Aprendizaje automático en geofísica
Los algoritmos de aprendizaje automático (AAA, por sus siglas en inglés) son herramientas poderosas que se utilizan para reconocer patrones en datos de alta dimensionalidad. Los AA son métodos eficientes para producir mapas geológicos o mejorar los existentes, así como para predecir recursos del subsuelo. Los AA se pueden clasificar en dos grupos: métodos supervisados y no supervisados. Los métodos supervisados utilizan datos de entrenamiento que consisten en un conjunto de observaciones conocidas. Estos datos entrenan un modelo de clasificación (en los AA), lo que nos permite predecir las etiquetas de grupo/clase de muestras previamente desconocidas. El método no supervisado no tiene datos de entrenamiento e identifica grupos/clases dentro de los datos. En los AA, podemos utilizar datos geofísicos, geoquímicos, radiométricos, geológicos y de teledetección.
PD: Debido a la política de datos reales, se ha eliminado la información sobre las cifras.
Cartografía geológica mediante aprendizaje automático y datos geofísicos
Numerosos conjuntos de datos (incluidos datos geofísicos, geoquímicos y geológicos) que cubren el área de estudio proporcionan información valiosa sobre el subsuelo. Sin embargo, la integración de tantos conjuntos de datos puede dificultar su interpretación. Los algoritmos de aprendizaje automático (MLA) superan este desafío mediante un método automático para reconocer patrones en los conjuntos de datos. Los MLA son métodos eficientes para generar mapas geológicos o mejorar los existentes. Comienzan con un entrenamiento y, una vez aprendidos, los patrones se aplican a los conjuntos de datos para generar predicciones en problemas de clasificación y regresión basados en datos. Los MLA muestran un buen rendimiento en la predicción de categorías a partir de datos de entrenamiento. Son uno de los métodos más eficaces para la predicción y clasificación de mineralizaciones, así como de unidades litológicas y estructuras geológicas.
Aprendizaje automático e inversión geofísica
Mientras que las inversiones geofísicas reconstruyen estructuras geológicas a partir de respuestas físicas y geometrías, los métodos de aprendizaje automático utilizan patrones en los datos para proporcionar predicciones y clasificaciones (por ejemplo, de litología o mineralización). Para una geometría (estructura), diferentes propiedades físicas (como densidad, conductividad, etc.) generan distintos tipos de datos geofísicos. Sin embargo, en la inversión, diferentes tipos de datos geofísicos de una misma geometría con distintas propiedades físicas podrían no generar el mismo modelo. Por lo tanto, los modelos geológicos reconstruidos a partir de la inversión de datos geofísicos podrían ser diferentes. En este punto, los algoritmos de aprendizaje automático pueden encontrar patrones en los modelos para generar un único modelo mediante la clasificación.