ખનિજ સંશોધન, ઓર મોડેલિંગ અને સંસાધન અંદાજ

નફો:

• ખનિજ સંભાવનામાં AI અને મલ્ટી-લેયર ડેટા ફ્યુઝનના ઉપયોગને સમજાવવાની ક્ષમતા
• જીઓસ્ટેટિસ્ટિક્સ (ક્રિગિંગ, વેરિઓગ્રામ) અને મશીન લર્નિંગનો ઉપયોગ કરીને બ્લોક મોડેલ અને ગ્રેડ અંદાજ કેવી રીતે બનાવવો તે સમજવું.
• ક્રોસ-વેલિડેશન, વર્ગીકરણ વિશ્વાસ અને રિપોર્ટિંગ ધોરણો સાથે સ્ત્રોત અંદાજ આઉટપુટનું પરીક્ષણ કરવાની ક્ષમતા

પ્રોસ્પેક્ટિંગ એ એક સટ્ટાબાજીની રમત છે જ્યાં કરોડો-ડોલરના નિર્ણયો મુઠ્ઠીભર ડ્રિલ નમૂનાઓ પર આધારિત હોય છે. ખનિજ થાપણ (અંગ્રેજી ઓર ડિપોઝિટ; એક ખનિજ સંચય સમૃદ્ધ અને શોષણ કરવા માટે પૂરતો મોટો) સેંકડો ચોરસ કિલોમીટરના ક્ષેત્ર હેઠળ છુપાયેલ છે, અને આપણે તેને ફક્ત અવારનવાર ડ્રિલિંગ, ભૂ-ભૌતિક પડછાયાઓ અને સપાટીના માર્કર્સથી "જોઈએ છીએ". એટલા માટે ખનિજ સંશોધન એ એઆઈના સૌથી રોમાંચક પરંતુ સૌથી ખતરનાક એપ્લિકેશન ક્ષેત્રોમાંનું એક છે: જ્યારે યોગ્ય રીતે ઉપયોગ કરવામાં આવે, ત્યારે તે સંશોધન લક્ષ્યીકરણને ઝડપી બનાવે છે અને છૂટાછવાયા ડેટામાંથી વધુ અર્થ કાઢે છે; જ્યારે ખોટી રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે આંકડા પાછળ અસ્તિત્વમાં ન હોય તેવા પદાર્થને છુપાવે છે અને રોકાણકારો અને સમાજ બંનેને ગેરમાર્ગે દોરે છે.

આ એકમમાં, અમે અન્વેષણના બે મુખ્ય કૃત્રિમ બુદ્ધિમત્તાના પાસાઓને આવરી લઈશું: સંશોધન લક્ષ્યીકરણ (ખનિજ સંભાવના; બહુ-સ્તરીય ડેટા પરથી અંદાજ કાઢવો કે કયા વિસ્તારમાં ડિપોઝિટ હોવાની શક્યતા છે) અને સંસાધન અંદાજ (કેટલા વિશ્વાસ સાથે આપણે કહી શકીએ કે ડ્રિલ્ડ ડિપોઝિટમાં કેટલી ધાતુ છે). બંનેમાં, AI એક શક્તિશાળી પેટર્ન શોધક છે; પરંતુ બંને કિસ્સાઓમાં, અંતિમ આંકડો એ સક્ષમ વ્યક્તિની જવાબદારી છે જેણે આંતરરાષ્ટ્રીય રિપોર્ટિંગ ધોરણો પર હસ્તાક્ષર કર્યા છે.

શોધ લક્ષ્યીકરણ: બહુ-સ્તરવાળી ડેટા ફ્યુઝન

અન્વેષણ ભૂસ્તરશાસ્ત્રી એક જ પ્રકારના ડેટાને નહીં પરંતુ ઓવરલેડ સ્તરો પર જુએ છે: ભૂસ્તરશાસ્ત્રીય નકશો, માળખાકીય રૂપરેખા (ક્ષતિઓ અને ફોલ્ડ્સ), ભૂ-ભૌતિકશાસ્ત્ર (ચુંબકીય, ગુરુત્વાકર્ષણ, પ્રતિકારકતા), જીઓકેમિસ્ટ્રી (માટી અને પ્રવાહના નમૂનાના તત્વ મૂલ્યો), અને રિમોટ સેન્સિંગ દ્વારા મેપ કરાયેલ ફેરફાર. દરેક સ્તર એક અસ્પષ્ટ ચાવી છે; વાસ્તવિક સંકેત એ છે કે જ્યાં તેઓ એક સાથે નિર્દેશ કરે છે. તેને ડેટા ફ્યુઝન કહેવામાં આવે છે.

