Capítulo I. Planteamiento¶
Pregunta general
¿Cómo la imprecisión en la delimitación de los dominios mineralógicos de las alteraciones impacta en el modelo de estimación del recurso mineral?
1.1 Generalidades¶
El machine learning se ha masificado en la última década por algoritmos accesibles en Python. En estimación de recursos el referente clásico sigue siendo el kriging; en geología, entornos como Orange (Universidad de Ljubljana) permiten ensamblar flujos visuales sobre NumPy, SciPy y scikit-learn. La densidad de datos de logueo exige reconocer patrones multivariados y producir un modelo más estable, no solo más “pintado”.
Predecir características de sondaje a partir de geoquímica y espectro reduce tiempo de interpretación y sube la consistencia entre taladros.
1.2 Problema¶
Faltan procesos que uniformicen criterios de descripción geológica y herramientas que identifiquen patrones en conjuntos multivariados. Hill et al. (2014) y la revisión de Dramsch (2020) muestran que el ML está más difundido en geofísica que en geoquímica, geoestadística y geología de minas. En el Perú, la aplicación sistemática aún no está consolidada, pese a protocolos de control de calidad y a volúmenes TerraSpec ya existentes.
Las asociaciones mineralógicas definen dominios, y esos dominios se relacionan con clusters económicos. De ahí la pregunta general:
¿Cómo la imprecisión en la delimitación de los dominios mineralógicos de las alteraciones impacta en el modelo de estimación del recurso mineral?
Preguntas específicas:
- ¿Hay vinculación sistemática de la anomalía espectral al modelo de recursos?
- ¿Están débiles los clusters económicos que relacionan mineralogía y estimación?
- ¿Qué algoritmo delimita mejor esos dominios?
1.3 Objetivos¶
General. Mejorar la precisión en la delimitación de los dominios mineralógicos de alteración que alimentan el modelo de estimación.
Específicos.
- Desarrollar una metodología que vincule la anomalía espectral al modelo de recursos.
- Definir clusters (ensambles) entre mineralogía hidrotermal y el modelo de estimación.
- Elegir el algoritmo de mejor rendimiento para delimitar dominios.
1.4 Antecedentes (síntesis)¶
| Trabajo | Aporte usado aquí |
|---|---|
| Cate et al. (2018a, 2018b) | ML como herramienta de geólogo; litogeoquímica → litología y alteración (Lalor, Canadá) |
| Chen et al. (2017) | One-class SVM para anomalías geoquímicas multivariadas |
| Sun et al. (2019) | RF vs SVM vs ANN en prospectividad; RF con mejor precisión |
| Carranza & Laborte (2015) | RF y k-NN en mapeo de prospectividad |
| Carrillo et al. (2019) | Ciencia de datos + geometalurgia en sondajes (UNI) |
| Cracknell & Reading (2014) | Comparación de cinco algoritmos en mapeo geológico |
Tao Sun et al. (2019) es el referente más directo para comparar SVM, redes y Random Forest en un problema de clasificación espacial minera.
1.5 Hipótesis¶
General. La delimitación correcta de dominios geológicos impacta de forma favorable el modelo de estimación.
Específicas. Vincular la anomalía espectral al modelo mejora el recurso; fortalecer clusters económico-mineralógicos reduce incertidumbre; un algoritmo adecuado (en este estudio, Random Forest) mejora la delimitación.
Siguiente: Marco teórico (fondo HS/SWIR) o salta a metodología si ya dominas el contexto.