Descripción general
Los learning data (datos de entrenamiento) definen qué elementos está enfocando y separan los puntos de muestreo en ejemplos positivos (mineralizados) y negativos (no mineralizados).
Estos puntos etiquetados entrenan al modelo para reconocer patrones espaciales y generar predicciones.
En este paso, seleccionará su(s) elemento(s) objetivo y revisará el umbral recomendado que se utiliza para clasificar sus Learning Points.
¿Qué ha mejorado?
Este paso ahora incluye una recomendación automática del umbral de mineralización basada en datos.
DORA analiza tus datos de aprendizaje para sugerir un punto de corte inicial significativo, lo que reduce las conjeturas durante la configuración del experimento.
¿Qué son los datos de aprendizaje?
Los learning data provienen del shapefile de Learning Points que se cargó como parte de los datos de su proyecto. Este archivo contiene ubicaciones de muestreo con atributos como leyes de elementos y valores de elevación.
Como mínimo, cada Learning Point debe incluir:
Coordenadas (este y norte)
Elevación
Datos de ensayo para uno o más elementos
La mayoría de los Learning Points provienen de ensayos de perforación (ajustados a espacio 3D) o de análisis de rocas superficiales in situ. Un posicionamiento espacial preciso es esencial para obtener predicciones confiables.
DORA clasifica cada punto como positivo (mineralizado) o negativo (no mineralizado) según el umbral seleccionado.
Cómo DORA recomienda un umbral
Al seleccionar un elemento objetivo, DORA analiza tanto la distribución de las leyes como la forma en que esos valores están organizados espacialmente dentro de su Área de Interés (AOI).
En lugar de basarse únicamente en los valores de ley, DORA evalúa cómo se relacionan espacialmente las muestras entre sí. Identifica agrupamientos estadísticamente significativos de leyes elevadas y los distingue de valores atípicos aislados de alta ley.
El umbral recomendado está diseñado para capturar zonas de mineralización espacialmente coherentes, no solo las muestras individuales con valores más altos. Esto permite una separación geológicamente más significativa entre ejemplos mineralizados y no mineralizados.
Este umbral constituye un punto de partida sólido y basado en datos para prefiltrar las entradas. Sin embargo, antes de finalizarlo, debe revisarse y validarse en función de su criterio geológico y de los objetivos de exploración.
Por qué este paso es importante
Perspectiva geocientífica
La separación entre datos mineralizados y no mineralizados refleja la forma en que los geocientíficos interpretan anomalías. Esto garantiza que el modelo se entrene con ejemplos que representen objetivos de exploración reales, lo que conduce a predicciones más confiables.
Perspectiva de IA
Un etiquetado claro permite que el modelo aprenda los patrones espaciales que distinguen la señal del fondo. Una estructura de dos clases proporciona una base estable e interpretable para generar predicciones.
💡Los learning data son la base del Performance Breakdown, uno de los tres gráficos de salida generados por DORA junto con el VRIFY Prospectivity Score (VPS).
El Performance Breakdown evalúa qué tan bien sus ejemplos etiquetados ayudaron al modelo a distinguir entre zonas mineralizadas y no mineralizadas. |
Instrucciones paso a paso
Abrir Configurar Learning Points
Desde el panel de configuración del experimento, haga clic en Paso 2: Configurar Learning Points.
Seleccionar archivo de Learning Points
Seleccione el archivo de Learning Points en el menú desplegable. Si solo existe un archivo, se seleccionará automáticamente y esta opción no estará disponible.
(Opcional) Para cargar un nuevo archivo de Learning Points desde la interfaz de DORA, haga clic en Manage Learning Points en la parte inferior del menú desplegable. Tenga en cuenta que el procesamiento puede tardar hasta 15 minutos antes de que aparezca en la lista. Aprenda a formatear, cargar y administrar su archivo de Learning Points.
Seleccionar campo de elevación
Seleccione el Elevation Field que coincida con la columna de coordenadas Z de su shapefile. Esto se utiliza para la predicción en 3D.
Seleccionar elemento(s) objetivo
Seleccione un elemento objetivo en el menú desplegable. A partir de aquí, DORA genera automáticamente un umbral recomendado para clasificar los Learning Points positivos.
El histograma muestra la distribución de leyes:
El eje X representa los valores mínimo y máximo de ley.
Eleje Y muestra el número de puntos de muestreo dentro de cada rango de ley.
Puede continuar con el umbral sugerido o ajustar el valor utilizando el control deslizante.
(Opcional) Agregar más elementos objetivo
Haga clic en Add Element para incluir elementos adicionales y definir umbrales individuales.
Si utiliza varios elementos, elija cómo se evaluarán:
OR – Un punto se clasifica como positivo si cumple cualquier umbral. Úselo para un targeting multielemento más amplio.
AND – Un punto se clasifica como positivo solo si cumple todos los umbrales. Úselo cuando busque una combinación específica de elementos.
Revisar el Target Element Breakdown
Esta tabla se completa automáticamente según los umbrales seleccionados.
Muestra el número y porcentaje de puntos mineralizados vs. no mineralizados.
Completar el paso
Haga clic en Generate Learning Data para guardar y continuar.
Este paso tarda aproximadamente 2 minutos en completarse.
Consideraciones al ajustar el umbral
El umbral recomendado puede ser un buen punto de partida para reducir el ensayo y error. Sin embargo, existen muchos casos en los que realizar ajustes estratégicos puede ser apropiado.
Aquí tiene dos ejemplos de situaciones en las que podría convenir modificar el valor del umbral:
Está trabajando con un cutoff definido económicamente (por ejemplo, para reportes internos o criterios impulsados por el mercado).
El Área de Interés (AOI) representa solo una parte de un sistema mineral más amplio.
En este caso, puede preferir un umbral que se alinee con otros depósitos del distrito, con el estilo de mineralización regional o con un contexto geológico más amplio. La coherencia entre objetivos puede ser más importante que la lógica de agrupamiento localizada.
Al ajustar manualmente, procure que aproximadamente entre el 10 % y el 20 % de los ejemplos sean mineralizados, tal como se muestra en la tabla Target Element Breakdown. Muy pocos positivos limitan la capacidad del modelo para aprender patrones significativos, mientras que un desequilibrio extremo puede reducir el rendimiento.
Más información
Pasos anteriores:
Próximos pasos:
[DORA 2.0] Paso 3: Seleccionar Deposit Type
[DORA 2.0] Paso 4: Seleccionar Input Features
[DORA 2.0] Crear Grupos Objetivo
Interpretación de resultados:
[DORA 2.0] ¿Qué es la VRIFY Prospectivity Score (VPS)?
[DORA 2.0] Análisis de Precisión y Rendimiento de la Predicción
[DORA 2.0] Precisión de Profundidad y Gráfico de Dispersión Real vs. Predicho
[DORA 2.0] Importancia de Características
¿Aún tiene preguntas?
Comuníquese con su contacto designado de DORA o envíe un correo electrónico a support@VRIFY.com para obtener más información.