Artificial intelligence does two jobs here. પ્રથમ, તે ડઝનેક સ્તરોને સમાન કોઓર્ડિનેટ ગ્રીડ (એક એકવચન, કંટાળાજનક પરંતુ ભૂલથી ભરેલું કાર્ય) પર એક જ વિશ્લેષણ કોષ્ટકમાં ગોઠવે છે. બીજું, તે જાણીતી થાપણોની આસપાસની પેટર્ન શીખે છે અને સમાન હસ્તાક્ષર (નિરીક્ષિત શિક્ષણ) સાથે નવા વિસ્તારોને ચિહ્નિત કરે છે. પરંતુ અહીં એક જટિલ છટકું છે: જાણીતા પથારીની સંખ્યા ઘણી વખત ઘણી ઓછી હોય છે (કદાચ એક વિસ્તારમાં 5-10 પથારી), તેથી મોડેલ સરળતાથી યાદ કરે છે અને નવા વિસ્તારોમાં નિષ્ફળ જાય છે. એટલા માટે લક્ષ્યીકરણ આઉટપુટ "ખાતરી રત્ન અસ્તિત્વમાં છે" સૂચિ નથી, પરંતુ "ડ્રિલિંગ દ્વારા પરીક્ષણ કરવા યોગ્ય અગ્રતા ઓર્ડર" છે.

પગલાંઓ સામાન્ય રીતે નીચે મુજબ છે: (1) સ્તરોને સંરેખિત કરો અને સાફ કરો, (2) દરેક સ્તરને બેડ મોડલના આધારે અર્થપૂર્ણ ટોકનમાં અનુવાદિત કરો (દા.ત. "ફોલ્ટ ઇન્ટરસેક્શનનું અંતર", "ચુંબકીય ઉચ્ચ ધાર"), (3) જાણીતા પથારી સાથેની ટ્રેન અથવા નિષ્ણાત નિયમ સાથે વજન, (4) સંભાવના નકશો ઉત્પન્ન કરો, (5) સૌથી વધુ સંભાવના ધરાવતા ક્ષેત્રો અને સૌથી ઓછી સંભાવનાવાળા ક્ષેત્રોમાં પરીક્ષણ કરો.

ટીપ: મોડેલમાં સ્તરોને કાચાં ફીડ કરવાને બદલે, ભૂસ્તરશાસ્ત્રીય રીતે અર્થપૂર્ણ માર્કર્સ મેળવો ("ચુંબકીય રીંગ + આર્જીલિક ફેરફાર + પોર્ફિરી કોપર માટે ફોલ્ટ ઇન્ટરસેક્શન"). બેરિંગ મોડલ સાથે સુસંગત સૂચકાંકો અંધ આંકડા કરતાં વધુ મજબૂત લક્ષ્યો ઉત્પન્ન કરે છે.

જીઓસ્ટેટિસ્ટિક્સ એન્ડ રિસોર્સ એસ્ટીમેશન: વેરિઓગ્રામ, ક્રીજીંગ અને બ્લોક મોડલ

એકવાર ડિપોઝિટ મળી જાય અને ડ્રિલ કરવામાં આવે, પછી પ્રશ્ન બદલાય છે: "અહીં કેટલી ધાતુ છે અને આપણે તેના પર કેટલો વિશ્વાસ કરી શકીએ?" જવાબ માટે સેમ્પલ ડ્રીલ પોઈન્ટથી સેમ્પલ વગરના ખડકના જથ્થા સુધી એક્સ્ટ્રાપોલેશનની જરૂર છે. આ માટેનું પ્રમાણભૂત સાધન જીઓસ્ટેટિસ્ટિક્સ છે.

