Descripción general
Cuando haga clic en Run Prediction en Paso 4: Seleccionar Input Features DORA 2.0 ejecuta su flujo de trabajo de modelado de prospectividad utilizando las entradas definidas durante la configuración.
Durante este proceso, DORA 2.0 prepara sus datos, entrena y valida un modelo de aprendizaje automático y genera un Mapa de Predicción.
El Mapa de Predicción incluye:
Target Groups (generado como paso final y opcional una vez completado el Mapa de Predicción)
Las siguientes secciones explican lo que sucede internamente mientras DORA 2.0 procesa sus datos y genera estos resultados.
Resumen: Flujo de trabajo de predicción
Cuando se ejecuta una predicción, DORA 2.0 procesa sus datos a través de varias etapas:
Preparación de datos: los conjuntos de datos seleccionados están estandarizados y se alinean dentro del AOI.
Fusión e incrustación de datos: un modelo de aprendizaje profundo analiza las relaciones entre conjuntos de datos y las convierte en incrustaciones.
Entrenamiento y validación del modelo: el modelo aprende de sus Learning Data y se evalúa su rendimiento.
Resultados de predicción: el modelo entrenado se aplica en toda el área de interés para generar resultados VPS.
Detrás de escena: Cómo DORA 2.0 genera predicciones
Preparación de datos
En primer lugar, DORA 2.0 prepara todos los datos de entrada seleccionados para el modelado, que incluyen:
Estandarización de los datos espaciales dentro del AOI
Alinear las Input Features seleccionadas
Estructurar las Learning Data
Garantizar la compatibilidad entre todos los conjuntos de datos
Todos los datos de entrada se convierten a un formato coherente para que puedan analizarse conjuntamente.
Fusión e incrustación de datos
A continuación, DORA 2.0 utiliza un modelo de aprendizaje profundo para analizar las relaciones entre múltiples conjuntos de datos geológicos.
Estos conjuntos de datos se convierten luego en embeddings. Los embeddings capturan la señal combinada de múltiples capas de datos, lo que permite que el modelo representar el contexto espacial y geológico en un formato legible por máquina.
Esto permite que DORA 2.0 identifique patrones asociados con elDeposit Type seleccionado y los aplique en toda el área de interés (AOI).
Entrenamiento y validación del modelo
Una vez que los datos han sido preparados e incrustados, DORA 2.0 entrena un modelo de clasificación utilizando sus Learning Data.
Las Learning Data incluyen ejemplos etiquetados de ubicaciones mineralizadas y no mineralizadas. El modelo aprende los patrones espaciales asociados con estos ejemplos y aplica ese conocimiento en todo el AOI.
Para garantizar predicciones fiables, DORA 2.0 organiza los learning points en grupos espaciales de entrenamiento y prueba, agrupando geográficamente los puntos cercanos.
Durante el entrenamiento, el modelo se entrena con grupos de una zona → se reserva un grupo diferente para las pruebas → el proceso rota entre los grupos para evaluar el rendimiento.
Este enfoque reduce el sesgo espacial y ayuda a garantizar que el modelo pueda generalizar correctamente en todo el AOI.
Generación de resultados de prospectividad
Una vez que el modelo ha sido entrenado y validado, DORA 2.0 lo aplica en toda el área de interés para generar resultados de prospectividad y gráficos de rendimiento:
Surface VPS: resalta los patrones de prospectividad a nivel de superficie en todo el AOI.
Sub-surface VPS: evalúa la prospectividad bajo la superficie utilizando información basada en la profundidad.
Target Groups: identifica y organiza grupos con alta prospectividad (los Target Groups pueden crearse y ajustarse como un paso final y opcional dentro del flujo de trabajo del Mapa de Predicción).
Prediction Results: muestran el rendimiento del modelo. Los resultados incluyen etiquetas de Feature Importance, precisión de la predicción y precisión de la profundidad.
En conjunto, estos resultados constituyen la base del Mapa de Predicción.
¿Qué es un Mapa de Predicción?
Un Mapa de Predicción es el resultado final generado por DORA 2.0.
Visualiza dónde el modelo identifica una mayor prospectividad para su commodity objetivo dentro del Área de Interés (AOI).
Esto se representa mediante el VPS, que refleja qué tan estrechamente se asemejan las distintas áreas a los patrones presentes en sus Learning Data y en las Input Features seleccionadas.
El Mapa de Predicción combina múltiples resultados en una sola vista, lo que le ayuda a interpretar los resultados e identificar posibles objetivos de exploración.
Más información
Pasos para crear un mapa de predicción:
Interpretación de los resultados:
[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.