> ม
• Atom -> ฟีดข้อมูล Atom
• GDI -> โมเดล 3 มิติเยอรมนี

ฝรั่งเศส

• Infoterre -> การสำรวจทางธรณีวิทยาของฝรั่งเศส

โครเอเชีย

• Geoportal -> การสำรวจทางธรณีวิทยาของโครเอเชีย
• ธรณีวิทยา

สาธารณรัฐเช็ก

• GS -> การสำรวจทางธรณีวิทยาของเช็ก

สโลวีเนีย

• แค็ตตาล็อกข้อมูล

สโลวาเกีย

• แค็ตตาล็อกข้อมูล
• Geoportapi API

ฮังการี

• แผนที่ MBFSZ

โรมาเนีย

• IGR -> การสำรวจทางธรณีวิทยาของโรมาเนีย
• ทรัพยากรแร่

โปแลนด์

• พอร์ทัลทางภูมิศาสตร์

สหราชอาณาจักร

• ห้องสมุดธรณีฟิสิกส์บนบกของสหราชอาณาจักร
• OS Data Hub ธรณีวิทยาอังกฤษ
• ธรณีวิทยา 625

ทวีปอเมริกาเหนือ

แคนาดา

• ทรัพยากรธรรมชาติแคนาดา
• GitHub
• พื้นที่เก็บข้อมูลธรณีศาสตร์ -> เซิร์ฟเวอร์ DAP
• พอร์ทัลแผนที่เว็บการขุด
• DEM -> Canada DEM ในรูปแบบ COG
• CDEM -> แบบจำลองระดับความสูงดิจิทัล (2011)
• ออนแทรีโอ
• ควิเบก
• ฐานข้อมูล SIGEOM
• บริติชโคลัมเบีย
• ฐานข้อมูลการเกิดขึ้นของแร่
• ยูคอน
  • ftp
• โนวาสโกเชีย
• จังหวัด
• เกาะปรินซ์เอ็ดเวิร์ด
• ซัสแคตเชวัน
• ฐานข้อมูลการเกิดแร่
• Newfoundland -> ไม่สามารถใช้งานได้ใน Chrome ลองใช้ใน Edge
• อัลเบอร์ตา
• แอปพลิเคชันการทำแผนที่เชิงโต้ตอบ
• ดินแดนตะวันตกเฉียงเหนือ
• การครอบครองแร่

สหรัฐอเมริกา

• USGS -> ฐานข้อมูลแผนที่
• MRDS -> ระบบข้อมูลทรัพยากรแร่
• Earth Explorer -> พอร์ทัลข้อมูลการสำรวจระยะไกลของ USGS
• ฐานข้อมูลแผนที่แห่งชาติ
• ฐานข้อมูลแผนที่แห่งชาติ
• อลาสกา
• ReSci -> การลงทะเบียนคอลเลกชันทางวิทยาศาสตร์ของโครงการอนุรักษ์ข้อมูลธรณีวิทยาและธรณีฟิสิกส์แห่งชาติ
• มิชิแกน

แอฟริกา

• สำนักงานที่ดิน
• อุทกธรณีวิทยา -> อุทกธรณีวิทยาและธรณีวิทยาจากแผนที่น้ำใต้ดิน
• แอฟริกาตะวันตก -> แหล่งแร่
• นามิเบีย
• การเกิดขึ้นของแร่
• คนงานเหมือง
• แอฟริกาใต้ -> การสำรวจทางธรณีวิทยาของแอฟริกาใต้
• การเกิดขึ้นของแร่ -> ตัวอย่างที่คุณต้องเข้าสู่ระบบเพื่อดาวน์โหลด
• ยูกันดา -> พอร์ทัล GMIS
• แร่ธาตุโลหะ
• แทนซาเนีย
• การเกิดขึ้นของแร่
• เหมืองแร่
• SIGM -> ธรณีวิทยาและเหมืองแร่ตูนิเซีย
• แซมเบีย -> อาคารชุดของแซมเบียอยู่ที่นี่

เอเชีย

จีน

• ข้อมูลธรณีวิทยา
• การเกิดขึ้นของแร่
• ฐานข้อมูลแหล่งแร่แห่งชาติ

อินเดีย

• Bhukosh -> การสำรวจทางธรณีวิทยาของอินเดีย
• หมายเหตุ ธรณีวิทยาของรัฐราชสถานไม่ได้ผล ยกเว้นทีละน้อยซึ่งสร้างความเจ็บปวด หากคุณต้องการ โปรดแจ้งให้เราทราบ

ซาอุดีอาระเบีย

• พอร์ทัลฐานข้อมูลธรณีวิทยาแห่งชาติ

อื่น

ธรณีวิทยา

• StratDB
• ข้อบกพร่องที่ใช้งานทั่วโลกของ GEM
• คุณสมบัติของแร่ RRuff
• บทความ -> ระบบวิวัฒนาการของแร่วิทยา
• หนึ่งธรณีวิทยา
• แคตตาล็อก

อิหร่าน

ธรณีวิทยา

• OGC BGS 1M หินดาด

ทั่วไป

• OSF -> มูลนิธิวิทยาศาสตร์แบบเปิด
• โลหะฐานที่เป็นโฮสต์ของตะกอน -> โลหะฐานที่เป็นโฮสต์ของตะกอน
• ขอบเขตชั้นบรรยากาศเปลือกโลก -> LAB Hoggard/Czarnota
• รายการสำรวจทางธรณีวิทยา

รายงาน

ออสเตรเลีย

• GEMIS นอร์เทิร์นเทร์ริทอรี
  • ค้นหา
  • ตัวอย่าง
• รัฐเซาท์ออสเตรเลีย SARIG
• WAMEX ออสเตรเลียตะวันตก
  • ค้นหา
  • เอพีไอ
    • ตัวอย่าง
• ควีนส์แลนด์
• การขุดค้นของรัฐนิวเซาท์เวลส์
  • NSW Digs เปิดทำการ
  • API ไม่ใช่แบบสาธารณะ
• PorterGEO -> ฐานข้อมูลแหล่งแร่โลกพร้อมภาพรวมโดยสรุป
• สถาบันแร่ธาตุที่ยั่งยืน -> องค์กรควีนส์แลนด์ของนักวิจัยในเครือมหาวิทยาลัยที่ผลิตชุดข้อมูลและความรู้

แคนาดา

• บริติชโคลัมเบีย
  • ค้นหา -> รายงานการประเมินแร่
  • สิ่งตีพิมพ์ -> สิ่งตีพิมพ์
• ออนแทรีโอ -> รายงานการประเมินแร่
  • สิ่งพิมพ์ออนแทรีโอ
• อัลเบอร์ตา
  • สิ่งพิมพ์
• ยูคอน
• รอยเท้า
• แมนิโทบา
• สิ่งพิมพ์
• นิวฟันด์แลนด์และลาบราดอร์
• ดินแดนตะวันตกเฉียงเหนือ
• โนวาสโกเชีย
• ควิเบก
• ซัสแคตเชวัน
  • ค้นหา
  • iMaQs -> ระบบการขุดและเหมืองหินแบบบูรณาการ

สหรัฐอเมริกา

• แอริโซนา
• มอนแทนา
• เนวาดา
• นิวเม็กซิโก
• มินนิโซตา
• มิชิแกน
• json.json
• อลาสกา
• วอชิงตัน

อื่น

• การสำรวจทางธรณีวิทยาของอังกฤษ NERC
  • ศักยภาพของแร่
  • ค้นหา
  • ตัวอย่างเอพีไอ
  • สิ่งพิมพ์
  • MEIGA -> รายงานโครงการสำรวจแร่ MEIGA 600 BGS
• GeoLagret -> สวีเดน
• Mindata -> การรวบรวมสถานที่หินจากทั่วโลก
• Databse แร่ -> รายการส่งออกของแร่ธาตุที่มีคุณสมบัติทางวิทยาศาสตร์และอายุ
• นาซ่า
• Researchgate -> นักวิจัยและเครือข่ายมืออาชีพ

