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

Martínez Acevedo, Juan Sebastián

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

dc.contributor.advisor	Khurama Velásquez, Sait
dc.contributor.advisor	Mantilla Figueroa, Luis Carlos
dc.contributor.author	Martínez Acevedo, Juan Sebastián
dc.contributor.evaluator	Bernal Olaya, Rocío del Pilar
dc.contributor.evaluator	Moyano Nieto, Ismael Enrique
dc.date.accessioned	2022-09-26T00:52:00Z
dc.date.available	2022-09-26T00:52:00Z
dc.date.created	2022-09-12
dc.date.issued	2022-09-12
dc.description.abstract	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.
dc.description.abstractenglish	In this study, acquisition geometries focused on the exploration of intrusive bodies are presented, which were designed from a Deep Learning application on satellite images. The acquisition geometries were traced for the gravimetry and magnetometry methods in the area where the Durania Granite outcrops, located near the municipality of the same name in Norte de Santander. The design was based on an analysis of the factors that led to the acquisitions for the geophysical methods to be implemented. Thus, vegetation cover, bodies of water and topography are considered as negative elements for optimal acquisition in terms of logistics and data quality. With this analysis, a favorability classification was modified for the study area where transects and acquisition coordinates were drawn. However, the geometries assume punctual and scattered data, revealing an additional challenge in obtaining quality geophysical images. For this reason, Spatial Interpolation Methods (MIE)were implemented in this research in order to obtain representative geophysical images for the study area. The determination of the method with the best performance was carried out, in the first instance, in an area other than the study area where there was free access data. The latter was carried out in order to quantify the performance of each MIE considered through remote tests and achieve a degree of certainty before executing an acquisition on the study area. Thus, the Ordinary Kriging (OK), Inverse Distance Weighting (IDW) and Random Forest (RF) methods were implemented over an area in North America, where the IDW method was the one with the best performance according to the error metrics. Once the performance of the SIM and having a geometry over the study area had been validated, an acquisition over the study area was considered, which was rejected due to safety considerations. This, added to the fact that the study area did not have free access geophysical data, led to the implementation of the direct model in the investigation using the SimPEG library available for Python. In this tool, a modeling of the geology of the area was made and values were assigned to the geophysical properties corresponding to each representative lithology. Once the direct model was executed, data was obtained for the designed geometries and the MIE were implemented where, according to the error metrics, the IDWmethod was the one with the best performance. The results of the spatial interpolation on data obtained by direct modeling suggest a real approximation to the geophysical anomalies of the area. The presented workflow is suggested for future research and it is recommended to make an evaluation of the geometries and the SIM for an inverse modeling.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Geofísica
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/11808
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ciencias
dc.publisher.program	Maestría en Geofísica
dc.publisher.school	Escuela de Física
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Aprendizaje Profundo
dc.subject	Problema Directo
dc.subject	geometrías de adquisición
dc.subject	interpolación espacial
dc.subject	gravimetría
dc.subject	magnetometría
dc.subject	cuerpos intrusivos
dc.subject	Geofísica
dc.subject	Granito de Durania
dc.subject.keyword	Deep Learning
dc.subject.keyword	Forward Problem
dc.subject.keyword	Spatial Interpolation
dc.subject.keyword	gravimetry
dc.subject.keyword	magnetometry
dc.subject.keyword	Acquisition geometries
dc.subject.keyword	intrusive bodies
dc.subject.keyword	Geophysics
dc.subject.keyword	Durania Granite
dc.title	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
dc.title.english	Design of acquisition geometries for gravimetry and magnetometry focused on the exploration of intrusive bodies through the use of Deep Learning on satellite images
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type