Ce modèle est dérivé de données géologiques, géophysiques et autres. L'extraction des caractéristiques a été réalisée par apprentissage profond. La modélisation prédictive a utilisé la méthode des ensembles profonds. La carte de probabilité pancanadienne du potentiel minéral du graphite est présentée. Cette carte a été générée à partir des gisements et des occurrences de graphite connus et de leurs caractéristiques associées. Les valeurs de probabilité les plus élevées mettent en évidence les zones où la probabilité de systèmes minéraux de graphite est plus élevée.

Ce modèle est dérivé de données géologiques et géophysiques, traitées à l'aide de techniques d'apprentissage profond et de traitement du langage naturel. Voici une carte de probabilité pancanadienne indiquant la probabilité de découvrir des pegmatites au lithium-césium-tantale (LCT) de nouvelle génération. Cette carte a été générée à partir de pegmatites LCT connues au Canada et de leurs caractéristiques géospatiales associées, en intégrant des données géologiques et géophysiques analysées à l'aide de techniques d'apprentissage profond et de traitement du langage naturel. Les valeurs de probabilité élevées mettent en évidence les zones présentant une probabilité accrue d'abriter des gisements de nouvelle génération, faisant de cette carte un outil précieux pour la prise de décision.

Un modèle prédictif pour les gisements canadiens de terres rares (REE ± Nb) associés aux carbonatites est présenté ici. Ce modèle a été élaboré en intégrant diverses couches de données provenant de sources géophysiques, géochronologiques et géologiques. Ces couches représentent les principaux composants des systèmes minéralisés associés aux carbonatites, notamment la source, les mécanismes de transport, les pièges géologiques et les processus de préservation. Des algorithmes d'apprentissage profond ont été utilisés pour intégrer ces couches dans un cadre prédictif complet. Voici un lien vers la publication décrivant ce produit :https://link.springer.com/article/10.1007/s11053-024-10369-7

Le modèle adaptatif du bilan hydrique des sols (MABH) est continu et déterministe et a été élaboré par AAC. Il repose sur la prémisse que l’eau disponible pour la croissance des plantes est obtenue par les précipitations ou l’irrigation, et perdue par évapotranspiration et ruissellement, ainsi que par drainage latéral et profond. La perte ou le gain net quotidien est ajouté ou soustrait de l’eau déjà présente dans la zone d’enracinement. L’eau est prélevée simultanément, mais à des vitesses et des profondeurs de sol différentes, selon l’évapotranspiration potentielle, le stade de développement des cultures, les caractéristiques de libération d’eau de chaque couche de sol et l’eau disponible.

L’ensemble de données en question contient les données de modélisation et d’observation utilisées dans la publication Fjord circulation permits persistent subsurface water mass in a long, deep mid-latitude inlet (La circulation dans un fjord permet la présence constante d’une masse d’eau sous la surface dans un bras long et profond situé à une latitude moyenne) rédigée par Laura Bianucci et ses collaborateurs de la Division des sciences océaniques de la région du Pacifique de Pêches et Océans Canada, et publiée dans le journal Ocean Science en 2024. Une application du modèle des volumes finis d’océanologie côtière (FVCOM v4.1) a été exécutée du 24 mai au 27 juin 2019 dans la région des îles Discovery de la Colombie-Britannique, au Canada. Les profils de température et de salinité observés dans cette zone pendant cette période figurent dans l’ensemble de données, tout comme les valeurs modélisées aux mêmes moments et aux mêmes endroits.