เครื่องมือ

GIS

• QGIS -> การสร้างภาพข้อมูลและการวิเคราะห์แอปพลิเคชันเดสก์ท็อปโอเพนซอร์สโอเพนซอร์สมีเครื่องมือ ML บางอย่าง: ขาดไม่ได้สำหรับการดูที่รวดเร็วและรวดเร็ว
  • ธรณีวิทยา 2D ใน QGIS -> เวิร์กช็อปสำหรับ QGIS NA 2020 แนะนำแผนที่ทางธรณีวิทยาและภาพตัดขวางสำหรับนักเรียนและมือสมัครเล่น
  • OpenLog -> ปลั๊กอิน drillhole เบต้า
  • geo -sam -> ปลั๊กอิน QGIS สำหรับเซ็กเมนต์อะไรก็ได้กับ Rasters
  • น้ำหนัก
  • ปลั๊กอิน
• หญ้า
• Saga -> Mirror of SourceForge

3 มิติ

• Pyvista -> VTK Wrapping API สำหรับการสร้างภาพข้อมูลและการวิเคราะห์ที่ยอดเยี่ยม

  • PVGEO
  • Pyvista -Xarray -> แปลงข้อมูล XARRAY เป็น VTK 3D อย่างไม่เจ็บปวด: ห้องสมุดที่ยอดเยี่ยม!
  • omfvista -> pyvista สำหรับรูปแบบการขุดเปิด
  • Scipy 2022 บทช่วยสอน

• pymeshlab -> การแปลงตาข่าย

• เปิดรูปแบบการขุด

• เครื่องมือ WhiteBox

  • GUI -> เวอร์ชันเดสก์ท็อป

• พื้นดิน

• Geolambda -> การตั้งค่า AWS Lambda

• นักวิเคราะห์ธรณีศาสตร์

  • GeoH5PY -> รับข้อมูลไปและกลับจากโครงการ GEOH5
  • GeoApps -> แอปพลิเคชันที่ใช้โน้ตบุ๊กสำหรับธรณีฟิสิกส์ผ่าน GeoH5Py
  • Geoh5vista
  • GAMS -> การวิเคราะห์ข้อมูลแม่เหล็ก
    • กระดาษ - เฟรมเวิร์กสำหรับข้อมูลธรณีศาสตร์แร่และแบบพกพาแบบจำลอง - GeoH5

• เครื่องผ่าตัด

• vdeo

Geospatial General

• ทรัพยากร Python สำหรับวิทยาศาสตร์โลก
• Geoutils -> การวิเคราะห์เชิงพื้นที่และส่งเสริมการใช้งานระหว่างแพ็คเกจ Python GIS อื่น ๆ

ข้อมูลเวกเตอร์

งูหลาม

• Geopandas
  • Dask-Geopandas
    • บทช่วยสอน
  • Geofileops -> เพิ่มความเร็วในการเชื่อมต่อเชิงพื้นที่ผ่านฟังก์ชั่นฐานข้อมูลและ Geopackage
• kart -> การควบคุมเวอร์ชันแบบกระจายสำหรับ DAATA
• Pyesridump -> ไลบรารีเพื่อคว้าข้อมูลในระดับจากเซิร์ฟเวอร์ ESRI REST

ร

• เอสเอฟ
• Terra -> Terra ให้วิธีการจัดการข้อมูลทางภูมิศาสตร์ (เชิงพื้นที่) ในรูปแบบ "แรสเตอร์" และ "เวกเตอร์"

ข้อมูลแรสเตอร์

ค

• Exclextract -> สถิติบรรทัดบรรทัดคำสั่งใน C

จูเลีย

• rasters.jl -> การอ่านและการเขียนประเภทข้อมูลแรสเตอร์ทั่วไป

งูหลาม

• Rasterio -> Library Base Python สำหรับการจัดการข้อมูลแรสเตอร์
• Georeader -> ประมวลผลข้อมูลแรสเตอร์จากภารกิจดาวเทียมที่แตกต่างกัน
• Rasterstats -> สรุปชุดข้อมูล Raster Geospatial ตามรูปทรงเรขาคณิตของเวกเตอร์
• XARRAY -> การจัดการและการวิเคราะห์อาเรย์ที่มีป้ายกำกับหลายมิติ
  • Rioxarray -> API ระดับสูงที่ยอดเยี่ยมสำหรับการจัดการข้อมูล XARRAY ของข้อมูลแรสเตอร์
  • geocube -> rasterisation ของ vector data api
  • ODC -GEO -> เครื่องมือสำหรับการจัดการแรสเตอร์แบบระยะไกลที่มีเครื่องมือที่มีประโยชน์มากมายเช่น Colorisation, Grid Workflows
  • COG Validator -> การตรวจสอบรูปแบบของ Geotiffs ที่ปรับให้เหมาะสมกับคลาวด์
  • serverless-datacube-demo-> xarray ผ่าน lithops / coiled / modal
  • Xarray Spatial -> การวิเคราะห์ทางสถิติของข้อมูลแรสเตอร์เช่นการจำแนกประเภทเช่นการแบ่งธรรมชาติ
  • xdggs -> กริดประเภทอื่น ๆ
  • XGCM -> ฮิสโตแกรมพร้อมป้ายกำกับ
  • xrft -> การแปลงฟูริเยร์จาก Xarray
  • XVEC -> Vector Data Cubes สำหรับ xarray
  • XARRAY -EINSTATS -> สถิติ, พีชคณิตเชิงเส้นและ EINOPS สำหรับ XARRAY

ร

• Raster -> r library
• Terra -> จัดเตรียมวิธีการจัดการข้อมูลทางภูมิศาสตร์ (เชิงพื้นที่) ในรูปแบบ "แรสเตอร์" และ "เวกเตอร์"
• ดาว -> อาร์เรย์ spatiotemporal: แรสเตอร์และเวกเตอร์ datacubes
• ExectExtracr -> สถิติ zonal Raster สำหรับ r

เกณฑ์มาตรฐาน

• raster -benchmark -> การเปรียบเทียบบางส่วนแรสเตอร์ libaries ใน Python และ r

กุย

• เครื่องมือ WhiteBox -> Python API, GUI ฯลฯ ได้ใช้สำหรับการคำนวณดัชนีความเปียกชื้นภูมิประเทศ

การรวบรวมข้อมูล

• PIAUTOSTAGE-> 'เครื่องมือพิมพ์ 3D โอเพ่นซอร์สสำหรับคอลเลกชันอัตโนมัติของภาพกล้องจุลทรรศน์ความละเอียดสูง ออกแบบมาสำหรับตัวอย่างแร่

การแปลงข้อมูล

• aem ถึง seg-y
• ASEG GDF2
• CGG outfile Reader
• Geosoft Grid to Raster
• Loop Geosoft Grid
• Harmonica Geosoft Grid -> คำขอดึงที่กำลังดำเนินการในการแปลงเป็น xarray
• auscope -> ข้อมูลจากรุ่น Binary Gocad
• Gocad SG Grid Reader
  • Geomodel-2-3dweb-> ที่นี่พวกเขามีวิธีการแยกข้อมูลจาก Gocad SG Binary GoCAD GRIDS
• LEAPFROG MESH Reader
• OMF -> เปิดรูปแบบการขุดสำหรับการแปลงระหว่างสิ่งต่างๆ
• PDF Miner
• VTK ถึง DXF

ธรณีเคมี

• PygeochemTools -> ไลบรารีและบรรทัดคำสั่งเพื่อเปิดใช้งาน QC อย่างรวดเร็วและการพล็อตของข้อมูลธรณีเคมี
• SA Geochemical Maps -> การวิเคราะห์ข้อมูลและการวางแผนข้อมูลธรณีเคมีทางใต้ของออสเตรเลียจากการสำรวจทางธรณีวิทยาของ SA
• ธรณีเคมี
• บทช่วยสอนธรณีเคมีของ Scott Halley
• ตารางธาตุ

