Supervised classification (robust classification method) of Landsat-7 and SPOT-5 data was used to analyse the bedrock geology of a part of the western Minto Inlier on Victoria Island, Canada. The robust classification method was used as it provides a series of uncertainty measures for evaluating the classification results. Six bedrock classes including gabbro, basalt, carbonate of the Wynniatt Formation, quartz-arenite of the Kuujjua Formation, evaporite of the Minto Inlet and Killian Formations and Paleozoic carbonate together with six surficial classes including vegetation were defined as the training data set. The resulting classified images derived from the Landsat and SPOT data were very similar in terms of the regional distribution of lithological classes, as reflected by fairly high classification accuracies for both image types. Gabbro and basalt, despite having a similar mineralogical composition, are spectrally distinct throughout most of the study area. Complicating spectral signatures of overlying glacial sediments and/or other overburden materials and spectral similarities between some of the lithologies caused poorer classification in some areas. Generally, the Landsat imagery provided better spectral separability between most of the lithological units than the SPOT imagery. However, in certain areas where the spectral separation between different lithologies is not dependant on the shortwave infrared-2 (SWIR-2; band 7 on Landsat) and/or blue bands (band 1 on Landsat), the SPOT imagery provided a better classification because of higher spatial resolution.

Mineral prospectivity maps were produced for gold in two greenstone belts in the Superior geological province in Ontario, Canada, as part of the Metal Earth Project in the Laurentian University, Sudbury, Ontario. These maps, created using the random forest machine learning algorithm, cover the well-endowed Matheson area, which is in the Abitibi sub-province, and the less fertile Dryden area, which is in the Wabigoon sub-province. Newly identified areas for follow-up gold exploration are associated with major faults and 3D geophysical data comprising resistivity, density and susceptibility data. In addition, observations not used in mineral prospectivity mapping based on magnetotelluric, seismic and isotopic data may in part describe why the Matheson greenstone belt is more fertile with respect to gold mineralization than the Dryden greenstone belt. These observations suggest that the Matheson area has major transcurrent faults associated with conductive zones that reach the surface, many of which are associated with deeply penetrating, vertical faults. The isotopic signature of the Matheson crust also suggests it is juvenile, whereas the Dryden area is older.

A modified approach to existing classification procedures, the Robust Classification Method (RCM), is introduced in this study. This algorithm is based on a randomized and repeated sampling of a training dataset in concert with traditional cross-validation of the classification results. A series of predictions (classified maps) and associated uncertainty maps and statistics are produced. The algorithm and associated outputs are discussed and a case study dealing with the classification of surficial materials in an area in Nunavut, Canada (NTS mapsheet 66A) using RCM is presented. The RCM was especially useful for assessing the effects of spectral and spatial variability in the classification process. Specifically, this method provided a majority classification and variability map and confusion statistics to bracket uncertainty in the classification process with respect to statistical (spectral) variability in the training dataset used to perform the classification as well as identifying areas that show sp... On présente une approche modifiée par rapport aux procédures de classification existantes, la méthode RCM (Robust Classification Method). Cet algorithme est basé sur l’échantillonnage aléatoire et répétitif d'un ensemble de données d'entraînement en combinaison avec la validation croisée traditionnelle des résultats de classification. Une série de prédictions (cartes classifiées) et de cartes d'incertitude ainsi que des statistiques associées sont produites. On discute de l'algorithme et des sorties associées et on présente une étude de cas traitant de la classification des matériaux de surface à l'aide de la méthode RCM pour une région au Nunavut, Canada (feuillet SNRC 66A). La méthode RCM est particulièrement utile pour évaluer les effets de la variabilité spectrale et spatiale dans la procédure de classification. Spécifiquement, cette méthode fournit une carte de classification par vote majoritaire et de variabilité ainsi que des statistiques de confusion pour encadrer l'incertitude dans la procédure d...

