/ Proyectos / Minería / Mapas de prospectividad mineral
Mapas de prospectividad mineral con datos geoespaciales abiertos y machine learning
Litología, campo magnético y geoquímica combinados con interpolación espacial, KMeans, DBSCAN y regresión, partiendo de datos mínimos y abiertos, no del dataset ideal.
El punto de partida fue un paper de referencia sobre mapas de prospectividad mineral en un distrito minero de cobre, que combina 12 mapas predictivos y modelos SVM, ANN y RF entrenados sobre decenas de depósitos ya conocidos. El problema real: no se contaba con ese volumen de depósitos etiquetados. Había que decidir qué construir con datos mínimos y abiertos, litología, campo magnético y geoquímica, en vez de esperar al dataset ideal que el paper sí tenía.
Insight "Parte del artículo, parte de la idea que tengas, y sal a buscar los datos abiertos que te falten."
Rara vez el dataset que inspiró el proyecto viene completo. Aquí, litología, campo magnético y geoquímica llegaron de fuentes distintas, en momentos distintos, y ninguna por sí sola alcanzaba para replicar el paper de referencia. El orden que sí funcionó fue: fijar primero la pregunta a partir del artículo, inventariar qué datos ya se tenían, y solo después salir a buscar lo que faltaba en fuentes abiertas, en vez de esperar a tener todo antes de empezar. Con esos datos se armó un pipeline propio: una rejilla uniforme sobre el área de trabajo, interpolación espacial para llevar las mediciones puntuales a esa rejilla, y tres enfoques de modelado distintos sobre la misma tabla de condiciones, en vez de un solo modelo supervisado que el volumen de datos disponible no habría podido sostener.
Mapa del casoContenido
- Diagrama de la solución. De tres capas GIS a un mapa de prospectividad combinado
- Construcción de la solución. Cómo se adaptó el enfoque del paper a los datos realmente disponibles
- Condiciones del proyecto. Restricciones reales y opciones descartadas antes de construir
- Pasos. Qué se dejó al agente y qué criterio se aplicó en cada uno
- Proceso de iteración. Lo que cada modelo reveló y lo que quedó limitado
- Descargables. Notebook, diagrama y repositorio del proyecto
- Lecciones importantes. La lección concreta que deja este caso
Estructura de alto nivelDiagrama de la solución
Pasa el cursor sobre cada bloque para ver qué hace ese paso.
Litología, campo magnético y geoquímica se interpolan y combinan en una sola rejilla antes de que cualquier modelo entre en juego, porque unir las capas después de modelar habría multiplicado el trabajo sin mejorar la señal.
Cómo se construyóConstrucción de la solución
Condiciones del proyecto
| Restricción | Dato |
|---|---|
| Depósitos etiquetados disponibles | Muy por debajo del volumen que usa el paper de referencia |
| Capas de entrada | Litología, campo magnético y geoquímica, no las 12 capas del paper |
| Tamaño de celda de la rejilla | Debe balancear resolución real de los datos contra costo computacional |
| Variables continuas medidas en puntos | Campo magnético y geoquímica requieren interpolación antes de combinarse con litología |
| Opción | Por qué se descartó |
|---|---|
| Replicar SVM, ANN y RF supervisados igual que el paper de referencia | No había suficientes depósitos etiquetados para entrenar un clasificador supervisado con confianza |
| Usar un solo método de interpolación (por ejemplo solo IDW) para todas las variables | El campo magnético y la geoquímica tienen comportamientos espaciales distintos; forzar un único método habría subestimado uno de los dos |
| Enfoque no supervisado (KMeans + DBSCAN) más regresión, con IDW para campo magnético y RBF para geoquímica | Aprovecha los datos mínimos disponibles sin forzar una clasificación que los datos no podían sostener, y respeta el comportamiento distinto de cada variable |
Insight "Organiza los datos con lo que ya sabes, para que el modelo tenga más posibilidades de encontrar un patrón real."
Esto se aplicó de dos formas concretas. Primero, un divide y vencerás sobre el propio espacio de búsqueda: en vez de tratar toda la región como un solo bloque, se discretizó en la rejilla y se probaron distintas formas de interpolación por variable, lo que redujo la complejidad de cada subproblema y facilitó revisar si los resultados tenían sentido geológico antes de combinarlos. Segundo, se exploró sumar datos satelitales como otra fuente de información previa, no como un añadido cosmético: cuanta más información a priori entra a la rejilla, más fácil es para cualquier modelo, supervisado o no, separar señal real de ruido espacial.
Pasos
Definición del tamaño de celda de la rejilla
Agente: propuso un tamaño de celda arbitrario, sin justificar el valor.
Criterio aplicado: fijar el tamaño de celda a partir de la resolución real de los datos de entrada, para no diluir anomalías puntuales ni exceder la resolución que los datos realmente soportan.
Elección de método de interpolación por variable
Agente: sugirió usar IDW para todas las variables continuas por simplicidad de código.
Criterio aplicado: usar IDW para campo magnético, por su variación suave y local, y RBF con base gaussiana para geoquímica, por su comportamiento espacial menos regular.
Elección del número de clústeres en KMeans
Agente: propuso un número de clústeres fijo, sin evaluar alternativas.
Criterio aplicado: usar el índice de silueta sobre un rango de valores de k, para elegir el número de clústeres que mejor refleja la estructura real de los datos, no un valor arbitrario.
Incorporación de DBSCAN como contraste a KMeans
Agente: se detuvo en KMeans como único método de clustering.
Criterio aplicado: agregar DBSCAN porque no asume una forma de clúster predefinida, y las anomalías geoquímicas reales casi nunca tienen la forma compacta que KMeans asume.
Proceso de iteración
Ajuste documentado, no forzado
Al comparar los siete regresores sobre el valor geoquímico predicho, los modelos de árboles (Random Forest, Gradient Boosting) superaron consistentemente a la regresión lineal, Ridge y Lasso, lo que confirma que la relación entre litología, campo magnético y geoquímica no es lineal. Sin embargo, ningún regresor por sí solo explica bien las anomalías puntuales que DBSCAN sí detecta: el mapa de prospectividad final necesitó las tres señales combinadas, no la mejor de las tres por separado.
Descargables
La zona de estudio y los datos de este artículo se presentan de forma genérica, sin coordenadas ni nombres de ubicación reales, para proteger la confidencialidad del proyecto original.
CierreLecciones importantes
La lección más grande de este proyecto es que un dataset imperfecto no es una razón para forzar el enfoque del paper que te inspiró. Es una razón para preguntarte qué se puede construir honestamente con lo que sí tienes, y documentar esa decisión con la misma seriedad que si tuvieras el dataset ideal.
Si quieres ver un enfoque publicado con una idea similar, mapas de prospectividad mineral con machine learning sobre datos geoespaciales, este es el artículo que inspiró este proyecto: GIS-based mineral prospectivity mapping using machine learning methods: A case study from Tongling ore district, eastern China (Ore Geology Reviews, 109, 2019).
Insight "Este proyecto se hizo para que una persona aprendiera a leer sus propios datos, no solo para entregarle un mapa."
Ese es justamente el tipo de acompañamiento que también ofrecemos: no solo el modelo terminado, sino capacitación y pruebas para que la persona detrás del proyecto pueda seguir analizando sus propios datos después de que el proyecto se entrega.
Termina ya tu proyecto
¿Tienes datos geoespaciales y no sabes cómo estructurar tu propio mapa de prospectividad? Yo te ayudo a diseñarlo.
El 92% de los profesionales de datos desbloquea sus proyectos al ver ejemplos completos resueltos.
Sin registro. Acceso inmediato