ธรณีศาสตร์

• geostatspy
• pyinterpolate

ธรณีวิทยา

• มาตราส่วนเวลาทางธรณีวิทยา -> รหัสในการผลิต แต่ยังมี CSV ปกติที่ดีของอายุ

ธรณีวิทยา

• gempy -> การสร้างแบบจำลองโดยนัย

• Gemgis -> ความช่วยเหลือการวิเคราะห์ข้อมูลเชิงพื้นที่

• loopstructural -> การสร้างแบบจำลองความหมาย

• Manual Python Geologia -> การวิเคราะห์ข้อมูลธรณีวิทยา

• MAP2LOOP -> การสร้างแบบจำลอง 3D การสร้างแบบจำลองอัตโนมัติ

  • loop3d -> gui สำหรับ map2loop

• pybedforms

• SA Stratigraphy -> Editor ฐานข้อมูล Stratigraphy Webapp

• striplog

• analise_de_dados_estruturais_altamira

• Global Tectonics -> ชุดข้อมูลโอเพ่นซอร์สเพื่อสร้างแผ่นเพลตระยะขอบ ฯลฯ

  • กระดาษ

• Zenodo เพิ่มเติม

• litholog

• pygplates

• ข้อมูลการสอน

  • กระดาษ

ธรณีฟิสิกส์

• Geoscience Australia Utilities
• ธรณีฟิสิกส์สำหรับการฝึกฝนนักธรณีวิทยา
• กล่องเครื่องมือฟิลด์ที่มีศักยภาพ -> ตัวกรองการแปลงฟูริเยร์ที่ใช้ XARRAY บางตัว - อนุพันธ์, pseudogravity, RPG ฯลฯ
  • โน้ตบุ๊ก -> คลาสที่มีตัวอย่างบางส่วน [อนุพันธ์แนวตั้ง, pseudogravity, ความต่อเนื่องสูงขึ้น ฯลฯ )
• การคำนวณธรณีฟิสิกส์ Sandbox
• ตะกอนชั้นใต้ดิน RIS -> ความลึกถึงชั้นใต้ดินแม่เหล็กในแอนตาร์กติกา
• การประมวลผลภาพสัญญาณ

แม่เหล็กไฟฟ้า

• ธรณีศาสตร์ออสเตรเลีย AEM
• UH Electromagnetics -> สมุดบันทึกการทำงานเกี่ยวกับการทำความเข้าใจโดเมนนี้
• การตีความ AEM
• emag py -> fdem
• resipy -> dc / ip

แรงโน้มถ่วงและแม่เหล็ก

• ออร์แกน
• ตัวอย่างตัวกรอง -> การประมวลผลตามการแปลงฟูริเยร์อย่างรวดเร็วผ่าน XARRAY
• ข้อมูลแรงโน้มถ่วงของออสเตรเลีย
• หนอน
• การอัปเดตเวิร์ม <- ฟิลด์ที่มีศักยภาพการสร้างหนอนด้วยการอัปเดตเล็กน้อยเพื่อจัดการกับ Networkx API *GitHub Mirror ใหม่
• Osborne Magnetic -> ตัวอย่างการประมวลผลข้อมูลสำรวจ

เกี่ยวกับแผ่นดินไหว

• ชาวเมือง
• Segysak -> การจัดการและการวิเคราะห์ข้อมูล SEG -Y ที่ใช้ XARRAY
• ธรณีฟิสิกส์หมายเหตุ -> การประมวลผลข้อมูลแผ่นดินไหว

แม่เหล็ก

• mtpy
• บทช่วยสอน
• MTPY -> อัปเดตข้างต้นเพื่อทำให้สิ่งต่าง ๆ ง่ายขึ้น
• Mineral Stats Toolkit -> ระยะทางถึง MT การวิเคราะห์คุณสมบัติ
• กระดาษตัวนำ lithospheric
• mtwaffle -> ตัวอย่างการวิเคราะห์ข้อมูล MT
• pymt
• ความต้านทาน
• Mecmus -> เครื่องมือในการอ่านแบบจำลองการนำไฟฟ้าของสหรัฐอเมริกา
• แบบอย่าง

กริด

• GMT
  • pygmt
• เวด
• grid_aeromag -> ตัวอย่างกริดของบราซิล
• pyinterp -> กริดหลายมิติผ่านการเพิ่ม
• Pseudogravity -> จาก Blakely, 95

การผกผัน

• ซิมเปก
  • Mira Geoscience Fork -> ใช้สำหรับ GeoApps
  • Simpeg Fork
  • แปลง 2020 Simpeg
  • แปลง 2021 Simpeg
  • สคริปต์ Simpeg
  • ตัวอย่างการผกผันของ Astic
• กิมลี
• tomofast-x
• USGS FTP ที่ไม่ระบุชื่อ
• ซอฟต์แวร์ USGS -> รายการสิ่งที่มีประโยชน์เก่ากว่าอีกต่อไป: Dosbox ทุกคน?
• รูทีนย่อยธรณีฟิสิกส์ -> รหัส FORTRAN
• 2020 ปัญหาการผกผันของ Aachen -> ภาพรวมของทฤษฎีการผกผันของแรงโน้มถ่วง

ธรณีเคมี

• ไพโรไลต์
  • GS2021 Pyrolite
• การปรับระดับ
• เครื่องมือ Pygeochem
• Geoquimica
• ธรณีเคมี
  • กระดาษ

การเจาะ

• dh2loop -> ความช่วยเหลือในช่วงเวลาการขุดเจาะ
  • กระดาษ
• Drilldown -> การขุดเจาะการขุดเจาะในโน้ตบุ๊กผ่าน GeoH5Py -> note desurveying
• pygslib -> การสำรวจ downhole และการทำให้เป็นปกติเป็นระยะ
• PyBoreHole -> การประมวลผลและการแสดงข้อมูลหลุมเจาะ
• DHCOMP -> คอมโพสิตข้อมูลธรณีฟิสิกส์เป็นชุดของช่วงเวลา

การสำรวจระยะไกล

• ดัชนีสเปกตรัมที่ยอดเยี่ยม -> คู่มือการสร้างดัชนีสเปกตรัม
• เปิด Data Cube
  • DEA Notebooks -> รหัสสำหรับใช้ในเวิร์กโฟลว์สไตล์ ODC
  • Datacube -Stats -> ไลบรารีการวิเคราะห์ทางสถิติสำหรับ ODC
  • Geo Notebooks -> ตัวอย่างรหัสจากองค์ประกอบ 84
• Raster4ml -> ดัชนีพืชพรรณจำนวนมาก
• Lefa -> การวิเคราะห์การแตกหัก, lineaments

ไม่มีเซิร์ฟเวอร์

• Kerchunk -> การเข้าถึงข้อมูลบนคลาวด์แบบไม่มีเซิร์ฟเวอร์ผ่าน ZARR
  • Kerchunk GeoH5 -> การเข้าถึงนักวิเคราะห์ธรณีศาสตร์/GeoH5 โครงการอย่างไร้เซิร์ฟเวอร์ผ่าน Kerchunk
  • Icehunk -> เครื่องมือจัดเก็บข้อมูลธุรกรรมสำหรับข้อมูลเทนเซอร์ / nd -array ที่ออกแบบมาสำหรับใช้ในการจัดเก็บวัตถุคลาวด์

แคตตาล็อก STAC

• DEA StackStac -> ตัวอย่างการทำงานกับข้อมูล Digital Earth Australia
• ไอดี
• ส่วนขยาย ML AOI
• ข้อมูลจำเพาะของ ML Model Extension -> ข้อมูลจำเพาะโมเดลการเรียนรู้ของเครื่องสำหรับโมเดลแคตตาล็อก
  • กระดาษ
• ODC -STAC -> ฐานข้อมูลฟรี Data Cube
• Pystac
• การค้นหาวันเสาร์
• StackStac -> ข้อมูลเมตาเร่งขึ้น Dask และ Xarray Timeseries

สถิติ

• สีส้ม -> Data Mining GUI
• HDSTATS -> อัลกอริทึมพื้นฐานของค่ามัธยฐานทางเรขาคณิต
• Hdmedians

การแสดงภาพ

• ทีวี -> ดูภาพดาวเทียมในเทอร์มินัล
• ผู้ส่งสัญญาณ
• นั่ง
• Hsdar
• ดาว
• Peru Gold Mining SAR

ศักยภาพแร่

• การทำแผนที่ศักยภาพของแร่ธาตุนิกเกิล -> การวิเคราะห์ตาม ESRI
• เครื่องมือออนไลน์ที่คาดหวัง