The Geological Survey of Canada, under the Remote Predictive Mapping project of the Geo-mapping for Energy and Minerals program, Natural Resources Canada, has the mandate to produce up-to-date geoscience maps of Canada’s territory north of latitude 60°. Over the past three decades, the increased availability of space-borne sensors imaging the Earth’s surface using increasingly higher spatial and spectral resolutions has allowed geologic remote sensing to evolve from being primarily a qualitative discipline to a quantitative discipline based on the computer analysis of digital images. Classification of remotely sensed data is a well-known and common image processing application that has been used since the early 1970s, concomitant with the launch of the first Landsat (ERTS) earth observational satellite. In this study, supervised classification is employed using a new algorithm known as the Robust Classification Method (RCM), as well as a Random Forest (RF) classifier, to a variety of remotely sensed data including Landsat-7, Landsat-8, Spot-5, Aster and airborne magnetic imagery, producing predictions (classifications) of bedrock lithology and Quaternary cover in central Victoria Island, Northwest Territories. The different data types are compared and contrasted to evaluate how well they classify various lithotypes and surficial materials; these evaluations are validated by confusion analysis (confusion matrices) as well as by comparing the generalized classifications with the newly produced geology map of the study area. In addition, three new Multiple Classification System (MCS) methods are proposed that leverage the best characteristics of all remotely sensed data used for classification. Both RCM (using the maximum likelihood classification algorithm, or MLC) and RF provide good classification results; however, RF provides the highest classification accuracy because it uses all 43 of the raw and derived bands from all remotely sensed data. The MCS classifications, based on the generalized training dataset, show the best agreement with the new geology map for the study area. SOMMAIRE Dans le cadre de son projet de Télécartographie prédictive du Programme de géocartographie de l’énergie et des minéraux de Ressources naturelles Canada, la Commission géologique du Canada a le mandat de produire des cartes géoscientifiques à jour du territoire du Canada au nord de la latitude 60°. Au cours des trois dernières décennies, le nombre croissant des détecteurs aérospatiaux aux résolutions spatiales et spectrales de plus en plus élevées a fait passer la télédétection géologique d’une discipline principalement qualitative à une discipline quantitative basée sur l'analyse informatique d’images numériques. La classification des données de télédétection est une application commune et bien connue de traitement d'image qui est utilisée depuis le début des années 1970, parallèlement au lancement de Landsat (ERST) le premier satellite d'observation de la Terre. Dans le cas présent, nous avons employé une méthode de classification dirigée en ayant recours à un nouvel algorithme appelé Méthode de classification robuste (MRC), ainsi qu’au classificateur Random Forest (RF), appliqués à une variété de données de télédétection dont celles de Landsat-7, Landsat-8, Spot-5, Aster et d’imagerie magnétique aéroportée, pour produire des classifications prédictives de la lithologie du substratum rocheux et de la couverture Quaternaire du centre de l'île Victoria, dans les Territoires du Nord-Ouest. Les différents types de données sont comparés et contrastés pour évaluer dans quelle mesure ils classent les divers lithotypes et matériaux de surface; ces évaluations sont validés par analyse de matrices de confusion et par comparaison des classifications généralisées des nouvelles cartes géologiques de la zone d'étude. En outre, trois nouvelles méthodes par système de classification multiple (MCS) sont proposées qui permettent d’exploiter les meilleures caractéristiques de toutes les données de télédétection utilisées pour la classification. Tant la méthode MRC (utilisant l'algorithme de classification de vraisemblance maximale ou MLC que la méthode RF donne de bons résultats de classification; toutefois c’est la méthode RF qui offre la précision de classification la plus élevée car elle utilise toutes les 43 les bandes de données brutes et dérivées de toutes les données de télédétection. Les classifications MCS, basées sur le jeu de données généralisées d’apprentissage, montrent le meilleur accord avec la nouvelle carte géologique de la zone d'étude.