Maestría en Geofísica

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/8937

Browse

Browsing Maestría en Geofísica by Subject "Acquisition geometries"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Diseño de geometrías de adquisición para gravimetría y magnetometría enfocado a la exploración de cuerpos intrusivos mediante el uso de Aprendizaje Profundo (Deep Learning) sobre imágenes satelitales
    (Universidad Industrial de Santander, 2022-09-12) Martínez Acevedo, Juan Sebastián; Khurama Velásquez, Sait; Mantilla Figueroa, Luis Carlos; Bernal Olaya, Rocío del Pilar; Moyano Nieto, Ismael Enrique
    En este estudio se presentan geometrías de adquisición enfocadas a la exploración de cuerpos intrusivos y que fueron diseñadas a partir de una aplicación de Aprendizaje Profundo sobre imágenes satelitales. Las geometrías de adquisición fueron trazadas para los métodos de gravimetría y magnetometría en la zona donde aflora el Granito de Durania, ubicado en cercanías al municipio homónimo en Norte de Santander. El diseño partió de un análisis de los factores que afectan las adquisiciones para los métodos geofísicos a implementar. Así, se consideraron las coberturas vegetales, los cuerpos de agua y la topografía como elementos negativos para una adquisición óptima en términos de logística y calidad de datos. Con este análisis se logró una clasificación de favorabilidad para la zona de estudio donde se trazaron transectas y coordenadas de adquisición. Sin embargo, las geometrías diseñadas suponen datos puntuales y dispersos, generando un reto adicional en la obtención de imágenes geofísicas de calidad. Por esa razón, en esta investigación se implementaron Métodos de Interpolación Espacial (MIE) con el fin de obtener imágenes geofísicas de representativas para la zona de estudio. La determinación del método de mejor desempeño se realizó, en primera instancia, en una zona distinta a la de estudio donde se tuvieran datos de acceso libre. Esto último, se realizó con el fin de hacer una cuantificación de desempeño de cada MIE considerado a través de pruebas remotas y lograr un grado de certeza antes de ejecutar una adquisición sobre la zona de estudio. Así, se implementaron los métodos de Ordinary Kriging (OK), Ponderación de Distancia Inversa (IDW) y Random Forest (RF) sobre una zona en Norte América, donde el método IDW fue el de mejor desempeño de acuerdo a las métricas de error. Una vez validados los desempeños de los MIE y de tener una geometría sobre la zona de estudio, se consideró una adquisición sobre la zona de estudio que fue desestimada por consideraciones de seguridad. Esto, sumado a que la zona de estudio no contaba con datos geofísicos de acceso libre, llevó a implementar el modelo directo en la investigación mediante la librería Sim- PEG disponible para Python. En esta herramienta se hizo un modelamiento de la geología de la zona y se asignaron valores a las propiedades geofísicas correspondientes a cada litología representativa. Una vez ejecutado el modelo directo, se obtuvieron datos para las geometrías diseñadas y se implementaron los MIE donde, según las métricas de error, el método IDW fue el de mejor desempeño. Los resultados de la interpolación espacial sobre datos obtenidos por modelamiento directo sugieren una aproximación real a las anomalías geofísicas de la zona. Se sugiere el flujo de trabajo presentado a futuras investigaciones y se recomienda hacer una evaluación de las geometrías y los MIE para un modelamiento inverso.