เศรษฐศาสตร์เหมืองแร่

• BlueCap -> Framework จาก Monash University เพื่อประเมินความมีชีวิตของเหมือง
• กฎหมาย ZIPFS ​​-> เส้นโค้งที่เหมาะสมการกระจายของการฝากแร่
• pyasx -> การขูดฟีดข้อมูล ASX
• ราคาโลหะ API -> microservice คอนเทนเนอร์

การแสดงภาพ

• Napari -> ผู้ชมภาพหลายมิติ
• Holoviews -> การสร้างภาพข้อมูลขนาดใหญ่
• graphviz -> กราฟการพล็อต/การดูข้อมูลการติดตั้ง Windows
• อวกาศ

colormaps

• CET colormaps สม่ำเสมอ
• Pu Colormaps -> จัดรูปแบบสำหรับผู้ใช้ในนักวิเคราะห์ธรณีศาสตร์
• การบิดเบือน colormap -> แอพพาเนลเพื่อแสดงการบิดเบือนที่สร้างขึ้นโดย colormaps ที่ไม่ได้รับรู้บนข้อมูลธรณีฟิสิกส์
• การฉีกข้อมูลจาก colormpas
• เปิดโครงการรหัสธรณีศาสตร์

เกี่ยวกับภูมิศาสตร์

• Geospatial>- ติดตั้งแพ็คเกจ Python ทั่วไปหลายแบบ
• Geospatial Python -> รายการที่ดูแล

สแต็คเทคโนโลยี

ค

• GDAL -> กรอบการแปลงข้อมูลและการวิเคราะห์ที่สำคัญอย่างแน่นอน
  • เครื่องมือ -> หมายเหตุมีเครื่องมือบรรทัดคำสั่งมากมายที่มีประโยชน์มากเช่นกัน

จูเลีย

• Julia Earth -> ส่งเสริมวิทยาศาสตร์ข้อมูลเชิงพื้นที่และการสร้างแบบจำลองทางธรณีศาสตร์ใน Earth Sciences
• Julia Geodynamics -> รหัส Geodynamics เชิงคำนวณ
• รู้เบื้องต้นเกี่ยวกับจูเลียเพื่อธรณีศาสตร์

Python - pydata

• Anaconda -> ติดตั้งล็อตที่ติดตั้งแล้วด้วยตัวจัดการแพ็คเกจนี้
  • Gdal et al -> นำความเจ็บปวดออกจากการติดตั้ง GDAL และ Tensorflow ที่นี่
  • Git Bash -> การให้ conda ทำงานใน Git Bash
• อาร์เรย์หลายมิติ
• การวิเคราะห์ข้อมูลตารางแพนด้า
• การสร้างภาพ Matplotlib
• zarr -> อาร์เรย์แบบแจกจ่ายที่ถูกบีบอัด
• dask -> คู่ขนานการคำนวณแบบกระจาย
  • Dask Cloud Provider -> เริ่มกลุ่ม Dask โดยอัตโนมัติบนคลาวด์โดยอัตโนมัติ
  • DASK MEDIAN -> โน๊ตบุ๊คให้ต้นแบบฟังก์ชั่นค่ามัธยฐานของ DASK
• ระบบนิเวศ Geospatial Python -> ข้อมูลที่ดูแล

สนิม - Georust

• Georust -> คอลเลกชันของยูทิลิตี้เชิงพื้นที่ในสนิม

ฐานข้อมูล

• Duckdb -> ในกระบวนการ OLAP DB ที่ความเร็ว - มีความสามารถเชิงพื้นที่และอาร์เรย์บางอย่าง
• IBIS + DUCKDB GEOPSATIAL -> SCIPY2024 TALK

วิทยาศาสตร์ข้อมูล

• เทมเพลตวิทยาศาสตร์ข้อมูล Python -> การตั้งค่าแพ็คเกจโครงการ
• Science Data Python ที่ยอดเยี่ยม -> คู่มือ Curated

ความน่าจะเป็น

• Distfit -> ความหนาแน่นของความน่าจะเป็นที่เหมาะสม

ศาสตร์

• ทรัพยากร Python สำหรับ Earth Sciences
• การคำนวณทางวิทยาศาสตร์ที่ยอดเยี่ยม

นักเทียบท่า

• ตู้คอนเทนเนอร์การเรียนรู้ลึกของ AWS
• นักเทียบท่าเชิงพื้นที่
• DL Docker Geospatial
• คนโยก
• นักเทียบท่าแลมบ์ดา
• Geobase
• DL Docker Geospatial

อภิปรัชญา

• สมาคมธรณีวิทยาของรัฐควีนส์แลนด์คำศัพท์
  • ฐานข้อมูลคุณสมบัติทางธรณีวิทยา
  • Geofeatures
• สมาคมธรณีวิทยาแห่งออสเตรเลียตะวันตก
• เกี่ยวกับชั้น
• ผู้จัดการความรู้ธรณีศาสตร์
• คำศัพท์ Geosciml

หนังสือ

งูหลาม

• ตำราการวิเคราะห์ Geospatial Python
• การประมวลผลทางภูมิศาสตร์ด้วย Python -> Manning LiveBook

อื่น

• หนังสือเรียน
• การเรียนรู้ของเครื่องจักรในอุตสาหกรรมน้ำมันและก๊าซ
• การคำนวณทางภูมิศาสตร์กับ R
• Earthdata Cloud Cookbook -> วิธีการเข้าถึงทรัพยากรของ NASA
• ตำราอาหารของ Data Cleaner -> วางเครื่องมือ UNIX เพื่อใช้งานได้ดีสำหรับการถกเถียงและทำความสะอาดข้อมูล
• สารานุกรมธรณีวิทยาคณิตศาสตร์
• คู่มือธรณีวิทยาคณิตศาสตร์

อื่น

• gxpy -> geosoft python api
• EarthArxiv -> ดาวน์โหลดเอกสารจาก Preprint Archive
• Essoar -> Preprint Paper Archive

ชุดข้อมูล

โลก

ธรณีวิทยา

• ข้อเท็จจริง -> ธรณีวิทยาทั่วไปของโลก
• GLIM -> แผนที่ lithology ทั่วโลก
• Paleogeology Atlas ของแผนที่ paleogeographic Phanerozoic
• ชั้นตะกอน -> ความหนา 1 กม. ทั่วโลกของดิน, regolith และชั้นสะสมของตะกอน
• แผนที่ความเครียดระดับโลก -> การรวบรวมข้อมูลทั่วโลกเกี่ยวกับความเครียดในปัจจุบันของเปลือกโลก
• GMBA -> สินค้าคงคลังภูเขาทั่วโลก

ธรณีฟิสิกส์

แรงโน้มถ่วง

• ความโค้ง -> การวิเคราะห์ความโค้งทั่วโลกจากข้อมูลการไล่ระดับสีแรงโน้มถ่วง
• WGM 2012

แม่เหล็ก

• EAMG2V3 _> กริดความผิดปกติของแม่เหล็กโลก
• WDMAM -> แผนที่ความผิดปกติของแม่เหล็กดิจิตอลระดับโลก

แม่เหล็ก

• EMC -> โมเดลผกผัน 3D ทั่วโลกของการนำไฟฟ้า

เกี่ยวกับแผ่นดินไหว

• ห้องปฏิบัติการ slnaafsa
• Lab Cam2016
• Moho -> ข้อมูล Gemma
• moho -> ข้อมูล szwillus
• ความเร็วแผ่นดินไหว -> Debayle et al
• lithoref18 -> โมเดลอ้างอิงระดับโลกของ lithosphere และเสื้อคลุมบนจากการผกผันร่วมและการวิเคราะห์ชุดข้อมูลหลายชุด
• crust1.0 -> โมเดลเปลือกโลกทั่วโลก netcdf
• ภาพรวมหน้าแรก