મૂળભૂત ખ્યાલ એ વેરિઓગ્રામ છે: અવકાશી સાતત્યનું એક માપ જે બે નમૂનાઓ વધુ અલગ થવાથી ગ્રેડની સમાનતા કેવી રીતે ઘટે છે તેનું વર્ણન કરે છે. નજીકના ઉદાહરણો સમાન છે, દૂરના લોકો સ્વતંત્ર છે; વેરિઓગ્રામ આ "સમાનતા શ્રેણી" ને પ્રમાણિત કરે છે. ક્રીજીંગ એ એક ભારિત સરેરાશ પદ્ધતિ છે જે દરેક નમૂના વિનાના બ્લોક માટે અનુમાન અને અનુમાનની અનિશ્ચિતતા બંને ગ્રેડ આપવા માટે આ વેરિઓગ્રામ માળખાનો ઉપયોગ કરે છે. ડિપોઝિટને મીટરમાં માપવામાં આવેલી બાજુઓ સાથે બ્લોક્સમાં વિભાજિત કરવામાં આવે છે (બ્લોક મોડલ), અને દરેક બ્લોકને એક ગ્રેડ અને વિશ્વાસ સોંપવામાં આવે છે.

આર્ટિફિશિયલ ઈન્ટેલિજન્સ અહીં ત્રણ પોઈન્ટ પર આવે છે. In variogram modeling, it suggests alternative models and evaluates the fit. મશીન લર્નિંગ પદ્ધતિઓ (દા.ત. રેન્ડમ ફોરેસ્ટ, ગ્રેડિયન્ટ બૂસ્ટિંગ) ક્રીગીંગ ઉપરાંત નોનલાઈનિયર ગ્રેડ સંબંધોને પકડી શકે છે. અને તે સમગ્ર વર્કફ્લોના કોડિંગ, ચેકિંગ અને રિપોર્ટિંગને ઝડપી બનાવે છે. પરંતુ બે લોખંડી નિયમો સતત રહે છે: અનુમાનની અનિશ્ચિતતા ક્યારેય છુપાવી શકાતી નથી, અને અંતિમ સંસાધનને સક્ષમ વ્યક્તિ દ્વારા આંતરરાષ્ટ્રીય ધોરણો (સાર્વજનિક, સંસાધન/અનામત રિપોર્ટિંગના ઓડિટેબલ ફ્રેમવર્ક, જેમ કે JORC, NI 43-101,) અનુસાર માપેલા/સૂચિત/અનુમાનિત વર્ગોમાં વર્ગીકૃત કરવામાં આવે છે.

સાવધાન: મશીન લર્નિંગ મોડલ "સરળ" ડ્રિલિંગ બ્રેક્સ કરી શકે છે, જે સાતત્ય બનાવે છે જે વાસ્તવિકતામાં અસ્તિત્વમાં નથી. કેટલાક ઉચ્ચ-ગ્રેડના નમૂનાઓ સમગ્ર બ્લોકને અન્યાયી રીતે સમૃદ્ધ (અંગ્રેજી સ્મીયરિંગ) કરી શકે છે. ઉચ્ચ મૂલ્યો (ટોપ-કટ) મર્યાદિત કરવા અને બ્લોક ધોરણે નમૂનાઓની સંખ્યાને નિયંત્રિત કરવી આવશ્યક છે; અન્યથા ટનેજ કાગળ પર ફૂલી જશે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 — લક્ષ્યાંક અગ્રતા. એક સંશોધન ટીમ 380 km² લાયસન્સ વિસ્તારમાં મર્યાદિત ડ્રિલિંગ બજેટ સાથે કામ કરી રહી હતી. સાત ભૂ-ભૌતિક/ભૂ-રસાયણ સ્તરોને જોડતો સંભવિત નકશો ફક્ત 6% વિસ્તારને "ઉચ્ચ અગ્રતા" તરીકે ચિહ્નિત કરે છે. ટીમે આ 6% માં પ્રથમ પાંચ કવાયતનું નિર્દેશન કર્યું; તેમાંથી ત્રણમાં નોંધપાત્ર તાંબાના આંતરછેદ મળ્યા. નિર્ણાયક મુદ્દો: નકશાએ ઓર "સાબિત" કર્યું નથી, ડ્રિલિંગ બજેટને ક્યાં કેન્દ્રિત કરવું તે તર્કસંગત છે અને અંધ અજમાયશની સંખ્યામાં ઘટાડો કર્યો છે.

