Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Goyes Peñafiel, Yesid PaulMantilla Dulcey, Ana Gabriela2023-02-272023-02-272023-02-272023-02-27https://noesis.uis.edu.co/handle/20.500.14071/12289Los mapas de prospectividad mineral son un insumo esencial para delimitar zonas potenciales fuentes de materia prima en el nuevo paradigma de transición energética. Las técnicas usadas generalmente consideran la regresión logística, los pesos de evidencia, los métodos heurísticos y la estadística bivariada. No obstante, en los métodos heurísticos se deben asignar pesos basados en el criterio experto, en los bivariados se deben clasificar las capas de valores continuos a valores categóricos o nominales, y finalmente la regresión logística considera una clasificación lineal de los datos. Por otro lado, los métodos de aprendizaje automático proporcionan un enfoque flexible y preciso en el uso de variables continuas y permiten encontrar modelos que aproximan de manera adecuada un conjunto de datos o factores condicionantes con valores de probabilidad relacionados con la ocurrencia mineral. En este trabajo se presenta una aplicación detallada y sistemática de los métodos de aprendizaje automático redes neuronales artificiales, bosques aleatorios y máquinas de soporte vectorial. Adicionalmente, se realizó un flujo de preprocesamiento (estandarización, análisis de componentes principales, análisis de distribución) de las variables de entrada con el objetivo de representar el problema de predicción mineral con un problema de clasificación con superficies de decisión. Para comprobar la efectividad y el flujo de trabajo propuesto se analizó una zona del territorio de Yukón (Canadá), donde se inició a partir de una revisión exhaustiva de las variables o criterios mapeables de exploración relacionados con ocurrencia minerales. Los mapas de probabilidad calculados tuvieron una precisión promedio de 98.96% y la evaluación del rendimiento de los modelos de aprendizaje automático se realizó de manera cuantitativa usando matrices de confusión, curvas ROC y precisión. Finalmente, para mejorar los modelos basados en información o criterio geológico, se propuso la técnica de aumento de datos y la aritmética de bandas entre los mapas de probabilidad, lo que permitió delimitar un total de 4 zonas potenciales. Por esta razón, la incorporación del aprendizaje automático en el flujo de trabajo de exploración mineral supone una mejora considerable en la optimización de recursos y el grado de confiabilidad en los objetivos de exploración.application/pdfspainfo:eu-repo/semantics/openAccessMapas de prospectividad mineralAprendizaje automáticoRedes neuronales artificialesBosques aleatoriosMáquinas soporte vectorialPórfidosProbabilidadUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coMineral Prospectivity MapsMachine LearningArtificial Neural NetworksRandom ForestsSupport Vector MachinesPorphyriesProbabilityhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)