ความร้อน

• การไหลของความร้อน

ทั่วไป

• Deep Time Digital Earth -> ข้อมูลและการสร้างภาพข้อมูลสำหรับแหล่งข้อมูลและรุ่นที่หลากหลาย
• EarthChem -> การอนุรักษ์ชุมชนที่ขับเคลื่อนด้วยการค้นพบการเข้าถึงและการสร้างภาพข้อมูลทางธรณีวิทยาธรณีวิทยาและข้อมูลปิโตรเลียม
• Georoc -> องค์ประกอบทางธรณีวิทยาของหิน
• ธรณีวิทยาระดับโลก -> สูตรสั้น ๆ เพื่อสร้างแผนที่ธรณีวิทยาระดับโลกในรูปแบบ GIS (เช่น ShapeFile) โดยมีช่วงอายุที่แมปกับ GTS2020 Timescale
• คณะกรรมาธิการจังหวัด Igenous ขนาดใหญ่
• เสื้อคลุม
• ความหนาของตะกอน -> แผนที่
• spatialreference.org -> ที่เก็บสำหรับเว็บไซต์

ออสเตรเลีย

• แบบจำลองโลกทั่วไป
• แผนที่แร่หนัก
• แผนที่แร่หนักของนักบินออสเตรเลีย
• แอพเงางาม

ธรณีเคมี

• กริดการทำนายของความเข้มข้นของออกไซด์ที่สำคัญในพื้นผิวหินและ Regolith เหนือทวีปออสเตรเลีย -> ออกไซด์ต่างๆ

ธรณีวิทยา

• Atlas หินอัลคาไลน์
• cenozoic
• Mesozoic
• Paleozoic
• อาร์เคีย
• ค้นหา
• หินอัลคาไลน์ Proterozoic -> อัลคาไลน์ Proterozoic และหินอัคนีที่เกี่ยวข้องของออสเตรเลีย GIS
• cenozoic
• Mesozoic
• Paleozoic
• อาร์เคีย
  • กระดาษ https://ecat.ga.gov.au/geonetwork/srv/eng/catalog.search#/metadata/147963
• อุทกธรณีวิทยา -> แผนที่อุทกธรณีวิทยาของออสเตรเลีย
• อุทกธรณีวิทยา -> 5m
• ธรณีวิทยาเลเยอร์ -> 1m
• ธรณีวิทยาพื้นผิว -> ระดับ 1m
• ชุดข้อมูล Magmatic Mafic-Ultramafic ของออสเตรเลีย

ธรณีฟิสิกส์

• แรงโน้มถ่วง -> 2019 กริดแรงโน้มถ่วงแห่งชาติออสเตรเลีย

แม่เหล็ก

• TMI -> แผนที่ความผิดปกติของแม่เหล็กของออสเตรเลียรุ่นที่เจ็ด, 2019 TMI
• 40m -> 40m เวอร์ชัน
• VRTP -> ตารางความเข้มของแม่เหล็กทั้งหมด (TMI) ของออสเตรเลียด้วยการลดตัวแปรลงในขั้วโลก (VRTP) 2019
• 1VD -> ตารางความเข้มของแม่เหล็กรวมของออสเตรเลีย 2019 - อนุพันธ์แนวดิ่งแรก (1VD)

การถ่ายภาพด้วยรังสี

• Radiometrics -> กริด radiometric ที่สมบูรณ์ของออสเตรเลีย (RADMAP) V4 2019 พร้อมแบบจำลอง infill
• K -> กริด radiometric ของออสเตรเลีย (RADMAP) V4 2019 กริดโพแทสเซียม PCT ที่กรอง
• U -> กริดเรดิโอเมทริกของออสเตรเลีย (RADMAP) V4 2019 ยูเรเนียมที่ผ่านการกรอง
• th -> กริด radiometric ของออสเตรเลีย (RADMAP) V4 2019 ทอเรียม ppm ที่ผ่านการกรอง
• th/k -> กริด radiometric ของออสเตรเลีย (RADMAP) V4 2019 อัตราส่วนทอเรียมเหนือโพแทสเซียม
• U/K -> กริดเรดิโอเมทริกของออสเตรเลีย (RADMAP) อัตราส่วนยูเรเนียม V4 2019 ผ่านโพแทสเซียม
• U/TH -> กริดเรดิโอเมทริกของออสเตรเลีย (RADMAP) V4 2019 อัตราส่วนยูเรเนียมเหนือทอเรียม
• u squared/th -> กริด radiometric ของออสเตรเลีย (RADMAP) V4 2019 อัตราส่วนยูเรเนียมกำลังสองกำลังอยู่เหนือทอเรียม
• อัตราปริมาณ-> กริดเรดิโอเมทริกของออสเตรเลีย (RADMAP) V4 2019 อัตราปริมาณดินที่ผ่านการกรอง
• ภาพประกอบไปด้วย -> กริดเรดิโอเมทริกของออสเตรเลีย (RADMAP) V4 2019 - ภาพประกอบไปด้วย (K, TH, U)

ชาว Ausaem

• Ausaem 1 -> Ausaem ปีที่ 1 NT/QLD การสำรวจแม่เหล็กไฟฟ้าทางอากาศ; ผลิตภัณฑ์ผกผันของ GA Layered Earth
• Ausaem 1 -> Ausaem Year 1 NT/QLD: Tempest® Airborne Electromagnetic Data และ EM Flow®การประมาณค่าการนำไฟฟ้า
• AUSAEM 1 -> แพ็คเกจข้อมูลการตีความ AUSAEM1
• ausaem 2 -> ausaem 02 wa/nt 2019-20 การสำรวจแม่เหล็กไฟฟ้าทางอากาศ
• Ausaem -Wa -> Ausaem -Wa, Murchison Airborne Electromagnetic Blocks
• ausaem-wa-> ausaem-wa, บล็อกสำรวจแม่เหล็กไฟฟ้าทางอากาศตะวันตกเฉียงใต้
• Ausaem -Wa -> Ausaem WA 2020-21, Eastern Goldfields และ East Yilgarn Airborne
• Ausaem -Wa -> Ausaem (WA) 2020-21, Earaheedy & Desert Strip
• Ausaem Erc -> Ausaem Eastern Resources Corridor
• Ausaem WRC -> Ausaem Western Resources Corridor
• ภาพรวม interp
• พื้นผิวแห่งชาติและกริดการนำไฟฟ้าใกล้พื้นผิว -> การแก้ไข ML แห่งชาติสำหรับ AUSEM ในลักษณะเดียวกันกับออสเตรเลียตอนเหนือ

auslamp

• ทะเล Auslamp -> แบบจำลองความต้านทานของแผ่นดินออสเตรเลียตะวันออกเฉียงใต้จากข้อมูล Auslamp Magnetotelluric
• ข้อมูลวิคตอเรีย
• ข้อมูล NSW
• AUSLAMP TISA -> แบบจำลองความต้านทานที่ได้มาจาก Magnetotellurics: โครงการ Auslamp -Tisa
• Auslamp Delamerian -> แบบจำลองความต้านทาน lithospheric ของ delamerian orogen จากข้อมูล auslamp magnetotelluric
• auslamp ne sa
• Auslamp Gawler
• สถานี Auslamp -> ประมาณปี 2560
• กระดาษแทสเมนไทด์

โมโฮ

• Moho 2019 และ 2023
  • กระดาษ

เงินฝากแร่

• สภาพแวดล้อมทางธรณีวิทยาอายุและเอ็นดาวเม้นท์ของแร่ธาตุที่สำคัญของออสเตรเลีย
• ชุดข้อมูลที่ครอบคลุมสำหรับการผลิตเหมืองออสเตรเลีย 1799 ถึง 2021
  • กระดาษ

ศักยภาพแร่

• ภาพรวม - ธรณีศาสตร์ออสเตรเลีย -> ภาพรวมของสิ่งพิมพ์และชุดข้อมูล
• ตะกอนเป็นเจ้าภาพสังกะสี
• รายงาน
• ตะกอนโฮสต์ทองแดง
• รายงาน
• เชิงนามธรรม
• องค์ประกอบของโลกหายาก carbonatite
  • กระดาษ

ขยะของฉัน

• ขยะเหมืองออสเตรเลีย

ชื่อดั้งเดิม

• ศาลตำแหน่งชาติ

การสำรวจระยะไกล

• Landsat Bare Earth - ค่ามัธยฐานของ Earth Bare จาก Landsat
• ปรับปรุงภาพ Barest Earth Landsat สำหรับการสร้างแบบจำลองดินและ lithological: ชุดข้อมูล -> รายละเอียดของการปรับปรุง
• รอยเท้าการขุดทั่วโลกที่แมปจากภาพดาวเทียมความละเอียดสูง ** กระดาษ
• dem -> ออสเตรเลีย 1 วินาที srtm dem ของพันธุ์ต่าง ๆ