કેસ 2 - સ્મીયરિંગનું કેપ્ચર. એક ગોલ્ડ ડિપોઝિટ પર, પ્રથમ બ્લોક મોડેલે 78 g/t ના સિંગલ ઓવરસેમ્પલની અસરને કારણે આસપાસના બ્લોક્સને ફુલાવી દીધા હતા, જે સંસાધનને 14% દ્વારા વધારે પડતો અંદાજ આપે છે. QA/QC સમીક્ષામાં લાગુ કરાયેલ ટોપ-કટ (આંકડાકીય થ્રેશોલ્ડમાં ઊંચા મૂલ્યને ઘટાડીને) અને પડોશી નમૂના નિયંત્રણ સાથે આગાહીને વાસ્તવિક સ્તરે લાવવામાં આવી હતી. તફાવતની સીધી અસર કરોડો-ડોલરના રોકાણના નિર્ણય પર થાય છે.

કેસ 3 - વર્ગીકરણ શિસ્ત. આયર્ન પ્રોજેક્ટ પર, મોડેલે ઉચ્ચ આત્મવિશ્વાસ સાથે સમગ્ર ડિપોઝિટની આગાહી દર્શાવી હતી; જોકે, સીમાંત વિસ્તારોમાં શારકામની ઘનતા ખૂબ જ ઓછી હતી. અધિકૃત વ્યક્તિએ આર્થિક મૂલ્યાંકનમાંથી છૂટાછવાયા નમૂનાના જથ્થાને દૂર કર્યા, તેને "અંતર્તિત" પર ડાઉનગ્રેડ કર્યું. આમ, અહેવાલમાં જાહેરમાં જાહેર કરાયેલ અનામતમાં અતિશયોક્તિ ટાળવામાં આવી હતી અને તે ધોરણને અનુરૂપ રહી હતી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

ડ્રિલિંગ યીલ્ડનું વિશ્લેષણ કરો અને ડિપોઝિટમાં કેટલું સોનું છે તે જણાવો.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સંસાધન ભૂસ્તરશાસ્ત્રી. નીચેના કમ્પાઉન્ડ એસે ડેટા સાથે સોર્સ નંબર આપો. તેના બદલે:1) ગ્રેડ વિતરણનો સારાંશ આપો; mark possible outliers and the need for a top-cut.2) Suggest which variogram directions should be examined for spatial continuity.3) Indicate which areas can only be classified as "Omitted" due to low drilling density.4) List 4 sources of uncertainty that could affect the result.Data is anonymous; કોઈ વાસ્તવિક કોઓર્ડિનેટ્સ/કંપની નથી.

પાવરફુલ પ્રોમ્પ્ટ મોડેલને એક જ ભ્રામક નંબર ઉત્પન્ન કરતા અટકાવે છે અને તેને એક સહાયકમાં ફેરવે છે જે ચાર્જમાં રહેલા વ્યક્તિએ પૂછવા જોઈએ તેવા પ્રશ્નો બરાબર ગોઠવે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) લેયર ફ્યુઝન માટે ટોકન વ્યુત્પત્તિ:

પોર્ફિરી કોપર એક્સપ્લોરેશન મોડલના આધારે નીચેના સ્તરોમાંથી અર્થપૂર્ણ માર્કર્સ સૂચવો: ચુંબકીય, ગુરુત્વાકર્ષણ, પ્રતિકારકતા, જમીનની જીઓકેમિસ્ટ્રી (Cu-Mo-Au), ફેરફાર. દરેક માર્કર માટે: ડિપોઝિટ મોડલ, સંભવિત ભ્રામક સ્ત્રોત અને ફીલ્ડ વેરિફિકેશન પદ્ધતિની લિંક. ચોક્કસ લક્ષ્ય આપવું; અગ્રતા તર્ક સ્થાપિત કરો.

2) એસે QA/QC પ્રી-સ્ક્રીનિંગ:

નીચેના માટે તપાસ કોષ્ટક તપાસો: નકારાત્મક/અશક્ય મૂલ્ય, તપાસ મર્યાદાથી નીચે ચિહ્નોનું પ્રમાણ, એકમ વિસંગતતા (ppm/%/g-t), પુનરાવર્તિત નમૂના કરાર, ખાલી અને પ્રમાણભૂત નમૂના ડ્રિફ્ટ. માત્ર drilling_id દ્વારા મુદ્દાઓની સૂચિ બનાવો; મૂલ્યાંકન, કરેક્શન.