Ce modèle de type de fond à substrat en eau profonde a été créé pour faciliter la modélisation de l’habitat et pour compléter les parcelles de fond du littoral. Il a été créé à partir d’une combinaison de couches dérivées de la bathymétrie en plus des observations du type de fond. À l’aide d’une classification par forêt d’arbres décisionnels, la relation entre les substrats observés et les dérivés bathymétriques a été estimée dans l’ensemble du site d’intérêt.La trame est classée en : 1) Roche, 2) Mélange, 3) Sable, 4) Vase

Les données GéoIA sont composées de bâtiments, hydrographie, forêts et routes extraits automatiquement via des modèles d'apprentissage profond appliqués à un ensemble de données source (généralement des images aériennes ou satellitaires). L'objectif principal de GéoIA est d'augmenter la couverture spatiale et temporelle de données géospatiales fondamentales à haute résolution.L'infrastructure et l'expertise mises en place par RNCan permettent un processus de création de données rapide, efficace et évolutif grâce à l'utilisation de technologies de pointe et de modèles d'intelligence artificielle. Les jeux de données extraits et publiés à partir d’une donnée source peuvent être revisités ultérieurement à mesure que des modèles plus précis sont développés et mis en production. Pour l'instant, seuls les fichiers statiques sont disponibles, mais au fur et à mesure du développement de la série, de nouveaux produits et services seront ajoutés.

Le modèle de type de fond à substrat peu profond a été élaboré à l’appui de la modélisation des habitats littoraux. Les sources de données comprennent à la fois les observations disponibles sur le type de fond et les couches prédictives environnementales, notamment les couches océanographiques, le fetch, la bathymétrie et ses dérivés. En utilisant la classification par forêt d’arbres décisionnels pondérée du progiciel Ranger R, la relation entre le type de fond observé et les couches prédictives peut être déterminée, ce qui permet de classer le type de fond dans l’ensemble des zones d’étude. Les fichiers de données tramées prédits sont classés comme suit : 1) roche, 2) mélange, 3) sable, 4) vase.Les domaines du modèle de substrat catégoriel sont limités à l’étendue des couches bathymétriques d’entrée (voir les sources de données), qui est de 5 km à partir de la courbe de profondeur de 50 m.

Le Système de prévision côtier océan-glace (SPCOG) effectue des prévisions de 48 heures pour l'océan et la glace marine pour différents domaines (Est, Ouest, mer de Salish) quatre fois par jour à une résolution de 1/36°. La composante de pseudo-analyse est forcée aux frontières océaniques par le Système régional de prévision océan-glace (SRPOG) et utilise une méthode de pilotage spectral dans l'océan profond pour corriger les grandes échelles vers la solution du SRPOG. Les champs de la pseudo-analyse sont utilisés afin d'initialiser la prévision de 00Z, les prévisions des passes 06, 12 et 18Z sont initialisées à partir de fichier de redémarrage à l'heure 6 de la prévision précédente. Le forçage atmosphérique pour les deux composantes est fourni par le Système à haute résolution de prévision déterministe (SHRPD) combiné spatialement et temporellement avec une composante non couplée du Système global de prévision déterministe (SGPD) à 10km de résolution horizontale (pour SPCOG-Ouest) ou le Système global de prévision déterministe (SGPD) (pour SPCOG-Est) pour les régions qui ne sont pas couvertes par le SHRPD.

Le Système de prévision côtier océan-glace (SPCOG) effectue des prévisions de 48 heures pour l'océan et la glace marine pour différents domaines (Est, Ouest, mer de Salish) quatre fois par jour à une résolution de 1/36°. La composante de pseudo-analyse est forcée aux frontières océaniques par le Système régional de prévision océan-glace (SRPOG) et utilise une méthode de pilotage spectral dans l'océan profond pour corriger les grandes échelles vers la solution du SRPOG. Les champs de la pseudo-analyse sont utilisés afin d'initialiser la prévision de 00Z, les prévisions des passes 06, 12 et 18Z sont initialisées à partir de fichier de redémarrage à l'heure 6 de la prévision précédente. Le forçage atmosphérique pour les deux compostantes est fourni par le Système à haute résolution de prévision déterministe (SHRPD) combiné spatialement et temporellement avec une composante non couplée du Système global de prévision déterministe (SGPD) à 10km de résolution horizontale (pour SPCOG-Ouest) ou le Système global de prévision déterministe (SGPD) (pour SPCOG-Est) pour les régions qui ne sont pas couvertes par le SHRPD.