GEOSCAN, résultats de la recherche

Menu GEOSCAN


TitreExploratory spatial modelling; demonstration for Carlin-type deposits, central Nevada, USA, using Arc-SDM
AuteurRaines, G L; Bonham-Carter, G F
SourceGIS for the earth sciences; par Harris, J R (éd.); Geological Association of Canada, Special Paper 44, 2006 p. 23-52 (Accès ouvert)
LiensOnline - En ligne
Année2006
Séries alt.Secteur des sciences de la Terre, Contribution externe 20070163
ÉditeurAssociation géologique du Canada (St. John's, NL, Canada)
Documentpublication en série
Lang.anglais
Mediapapier; CD-ROM
Référence reliéeCette publication est contenue dans Harris, J R; (2006). GIS for the earth sciences, Geological Association of Canada, Special Paper vol. 44
Formatspdf
Lat/Long OENS-119.0000 -116.0000 41.0000 38.5000
Sujetsprospection minière; potentiel minier; modèles; établissement de modèles structuraux; modélisation numérique de terrain; télédétection; collectes des données; simulations par ordinateur; applications par ordinateur; cartographie par ordinateur; géomathématique
Illustrationslocation maps; tables; bar graphs; schematic diagrams; graphs; digital images
RésuméArc-SDM (Arc-Spatial Data Modeller) est une extension logicielle du logiciel de SIG ArcView qui est utile en exploration minérale ou pour tout autre type de besoin de prédiction spatiale à partir d'ensembles de données régionales. Le présent article vise principalement les nouveaux utilisateurs de Arc-SDM, et son contenu pourra être utilisé en conjonction avec la documentation du programme et tout autre document d'application. Des ensembles de données régionales associées à des gisements de type Carlin au Nevada sont utilisés pour illustrer la méthodologie. Des indices spatiaux d'ensembles de données de la géologie et de la géochimie régionale sont utilisés pour générer des cartes du potentiel de gisements du type Carlin dans les régions du centre-nord de l'État du Nevada et la province de Range de l'Ouest étasunien. Le but du présent article est de montrer comment l'extension Arc-SDM sur ArcView 3 peut être utilisée pour faire ce type de modélisation. Il ne s'agit pas d'une approche du type " boîte magique " où l'on entrerait les données à une extrémité pour obtenir des cartes de prédiction à une autre. Il s'agit plutôt d'une série décisions subjectives et qui dépend beaucoup sur une compréhension des caractéristiques des gisements minéraux et sur les lignes directrices de leur exploration, et qui sont bonifiées par des analyses statistiques des relations spatiales entre des gisements connus et des couches de données SIG (thèmes indiciels). Les données utilisées dans l'exemple comprennent la carte géologique, une carte des failles et un levé géochimique des sédiments de ruisseaux. Le présent article sera apprécié par les nouveaux utilisateurs de Arc-SDM parce que les raisons permettant de décider entre des thèmes binaires ou de classes multiples, par exemple, sont l'objet de discussions basées sur des tables de pondération générées pour des cartes géologiques, géochimiques, et de failles. Cinq modèles et deux ensembles de modèles de réseaux neuraux sont créés. Le modèle no 1 utilise les reclassifications binaires seulement et applique des méthodes de pondération ainsi que de régression logistique pondérée. Le modèle no 2 utilise les reclassifications multiclasses avec les mêmes méthodes. Le modèle no 3 est semblable au modèle no 2 sauf qu'une analyse des principaux composants des données géochimiques est utilisée. Le modèle no 4 est un modèle d'analyse par logique floue qui emploie à la fois l'opérateur logique "ET" et l'opérateur de logique floue "GAMMA" pour combiner l'indice flouifié. Le modèle no 5 est semblable au modèle no 4 mais ici, seul l'opérateur logique "ET" est employé. Les ensembles de modèles de réseau neuronal sont créés avec un réseau de liens de fonctions à patron radial et selon un réseau à logique floue afin de montrer la nature complémentaire de ces approches de modélisation par rapport aux autres méthodes. La modélisation basée sur l'une ou l'autre de ces méthodes est fort utile dans l'exploration des associations spatiales entre les données et permet de faire des prédictions, d'obtenir des estimations sur l'incertitude des prédictions, d'extraire et de classer un indicateur spatial selon son utilité à prédire les gisements, de délimiter des lacunes de données, de tester des hypothèses, pour l'intégration d'ensembles de données diverses, et elle permet d'adapter le niveau de communication des résultats aux niveaux de connaissance de l'auditoire cible. Bref, l'extension logicielle Arc-SDM offre un ensemble d'outils de modélisation spatiale très performants permettant d'explorer des données spatiales et de faire des prédictions. Après avoir explorer les capacités de Arc-SDM, il est important de se souvenir, en conclusion, que bien qu'il existe des lignes directrices en cette matière, il n'existe pas de "bonne" manière de faire - l'utilisation de données spatiales pour comprendre et faire des prédictions est un exercice qui exige encore d'avoir une bonne connaissance à la fois des données et des mécanismes qui ont pu régir ou influer sur leur génération, et que des décisions subjectives doivent être prises à différentes étapes du processus.
GEOSCAN ID224112