โครงสร้าง

• ขอบเขตเปลือกโลกที่สำคัญของออสเตรเลีย - 2024 Edition

ความเร็ว

• Au Tomo -> แบบจำลองความเร็วรุ่นต่อไปของเปลือกโลกออสเตรเลียจากการถ่ายภาพเสียงรอบข้างแบบซิงโครนัสและอะซิงโครนัส

ภูมิประเทศ

• ตำแหน่งภูมิประเทศหลายระดับ - RGB
• ข้อมูล
• ดัชนีความเปียกชื้นภูมิประเทศ - 1 และ 3 วินาทีวินาที
• ข้อมูล
• ดัชนีตำแหน่งภูมิประเทศ - 1 และ 3 วินาทีวินาที
• ข้อมูล
• แบบจำลองความเข้มของสภาพอากาศ
  • กระดาษ
• ข้อมูล
• {info] (https://researchdata.edu.au/weathering-intensity-model-australia/1361069)

ภาคเหนือ

• ครอบคลุมความหนา TISA -> จุดหนาครอบคลุมสำหรับ Tennant Creek Mt ISA ด้วยกริดที่ถูกแก้ไข
• การทำแผนที่ความละเอียดสูงโดยใช้การสำรวจ AEM ในระดับภูมิภาคและการเรียนรู้ของเครื่อง -> การแก้ไขการนำไฟฟ้า ML สำหรับ AUSAEM
• บทคัดย่อขยาย
• ธรณีวิทยาที่เป็นของแข็ง -> ธรณีวิทยาที่เป็นของแข็งของ North Australian Craton
• โมเดลผกผัน -> แรงโน้มถ่วง 3D ของออสเตรเลีย North Australian Craton และ Magnetic Inversion รุ่น
• ni-cu-pge-> ศักยภาพในการสะสมเงินฝาก Ni-Cu-pge sulfide ในออสเตรเลีย: การวิเคราะห์ระดับทวีปของระบบแร่
• TISA IOCG -> เหล็กออกไซด์ทองแดงทองแดง (IOCG) การประเมินศักยภาพแร่สำหรับ Tennant Creek -ภูมิภาค ISA: ข้อมูลเชิงพื้นที่: ข้อมูลเชิงพื้นที่
• การเปลี่ยนแปลง TISA -> การผลิตพร็อกซีการเปลี่ยนแปลงของแม่เหล็กและฮีไทต์โดยใช้แรงโน้มถ่วง 3 มิติและการผกผันของแม่เหล็ก

เซาท์ออสเตรเลีย

ธรณีวิทยา

• ธรณีวิทยา
• ชั้นใต้ดินผลึก -> ชั้นใต้ดินผลึกตัดกันการเจาะรูเจาะรู
• เหมืองแร่และแร่ธาตุ
• หลุมเจาะแร่
• ธรณีวิทยาทึบ 3D
• ความผิดพลาด 100k
• อาร์เคีย
• ข้อผิดพลาดของอาร์เคีย
• mesoproterozoic -> กลาง
• mesoproterozoic -> ความผิดพลาดกลาง
• mesoproterozoic -> สาย
• ความผิดพลาดของ Mesoproterozoic -> ความผิดพลาดล่าช้า
• neoproterozoic
• ความผิดพลาด Neoproterozoic
• สจวร์ตชั้นวางตะกอน 3 มิติ
• ธรณีวิทยาพื้นผิว

ธรณีฟิสิกส์

• auslamp 3d -> magnetotelluric inversions
• GCAS -> Gawler Craton Airborne Survey
• แรงโน้มถ่วง -> กริดแรงโน้มถ่วง
• สถานี -> สถานีแรงโน้มถ่วง
• แม่เหล็ก -> แม่เหล็ก
• เส้นแผ่นดินไหว -> เส้นแผ่นดินไหว

คนขี้เกียจ

• Gawler MPP -> โครงการส่งเสริมแร่ธาตุ Gawler - ข้อมูล

ควีนส์แลนด์

• ภาพรวม
• การขุดลึกควีนส์แลนด์-> การขุดลึกควีนส์แลนด์
• Atlas เงินฝาก -> นอร์ทเวสต์แร่มณฑลเงินฝาก Atlas
• ธรณีวิทยา -> ภาพรวมชุดธรณีวิทยา
• รายงานแร่และพลังงาน -> รายงาน Mineral Mineral และพลังงาน North -West Queensland Report 2011 -NWQMEP
• การเวกเตอร์ -> แร่ธรณีวิทยาแร่เวกเตอร์
• บ่อปิโตรเลียม
• บ่อแก๊สตะเข็บถ่านหิน
• ช่องโหว่

สิ่งที่น่าสนใจ

• Toolkit -> ชุดเครื่องมือและห้องปฏิบัติการหลายแบบหลายแบบ

ดินแดนเหนือ

• ARUNTA IOCG-> ศักยภาพของเหล็กออกไซด์-ทองแดง-ทองของภูมิภาค Arunta ใต้
• ยูเรเนียมใต้ -> ยูเรเนียมทางตอนเหนือทางตอนใต้ของยูเรเนียมและระบบพลังงานความร้อนใต้พิภพการประเมินแพ็คเกจข้อมูล Digil
• Tennant Creek -> รูปแบบการนำไฟฟ้าที่ได้มาจากข้อมูล Magnetotelluric ในภูมิภาค East Tennant, Northern Territory

นิวเซาธ์เวลส์

ธรณีวิทยา

• ธรณีวิทยาไร้รอยต่อ -> แพ็คเกจข้อมูลทางธรณีวิทยาไร้รอยต่อของ NSW (รุ่นเก่าในหน้านี้)

แพ็คเกจข้อมูลที่มีศักยภาพแร่

• Curnamona
• Lachlan ตะวันออก
• Lachlan กลาง
• ภาคใต้ของนิวอิงแลนด์

ออสเตรเลียตะวันตก

ธรณีเคมี

• mafic/ultramafic

ธรณีวิทยา

• 100k Bedrock
• MAPSheets 100K สำหรับพื้นผิวคุณต้องดาวน์โหลดเป็นรายบุคคลและรวมกัน - พวกเขาไม่สอดคล้องกัน
• MAPSheets 250K สำหรับพื้นผิวคุณต้องดาวน์โหลดเป็นรายบุคคลและรวมกัน - พวกเขาไม่สอดคล้องกัน
• หิน 500k
• เหมืองที่ถูกทิ้งร้าง
• เหตุการณ์แร่

ศักยภาพแร่

• นิกเกิลโฮสต์ Komatiite
• รายงาน

ความคาดหวัง

• Capricorn-> การวิเคราะห์ความคาดหวังโดยใช้วิธีการระบบแร่ - โครงการกรณีศึกษาราศีมังกร
• King Leopold -> โอกาสแร่ธาตุของ King Leopold Orogen และ Lennard Shelf: การวิเคราะห์ข้อมูลภาคสนามที่มีศักยภาพในภูมิภาค West Kimberley
• Yilgarn Gold
• Yilgarn 2 -> การค้นพบแร่ที่คาดการณ์ได้ใน Eastern Yilgarn Craton: ตัวอย่างของการกำหนดเป้าหมายระดับอำเภอของระบบแร่ทองคำ orogenic
• [Note Shop] -> WA มีแพ็คเกจที่คาดหวังไม่กี่ชุดที่จะซื้อใน USB Drive ราคา 50-60au ประเภท -ดูในส่วนแผนที่ geospaital

แทสเมเนีย

ธรณีวิทยา

• 250,000
• 500,000
• 25ก
• เหตุการณ์แร่
• โมเดล 3 มิติ

วิกตอเรีย

• ธรณีวิทยาที่ไร้รอยต่อ

นิวซีแลนด์

• แพ็ค Data Mineral -> Mineral Exploration Data Pack

อเมริกาเหนือ

• ข้อมูลและทรัพยากรทางธรณีวิทยาระดับชาติและทรัพยากรแร่และกริด -> ยังมีข้อมูลบางอย่างของออสเตรเลีย
• Wells Wells -> ฐานข้อมูล
• การวางแนวความเครียดในแนวนอนสูงสุดและขนาดความเครียดสัมพัทธ์ (ระบอบความผิดพลาด) ทั่วอเมริกาเหนือ

