Al configurar un Mapa de Predicción DORA, se le guiará a través de seis pasos clave para analizar datos geológicos y otras características relevantes con el fin de generar resultados.

En este artículo, encontrará enlaces a tutoriales interactivos para cada paso del flujo de trabajo del Mapa de Predicción de DORA. Para analizar más profundamente el contexto, incluyendo la justificación geocientífica, el comportamiento del modelo de IA y consejos prácticos, le recomendamos leer los artículos paso a paso completos vinculados a cada tutorial.

Para comenzar, revise esta introducción paso a paso a la interfaz de DORA. Aprenderá a navegar por la interfaz y las herramientas disponibles al crear un Mapa de Predicción.

🔗 Lea el artículo completo: Introducción a DORA.

Aprenda cómo definir su Área de Interés (AOI, por sus siglas en inglés Area of Interest) al crear un experimento en DORA.

Definir el AOI (área de interés) reduce el enfoque de su análisis al limitar las características y los puntos de aprendizaje a un límite geográfico específico.

🔗 Lea el artículo completo: Paso 1: Cómo seleccionar el área de interés (AOI).

En este paso, usted selecciona los datos de geociencia que desea incluir en el experimento.

Además, puede ajustar las características, opciones de visualización y umbrales de correlación, lo que le permite resaltar capas de datos específicas y enfatizar los detalles más relevantes para su experimento.

🔗 Lea el artículo completo: Paso 2: Cómo seleccionar características de entrada.

El siguiente paso consiste en seleccionar los elementos objetivo y establecer umbrales para clasificar los puntos de aprendizaje. Los datos de aprendizaje definen qué elementos se están analizando y separan los puntos de muestra en ejemplos positivos (mineralizados) y negativos (no mineralizados).

Estos puntos etiquetados entrenan al modelo para reconocer patrones en su conjunto de datos y generar predicciones precisas.

🔗 Lea el artículo completo: Paso 3: Cómo configurar los datos de aprendizaje.

A continuación, seleccionará un modelo de Data Fusion (fusión de datos) y definirá el número de épocas de entrenamiento para incrustar sus características de entrada.

Este proceso reduce la complejidad de sus datos al tiempo que adapta el modelo a su contexto geológico específico.

🔗 Lea el artículo completo: Paso 4: Cómo incrustar características de entrada.

En este paso, DORA compara sus datos de entrada integrados con puntos de aprendizaje agrupados, los cuales se organizan para entrenamiento y validación.

Este proceso impulsa el modelo de aprendizaje supervisado que predice la probabilidad de mineralización en su Área de Interés (AOI), influyendo directamente en la precisión y la generalización.

🔗 Lea el artículo completo: Paso 5: Cómo construir un modelo predictivo.

Por último, usted definirá y visualizará sus objetivos finales de exploración utilizando el Puntaje de Prospectividad VRIFY (VPS, por sus siglas en inglés VRIFY Prospectivity Score) generado por su modelo predictivo.

Ajustará la configuración de umbrales y agrupamiento para reunir las zonas de alta prospectividad en objetivos distintos para luego evaluarlas utilizando sus conocimientos geológicos y el contexto de su proyecto.

🔗 Lea el artículo completo: Paso 6: Cómo identificar objetivos.

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