Descripción general
En Paso 4: Seleccionar Input Features DORA 2.0 evalúa automáticamente los rásteres seleccionados antes del modelado.
Cada ráster recibe una puntuación compuesta de 0 a 100, basada en cinco criterios con igual ponderación. La puntuación final es el promedio de estos cinco valores.
Los rásteres se clasifican según su puntuación compuesta, y las capas con mejor desempeño (hasta 64) se incluyen automáticamente en la selección de Recommended Features. Usted puede revisar y ajustar esta selección antes de ejecutar el modelo.
Como la evaluación considera múltiples factores, la puntuación de un ráster refleja su relevancia geológica, cobertura espacial, redundancia con otras capas y compatibilidad con la configuración del modelo.
Cómo DORA evalúa las Input Features
DORA evalúa cada ráster utilizando cinco criterios que miden la cobertura, la relevancia geológica, la redundancia y la compatibilidad espacial con la configuración del modelo.
1. Cobertura del AOI
Qué mide:
Qué tan completamente cubre el ráster el AOI seleccionado. (Paso 1: Seleccionar AOI)
Cómo se puntúan los rásteres
Una cobertura sólida en toda el área de interés = puntuaciones más altas.
Gaps significativos, datos faltantes o extensión espacial limitada = puntuaciones más bajas.
Por qué es importante:
Una cobertura incompleta puede reducir la confiabilidad del modelo e introducir sesgos.
2. Alineación del modelo
Qué mide:
Qué tan consistente es el ráster con el tipo de datos utilizados para entrenar el Deposit Type seleccionado. (Paso 3: Seleccionar Deposit Type).
Cómo se puntúan los rásteres:
Similar a los datos con los que se entrenó el modelo delDeposit Type = puntuaciones más altas.
Completamente nuevo o poco familiares para el modelo = puntuaciones más bajas.
Por qué es importante:
Los modelos funcionan mejor cuando se aplican a tipos de datos similares a aquellos utilizados durante su entrenamiento.
3. Relación de la Mineralización
Qué mide:
La relación estadística entre los valores del ráster y los Learning Data mineralizados versus no mineralizados.Paso 2: Configurar Learning Data)
Cómo se puntúan los rásteres:
Relaciones más fuertes con la mineralización = puntuaciones más altas.
Poca o ninguna relación con el mineral objetivo = puntuaciones más bajas.
Por qué es importante:
Las Input Features que muestran una asociación sólida con la mineralización aportan señales predictivas más significativas
4. Redundancia de Ráster (Colinealidad)
Qué mide:
El grado de similitud entre un ráster y otros rásteres seleccionados.
Cómo se puntúan los rásteres:
Si dos rásteres contienen información muy similar, uno de ellos será penalizado.
DORA prioriza el ráster con mayor puntuación para reducir la duplicación.
Por qué es importante:
Las capas altamente correlacionadas no aportan información nueva y pueden reducir la eficiencia del modelo.
5. Compatibilidad de Frecuencia y Muestreo
Qué mide:
Si la resolución espacial y las características de muestreo del ráster son apropiadas para el AOI y la escala del modelo.
Este criterio combina tres comprobaciones relacionadas que evalúan hasta qué punto la resolución espacial y el muestreo de un ráster se ajustan a su área de interés (AOI) y a la escala del modelo.
Cómo se puntúan los rásteres:
Compatibilidad de resolución
Demasiado grueso en relación con el AOI = puntuaciones más bajas (incluye rásteres sobremuestreados que han sido promediados en exceso y pierden señal importante)
Demasiado fino en relación con el AOI = puntuaciones más bajas si introduce ruido o no añade detalles significativos (incluye rásteres submuestreados que han sido sobreinterpolados sin agregar nueva información)
Alineación de escala espacial
Patrones espaciales están desalineados con la escala del AOI = puntuaciones más bajas
Si el AOI es demasiado pequeño para capturar los patrones espaciales dominantes del ráster = puntuaciones más bajas
Consistencia del muestreo
Submuestreo o sobremuestreo en relación con la resolución del modelo = puntuaciones más bajas
Muestreo inconsistente en todo el ráster = puntuaciones más bajas
Por qué es importante:
Los rásteres deben ser espacialmente compatibles con la escala del modelo para proporcionar señales predictivas fiables. Una mala alineación en la resolución, el muestreo o la escala espacial puede distorsionar u ocultar patrones geológicos significativos.
Cómo DORA 2.0 utiliza la puntuación
Las imágenes ráster se clasifican de mayor a menor según su puntuación compuesta.
Las Input Features están codificadas por colores para ayudarle a evaluar rápidamente su idoneidad:
Verde: 81–100
Amarillo: 51–80
Gris: 0–50
Las capas mejor clasificadas (hasta 64) se incluyen automáticamente en la selección de Recommended Features.
Esto proporciona un punto de partida sólido y basado en datos, pero la selección debe revisarse y ajustarse en función de sus conocimientos geológicos.
Más información
[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.