Capítulo III. Metodología

En esta página

Seis etapas: datos → EDA → no supervisado → etiquetado del geólogo → supervisado → modelo 3D. El paso 4 no se salta; está desarrollado en asignación de dominios.

El diseño es cuantitativo, correlacional y aplicado: se busca predecir el dominio geológico de alteración a partir de espectro y química de sondaje.

3.1 Flujo en seis etapas

flowchart LR
  A[1. Datos] --> B[2. EDA]
  B --> C[3. No supervisado]
  C --> D[4. Etiquetado]
  D --> E[5. Supervisado]
  E --> F[6. Modelo 3D]

1. Recolección. Espectros TerraSpec y ensayos multielementales, validados y unidos por muestra / from–to.
2. EDA. Variables categóricas (aiMineral1, VNIRMinerals) y numéricas (13 scores SWIR).
3. No supervisado. PCA, dendrograma y K-Means (k = 5) sobre espectro.
4. Segmentación (crítica). El geólogo valida clústeres y define MOD_ALT. El algoritmo propone; no etiqueta solo. Ver Asignación de dominios.
5. Supervisado. 80 % / 20 % estratificado sobre tramos etiquetados; comparación RF, k-NN, MLP y SVM sobre geoquímica.
6. Predicción 3D. El mejor modelo etiqueta el resto de intervalos.

En la tesis el modelado se hizo en Orange (lienzo de widgets, sin escribir código). Este repositorio reproduce las mismas etapas en scikit-learn y en Google Colab. La réplica interactiva GeoIA corre el mismo esquema en el navegador: 15 variables espectrales (13 SWIR + hematita/goethita), firma de MOD_ALT en el PCA y reserva 40/60 de collares (la tesis partió 80/20 sobre tramos etiquetados).

3.2 Datos espectrales

Ausspec entrega ~69 columnas. Tras tirar minerales de media cero quedan 13 scores SWIR (Tabla 15):

WhiteMica, Chlorite, Carbonate, Epidote, Kaolinite, Dickite, Montmor, Alunite, Gypsum, Pyrophyllite, Diaspore, Zunyite, Water_silica.

VNIR aporta hematita/goethita para el dominio de óxidos. Pares con Pearson y Spearman > 0,65 se leyeron como ensamble.

3.3 Datos químicos

Protocolo (sección 3.10):

1. Completitud ≥ 80 % (se eliminaron variables raras: AuCN, CuCN, Hg, etc.).
2. Imputación: mediana por sondaje, luego mediana global.
3. Outliers: recorte al percentil 99 (no se borran filas).
4. Z-score, porque conviven % y ppm.

La variable objetivo es MOD_ALT. Las coordenadas no entran al clasificador (evitar fuga espacial).

3.4 Asignación de dominios (algoritmo + geólogo)

Esta etapa corre a la par del juicio geológico. PCA y K-Means ordenan la nube espectral; el dominio (MOD_ALT) se firma cuando el ensamble mineral cuadra con el logueo y con la continuidad 3D. Un clúster puede partirse en dos dominios, o dos clústeres fusionarse (p. ej. ArgAvd y ArgAvd_2).

La guía ilustrada está en Asignación de dominios.

Código	Dominio	Criterio mineralógico
ArgAvd	Argílica avanzada	Pirofilita + alunita (± diásporo, zunyita). Se fusionan dos variantes ácidas
Fil	Fílica	Mica blanca dominante
Arg	Argílica	Caolinita + mica blanca
Pro	Propilítica	Montmorillonita + clorita ± carbonato/epidota
Sk	Skarn	Clorita + montmorillonita + mica + caolinita
Oxd	Óxidos	Hematita/goethita VNIR ± yeso/sílice hidratada

En la tesis, 86 538 intervalos etiquetados (Tabla 17): Fil 28 669, Sk 25 266, ArgAvd 23 308, Pro 5 050, Oxd 3 297, Arg 978. Fil, Sk y ArgAvd dominan; Arg y Pro son clases raras (sesgo de recall).

3.5 Hiperparámetros publicados (Tablas 19–22)

Modelo	Ajuste
Random Forest	10 árboles, max_features=8, profundidad 4, min_samples_split=5, clases balanceadas
k-NN	k = 5, Euclidean, pesos por distancia
MLP	100 neuronas, ReLU, Adam, α = 10⁻⁴, 200 iteraciones
SVM	C = 1, kernel RBF, tope de 100 iteraciones en Orange

El tope de 100 iteraciones del SVM explica, en parte, su mal desempeño. El perfil robust del código relaja árboles, red e iteraciones.

3.6 División train / test

Tramos validados en 3D: 86 538. De ellos, 80 % (69 231) calibran; el resto de la química (≈ 147 820) se usó como población más ciega. Una partición puramente aleatoria por fila inflaría métricas por correlación espacial a lo largo del mismo taladro.

Siguiente (el paso decisivo): El geólogo asigna los dominios.