3) વેરિઓગ્રામ અર્થઘટન ડ્રાફ્ટ:

પ્રાયોગિક વેરિઓગ્રામ પરિણામોનું અર્થઘટન કરો: નગેટ, રેન્જ અને સિલનો અર્થ શું છે તે સાદી ભાષામાં સમજાવો; શું એનિસોટ્રોપીના કોઈ ચિહ્નો છે? ક્રીંગ કરતા પહેલા કયા નિર્ણયો માટે ભૂસ્તરશાસ્ત્રીની મંજૂરીની જરૂર છે તે ચિહ્નિત કરો. તર્ક, કોડ નહીં.

4) સ્ત્રોત વર્ગીકરણ નિયંત્રણ:

બ્લોક મોડેલમાં, દરેક બ્લોક માટે: ક્રીજીંગ વેરિઅન્સ, અંદાજમાં વપરાતા નમૂનાઓની સંખ્યા અને નજીકના બોરહોલનું અંતર આપવામાં આવ્યું હતું. પ્રમાણભૂત તર્ક અનુસાર માપેલ/પ્રદર્શિત/અનુમાનિત વર્ગમાં કયા બ્લોક્સ શ્રેષ્ઠ રીતે ફિટ છે તેની વાજબી રૂપરેખા આપો. અંતિમ વર્ગીકરણ અધિકૃત વ્યક્તિનું છે; આ જણાવો.

પદ્ધતિઓની સરખામણી

પદ્ધતિ

શું કરે છે

મજબૂત બિંદુ

મુખ્ય જોખમ

નિષ્ણાત નિયમ (ભારિત સ્તર)

માહિતી સાથે લક્ષ્યોને સૉર્ટ કરે છે

ઓછા ડેટા સાથે કામ કરે છે, પારદર્શક

નિષ્ણાત પૂર્વગ્રહ

ML લક્ષ્યીકરણનું નિરીક્ષણ કર્યું

જાણીતી પથારીમાંથી શીખે છે

જટિલ પેટર્ન મેળવે છે

થોડા ઉદાહરણોમાં યાદ

ક્રીગીંગ

ટેનર અનિશ્ચિતતા સાથે આગાહી કરે છે

પ્રમાણભૂત, ઓડિટેબલ

વેરિઓગ્રામ ભૂલ, સ્મીયરિંગ

ML ગ્રેડ અંદાજ

બિનરેખીય સંબંધ

લવચીક

અનિશ્ચિતતા, વધુ પડતું અનુકૂલન છુપાવી શકે છે

સિમ્યુલેશન (દા.ત. SGS)

સંભાવના દૃશ્યો જનરેટ કરે છે

અનિશ્ચિતતાની કલ્પના કરે છે

જો ખોટી રીતે અર્થઘટન કરવામાં આવે તો વધુ પડતો આત્મવિશ્વાસ

ટીપ: સંસાધનોનો અંદાજ કાઢતી વખતે, "એક શ્રેષ્ઠ નંબર" ને બદલે શ્રેણી અને દૃશ્ય માટે પૂછો. ત્રણ આશાવાદી/અપેક્ષિત/સાવધાનીપૂર્ણ દૃશ્યો નિર્ણય લેવા માટે એક નંબર દ્વારા બનાવવામાં આવેલી ખોટી નિશ્ચિતતા કરતાં વધુ પ્રમાણિક આધાર પૂરો પાડે છે.

સામાન્ય ભૂલો

• ઓછી જાણીતી પથારી સાથે એમએલને યાદગાર બનાવવું. પાંચ બેરિંગ્સ સાથે પ્રશિક્ષિત મોડેલ નવા ક્ષેત્રમાં અવિશ્વસનીય છે; આઉટપુટને અગ્રતા યાદી તરીકે જુઓ, પુરાવા તરીકે નહીં.
• આત્યંતિક મૂલ્યો મર્યાદિત નથી. એક જ ઊંચી તપાસ, જો ટોપ-કટીંગ કરવામાં ન આવે તો, આસપાસના બ્લોક્સને અન્યાયી રીતે સમૃદ્ધ (સ્મીયર) કરશે અને ટનેજને ફુલશે.
• અનિશ્ચિતતાની જાણ કરતા નથી. ક્રિગિંગ વેરિઅન્સ અને વર્ગીકરણને છુપાવવું અને સિંગલ આકૃતિઓ રજૂ કરવી એ ધોરણો અને અખંડિતતાની વિરુદ્ધ છે.
• વર્ગીકરણ છોડવું. ભાગ્યે જ નમૂનારૂપ વોલ્યુમને માપેલ તરીકે રજૂ કરવાથી આર્થિક ચુકાદા અને જાહેર વિશ્વાસ સાથે સમાધાન થાય છે.
• QA/QC છોડવું. ખાલી અને પ્રમાણભૂત નમૂનાઓ સાથે ડ્રિફ્ટના પ્રયોગશાળા મોનિટરિંગ વિના કોઈપણ ગ્રેડ વિશ્વસનીય નથી.