แคนาดา

ธรณีวิทยา

• แผนที่
• ธรณีวิทยา -> แผนที่ธรณีวิทยาของข้อเท็จจริงที่ได้รับการปรับปรุง
• ธรณีวิทยา -> การรวบรวมธรณีวิทยาของข้อเท็จจริงและการสังเคราะห์ภูมิภาคของ South Rae และบางส่วนของโดเมนเฮิร์น, จังหวัดเชอร์ชิลล์, ดินแดนตะวันตกเฉียงเหนือ, ซัสแคตเชวัน, นูนาวุต, แมนิโทบาและอัลเบอร์ตา
• Moho -> ฐานข้อมูลระดับชาติของการประมาณการความลึกของ Moho โดยประมาณจากการหักเหของแผ่นดินไหวและการสำรวจ teleseismic

ธรณีฟิสิกส์

• การค้นหา DAP -> Geoportal Search - หมายเหตุน่ารำคาญเหล่านี้อยู่ใน Geosoft Grids - ดู Elsewere สำหรับการแปลงเป็นไปได้
• [แรงโน้มถ่วง, แม่เหล็ก, radiometrics] -> ส่วนใหญ่เป็นระดับประเทศ

ยุโรป

ฟินแลนด์

• FODD -> เงินฝากแร่ Fennoscandian

ไอร์แลนด์

• MPM -> โครงการทำแผนที่แร่ธาตุ

เอกสารที่มีรหัส

เอ็นแอลพี

• https://www.sciencedirect.com/science/article/pii/s25901974222000064?via%3Dihub#bib20- -> แบบจำลองภาษาธรณีศาสตร์
• https://www.researchgate.net/publication/334507958_word_embeddings_for_application_in_geosciences_development_evaluation_and_examples_of_soil -related_concepts -> geovec [รวมถึงแบบจำลอง]
• https://www.researchgate.net/publication/347902344_portuguese_word_embeddings_for_the_oil_oil_and_gas_industry_development_and_evaluation -> petrovec [รวมถึงแบบจำลอง]
• ทรัพยากรสำหรับการค้นหาและการเปรียบเทียบชุดข้อมูลธรณีเคมีจากอาหารเสริมวารสาร

ธรณีเคมี

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

ธรณีวิทยา

• https://github.com/sydney-machine-learning/autoencoders_remotesensing-> autoencoders แบบซ้อนสำหรับการทำแผนที่ lithological

แร่ธาตุ

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

เอกสารที่มีข้อมูลคุณสมบัติ

• สิ่งเหล่านี้คุณสามารถสร้างเอาต์พุตออกจากข้อมูลที่ได้รับจากข้อมูลที่ได้รับ

โอกาสแร่ธาตุ

• https://www.sciencedirect.com/science/article/pii/s016913682100010x#s0135 -> การสร้างแบบจำลองโอกาสของ Magmatic Ni (± Cu ± Co ± PGE)
• https://www.sciencedirect.com/science/article/pii/S0169136821006612#b0510 -> การสร้างแบบจำลองการคาดหวังความเป็นไปได้ของข้อมูลของระบบแร่ Zn -PB และวัตถุดิบที่คุ้มค่า
• https://www.researchgate.net/publication/358956673_towards_a_fuly_data-driven_prospectivity_mapping_methodology_a_case_study_of_the_southeastern_churchill_province_quebec_and_and

อังกฤษ

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

ธรณีเคมี

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

ธรณีวิทยา

• https://eprints.utas.edu.au/32368/ -> การสร้างแบบจำลองเครื่องช่วยด้วยเครื่องจักรของ lithology และ metasomatism

ธรณีฟิสิกส์

• https://github.com/tomasnaprstek/aeromagnetic_cnn - Aeromagnetic CNN
• กระดาษ https://www.researchgate.net/publication/354772176_convolution_neural_networks_applied_to_the_intertation_of_lineaments_in_aeromagnetic_data
• ปริญญาเอก -> วิธีการใหม่สำหรับการแก้ไขและการตีความ lineaments ในข้อมูล Aeromagnetic
• paper https://www.researchgate.net/publication/354772176_convolution_neural_networks_aplied_to_the_intertation_of_lineaments_in_aeromagnetic_data

เอาต์พุต Geospatial - ไม่มีรหัส

• https://geoscience.data.qld.gov.au/report/cr113697 -> การสำรวจแร่ที่ขับเคลื่อนด้วยข้อมูล NWMP และการทำแผนที่ทางธรณีวิทยา [CSIRO ด้วย]

วารสาร

• https://www.sciencedirect.com/journal/artificial-intelligence-in-geosciences-> ปัญญาประดิษฐ์ในธรณีศาสตร์

เอกสาร

• โดยทั่วไปไม่ใช่ ML หรือไม่มีรหัส/ข้อมูลและบางครั้งก็ไม่มีความพร้อมใช้งานเลย
• ในที่สุดจะแยกออกเป็นสิ่งที่มีแพ็คเกจข้อมูลหรือไม่ชอบการศึกษาโซน NSW
• อย่างไรก็ตามหากสนใจในพื้นที่คุณมักจะสามารถถ่ายภาพได้หากไม่มีอะไรเป็นคู่มือคร่าวๆ
• โดยทั่วไปสิ่งเหล่านี้ไม่สามารถทำซ้ำได้ - ไม่กี่อย่างเช่น NSW Prospectivity Zone Studies และ NWQMP อยู่กับงานบางอย่าง
• กระดาษเป็นครั้งคราวในส่วนนี้อาจแสดงอยู่ด้านบน

