Las puntuaciones de recomendación de DORA son un punto de partida útil que reflejan las prioridades del aprendizaje automático, pero no capturan el contexto geológico.

Los mejores conjuntos de características combinan ambos elementos: puntuaciones basadas en datos y su comprensión del yacimiento, la calidad de los datos y el contexto de exploración.

Para obtener una explicación completa de cómo se calculan las puntuaciones, consulte Cómo DORA 2.0 califica las características de entrada.

Más características no siempre es mejor. DORA incluye por defecto 64 Recommended Features, pero no es necesario usar todos los espacios disponibles. En la práctica, entre 20 y 30 capas bien seleccionadas suelen producir modelos sólidos. A menudo, comenzar con las 24 o 32 capas recomendadas es una estrategia razonable para un experimento inicial.

No incluya el elemento objetivo como Input Feature.Usar el mismo elemento como umbral de learning points y como ráster de entrada genera lógica circular e infla los resultados sin aportar valor predictivo real (ver Etapa 1 más abajo).

Una puntuación de cero no significa que una capa no sea útil. Una causa común de una puntuación cero es la cobertura parcial del AOI. Si un dataset cubre sus learning points y el límite de la propiedad, aún puede ser valioso incluirlo.

Las puntuaciones altas suelen favorecer datos amplios y de menor resolución. Los rásteres con cobertura completa del AOI y señales de mayor longitud de onda tienden a obtener buenas puntuaciones. Esto tiene sentido estadístico, pero puede hacer que los estudios locales de alta resolución queden subvalorados. Téngalo en cuenta al revisar las recomendaciones.

Trabajar a través de tres experimentos secuenciales (agregando una nueva categoría de datos en cada iteración) le ayuda a identificar los objetivos más robustos y a entender qué aporta cada dataset a la predicción.

Los targets que aparecen de forma consistente en las tres iteraciones representan sus candidatos de mayor confianza.

En esta primera etapa, utilice únicamente datos objetivos y de cobertura continua, incluyendo: capas geofísicas y lineamientos derivados de productos geofísicos.

Acepte las recomendaciones de DORA como punto de partida, pero excluya cualquier ráster de roca que coincida con los elementos objetivo utilizados en sus learning points, ya que esto genera lógica circular.

También excluya datasets de suelos con bajo control de calidad, ya que las anomalías pueden reflejar artefactos de grillas auxiliares que se filtran en la predicción geoquímica, en lugar de un verdadero patrón geológico.

Incorpore las capas geoquímicas y compare los resultados con su línea base de la Etapa 1.

En esta etapa, agregue capas de geología interpretativa, como estructuras mapeadas, mapas de distancia litológica y otras capas derivadas de interpretación geológica.

Tenga en cuenta que no todas las capas geológicas tienen el mismo nivel de confianza. Una falla mapeada con precisión es un insumo muy distinto a un límite litológico regional de una cartografía pública. Considere cómo se generó cada capa y si es adecuada para la escala de su AOI antes de incluirla.

Comuníquese con su contacto designado de DORA o envíe un correo electrónico a support@VRIFY.com para obtener más información.