સારાંશમાં

• અન્વેષણ લક્ષ્યીકરણ બહુ-સ્તરીય ડેટા ફ્યુઝન દ્વારા ડ્રિલિંગ અગ્રતા જનરેટ કરે છે; તે ઓર સાબિત કરતું નથી, તે અંધ અજમાયશ ઘટાડે છે.
• સંસાધન અંદાજ વેરિયોગ્રામ્સ અને ક્રિગિંગનો ઉપયોગ કરીને નિશ્ચિતતા સાથે ગ્રેડનો અંદાજ કાઢે છે; બ્લોક મોડલ આના પર બનેલ છે.
• મશીન લર્નિંગ શક્તિશાળી છે, પરંતુ તે નાના નમૂનાઓ યાદ રાખે છે, આઉટલાયર પર સ્મીયર્સ, અને અનિશ્ચિતતાને છુપાવી શકે છે.
• અંતિમ વેલ્ડને JORC/NI 43-101 જેવા ધોરણો અનુસાર અધિકૃત લાયકાત ધરાવતા વ્યક્તિ દ્વારા વર્ગીકૃત અને હસ્તાક્ષરિત કરવામાં આવે છે.
• મૂલ્ય એક ભ્રામક સંખ્યામાં નથી; અનિશ્ચિતતા એક પરીક્ષણ યોગ્ય અગ્રતા અને વર્ગીકરણમાં છે જે પ્રમાણિકપણે જાણ કરવામાં આવે છે.

એપ્લિકેશન કાર્ય

એક અનામી સંયોજન પરીક્ષણ કોષ્ટક (અથવા પ્રતિનિધિ મૂલ્યો) પ્રાપ્ત કરો. શક્તિશાળી પ્રોમ્પ્ટ સાથે, મોડેલને આ માટે પૂછો: સ્ત્રોત આકૃતિને બદલે ઓવરવેલ્યુ/ટોપ-કટ જરૂરિયાત, વેરિઓગ્રામ દિશાઓ અને ઓછી ઘનતાવાળા પ્રદેશો. પછી "સ્રોત વર્ગીકરણ નિયંત્રણ" નમૂનાને ડ્રાફ્ટ તૈયાર કરો કે કયા બ્લોક કયા ટ્રસ્ટ વર્ગમાં આવશે. છેલ્લે, અવલોકન કરો કે શું મોડેલ સિંગલ ટનેજ આકૃતિ આપવાનો પ્રયાસ કરે છે અને એક વાક્યમાં લખો કે તમારે તેને શા માટે નકારવું જોઈએ.

ચેકલિસ્ટ

• [ ] મને સમજાયું કે અન્વેષણ લક્ષ્ય અયસ્કને સાબિત કરતું નથી, તે ડ્રિલિંગને પ્રાથમિકતા આપે છે.
• [ ] હું સમજાવી શકું છું કે કેવી રીતે અનિશ્ચિતતા સાથે વેરિઓગ્રામ અને ક્રીજીંગ એસ્ટીમેટ ગ્રેડ.
• [ ] હું સ્મીયરિંગ, ટોપ-કટ અને ઓવરવેલ્યુના જોખમોને ઓળખું છું અને QA/QC ફરજિયાત માનું છું.
• [ ] હું સમજું છું કે સંસાધન પ્રમાણભૂત દ્વારા માપેલ/સૂચિત/અનુમાનિત તરીકે વર્ગીકૃત થયેલ છે અને તે અધિકૃત વ્યક્તિનું છે.
• [ ] મેં એક શિસ્ત અપનાવી છે જેમાં એકલ સંખ્યાને બદલે અનિશ્ચિતતા શ્રેણીઓ અને દૃશ્યોની જરૂર છે.