ใหม่สำหรับไฟล์

ทั่วไป

• https://www.researchgate.net/publication/337650865_a_combinative_knowledge-driven_integration_method_for_integrating_geophysical_layers_with_geological_and_geochemical_datasetsetsets
• https://link.springer.com/article/10.1007/S11053-023-10237-W-อัลกอริทึมปัญญาประดิษฐ์รุ่นใหม่สำหรับการทำแผนที่แร่ธาตุ
• https://www.researchgate.net/publication/235443297_addressing_challenges_with_exploration_datasets_to_generate_usable_mineral_potential_maps
• https://www.researchgate.net/publication/330077321_an_improved_data-driven_multiple_criteria_decision-making_procedure_for_spatial_modeling_of_mineral_prospectivity_adaption_adaption_adaption
• ปัญญาประดิษฐ์สำหรับการสำรวจแร่: การทบทวนและมุมมองเกี่ยวกับทิศทางในอนาคตจากวิทยาศาสตร์ข้อมูล -> https://www.sciencedirect.com/science/article/pii/s001282524002691
• https://www.researchgate.net/project/bayesian-machine-learning-for-geological-modeling-and-eophysical-segmentation
• https://www.researchgate.net/publication/229714681_classifiers_for_modeling_of_mineral_potential
• https://www.researchgate.net/publication/352251078_data_analysis_methods_for_prospectivity_modelling_as_applied_to_mineral_exploration_targeting_state-of-the-art_and_outlook
• https://www.researchgate.net/publication/267927728_data-driven_evidential_belief_modeling_of_mineral_potential_using_few_prospects_and_wide_with_missing_values
• https://www.linkedin.com/pulse/deep-learning-meets-downward-continuation-caldera-analytics/
• https://www.researchgate.net/publication/382560010_dinov2_rocks_geological_image_analysis_classification_segmentation_and_intertability
• https://www.researchgate.net/publication/368489689_discrimination_of_pb-zn_deposit_types_using_sphalerite_geochemistry_new_insights_from_machine_learning_alingmistry
• https://link.springer.com/article/10.1007/S11430-024-1309-9-> โมเดลปัญญาประดิษฐ์ที่อธิบายได้สำหรับการทำแผนที่แร่ธาตุ
• https://www.researchgate.net/publication/229792860_from_predictive_mapping_of_mineral_prospectivity_to_quantitative_estimation_of_number_of_und_undiscovered_prospectss
• https://www.researchgate.net/publication/339997675_Fuly_reversible_neural_networks_for_large-scale_surface_and_sub-surface_characterization_via_remote_sensing
  • arxiv
  • การนำเสนอ
  • การประชุม
  • จูเลียคอน
• 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_approach
• https://www.researchgate.net/publication/280013864_Geometric_Average_of_spatial_evidence_data_layers_a_gis-based_multi-criteria_decision-making_approach_to_mineral_mineral_mineral
• https://www.researchgate.net/publication/355467413_harnessing_the_power_of_artificial_intelligence_and_machine_learning_in_mineral_exploration-opportunities_and_cautionary
• https://www.researchgate.net/publication/335819474_importance_of_spatial_predictor_variable_selection_in_machine_learning_applications_-moving_from_data_reproduction_to
• https://www.researchgate.net/publication/337003268_improved_supervised_classification_of_bedrock_in_areas_of_transported_overburden_applying_domain_expertise_at_kerkasha_eritrea
• https://www.researchgate.net/publication/360660467_lithospheric_conductors_reveal_source_regions_of_convergent_margin_mineral_systems
• https://api.research-repository.uwa.edu.au/portalfiles/portal/5263287/lysytsyn_volodymyr_2015.pdf (PhD วิทยานิพนธ์)
• https://www.researchgate.net/publication/374972769_knowledge_and_technology_transfer_in_and_beyond_mineral_exploration -> ความรู้และเทคโนโลยีการถ่ายโอนในและนอกการสำรวจแร่
• https://www.researchgate.net/publication/331946100_machine_learning_for_data-driven_discovery_in_solid_earth_geoscience
• https://theses.hal.science/tel-04107211/document-วิธีการเรียนรู้ของเครื่องจักรสำหรับแหล่งที่แตกต่างทางธรณีวิทยาพื้นผิวย่อย
• https://www.researchgate.net/publication/309715081_magmato-hydrothermal_space_a_new_metric_for_geochemical_characterisation_of_metallic_ore_deposits
• https://www.researchgate.net/publication/220164234_mapping_complexity_of_spatial_distribution_of_faults_using_fractal_and_multifractal_models_vectoring_towards_towards_towards_toward_target
• https://www.researchgate.net/publication/220163838_Objective_selection_of_suitable_unit_cell_size_in_data-driven_modeling_of_mineral_prospectivity
• https://www.researchgate.net/publication/273500012_prediction-area_p-a_plot_and_c-a_fractal_analysis_to_classify_and_evaluate_evidential_maps_for_mineral_prospectivity_modeling
• https://www.researchgate.net/publication/354925136_soil-sample_geochemistry_normalised_by_class_membership_from_machine-learnt_clusters_of_satellite_and_geophysics_data
• https://link.springer.com/article/10.1007/S12665-024-11870-1-> ปริมาณความไม่แน่นอนของแผนที่ธรณีศาสตร์ขึ้นอยู่กับการมีส่วนร่วมทางประสาทสัมผัสของมนุษย์
• 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-aided_exploration_targeting
• https://link.springer.com/article/10.1007/S11053-024-10322-8-> ความไม่แน่นอนที่เกิดจากเวิร์กโฟลว์ในการทำแผนที่แร่ที่ขับเคลื่อนด้วยข้อมูล

โอกาสแร่ธาตุ

ออสเตรเลีย

• https://www.mdpi.com/2072-4292/15/16/4074-> วิธีการที่ขับเคลื่อนด้วยข้อมูลเชิงพื้นที่สำหรับการทำแผนที่ความคาดหวังแร่
• https://www.researchgate.net/publication/353253570_A_TRULY_SPATIAL_RANDOM_FORESTS_ALGORITHM_FOR_GEOSCIENCE_DATA_ANALISIS_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_uncertainty_on_prospectivity_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 -> แร่ธาตุวิกฤต
• https://www.tandfonline.com/doi/pdf/10.1080/22020586.2019.12073159?needaccess=true -> การรวมระบบแร่ธาตุกับการเรียนรู้ของเครื่องจักร: กรณีศึกษาของ 'การสำรวจแร่ธาตุสมัยใหม่' Gawler Craton, South Australia
• https://www.researchgate.net/publication/365697240_Mineral_potential_modelling_of_orogenic_gold_systems_in_the_Granites-Tanami_Orogen_Northern_Territory_Australia_A_multi-technique_approach
• https://publications.csiro.au/publications/publication/PIcsiro:EP2022-0483 -> Signatures of Key Mineral Systems in the Eastern Mount Isa Province, Queensland: New Perspectives from Data Analytics
• https://link.springer.com/article/10.1007/s11004-021-09989-z -> Stochastic Modelling of Mineral Exploration Targets
• https://www.researchgate.net/publication/276171631_Supervised_Neural_Network_Targeting_and_Classification_Analysis_of_Airborne_EM_Magnetic_and_Gamma-ray_Spectrometry_Data_for_Mineral_Exploration
• https://www.researchgate.net/publication/353058758_Using_Machine_Learning_to_Map_Western_Australian_Landscapes_for_Mineral_Exploration
• https://www.researchgate.net/publication/264535019_Weights-of-evidence_and_logistic_regression_modeling_of_magmatic_nickel_sulfide_prospectivity_in_the_Yilgarn_Craton_Western_Australia

อาร์เจนตินา

• 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

บราซิล

• 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

แคนาดา

• 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

Central Africa

• 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

ชิลี

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

จีน

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

อียิปต์

• 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

อังกฤษ

• 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

เอริเทรีย

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

ฟินแลนด์

• 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

ฟินแลนด์

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

Ghana

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

กรีนแลนด์

• 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

อินเดีย

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

อินโดนีเซีย

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

Iran

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

ไอร์แลนด์

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

อินเดีย

• 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

เกาหลี

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

นอร์เวย์

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

เกาหลีใต้

• 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

รัสเซีย

• 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

แอฟริกาใต้

• 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

สเปน

• 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

ซูดาน

• 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]

สวีเดน

• 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

แทนซาเนีย

• 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

ยูกันดา

• 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

สหราชอาณาจักร

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

สหรัฐอเมริกา

• 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 แอริโซนา
• [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

แซมเบีย

• 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

ซิมบับเว

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

GENERAL PAPERS

Overviews

• 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

เงินฝาก

• 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 ลิเธียม

Geochemistry

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

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

Apatite

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

ธรณีวิทยา

การเปลี่ยนแปลง

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

ความลึก

• 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

ทั่วไป

• 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

Stratigraphy

• 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

โครงสร้าง

• 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

Tectonics

• 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

พื้นฐาน

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

ทั่วไป

• 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 คาร์โล
• 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

อีเอ็ม

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

ERT

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

แรงโน้มถ่วง

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

Hyperspectral

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

Joint Inversion

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

Magnetics

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

Magnetotellurics

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

Passive Seismic

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

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

ความต้านทานพื้นผิว

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

ความไม่แน่นอน

• 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]

Geothermal

• 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

แผนที่

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

Mineral

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

เอ็นแอลพี

• 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

Petrography

• 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

ภาพรวม

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

Geochemistry

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ความไม่แน่นอน

• 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

ออสเตรเลีย

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

South Australia

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

นท

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

วอชิงตัน

• 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 Download)
• 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

บราซิล

• 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

ออสเตรเลีย

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

SA

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

วอชิงตัน

• 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

นท

• 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

บราซิล

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

Carajas

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

Gurupi

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

ออสเตรเลีย

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

South Australia

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

ควีนส์แลนด์

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

New South Wales

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

Tasmania

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

วิกตอเรีย

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

Western Australia

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

Endowment Modelling

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

World Models

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

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.

โครงข่ายประสาทเทียม

• 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

ทั่วไป

• 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

แอฟริกา

• 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

บราซิล

• 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

จีน

• 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

กรีนแลนด์

• 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

อินเดีย

• 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

Iran

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

เปรู

• 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

สเปน

• 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

อื่น

• 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

เอ็นแอลพี

• 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

นิติศาสตร์มหาบัณฑิต

• 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

การเรียนรู้เชิงลึก

• 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