En este artículo, aprenderá a seleccionar y configurar las Características de Entrada (Input Features) dentro de su experimento en DORA. En este paso, usted eligirá los datos geocientíficos 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.

Las Características de Entrada (Input Features) son las cuadrículas de datos de exploración utilizadas en el modelo. Estas provienen de los conjuntos de datos compilados para el proyecto (incluidos sus propios datos de proyecto) y están sincronizadas con la Lista de Capas 3D. Puede seleccionar hasta 64 capas de características para un experimento.

Como buena práctica, comience seleccionando las características de entrada que los geólogos consideran más relevantes, específicamente aquellas conocidas por correlacionar con la mineralización o respaldadas por éxitos de exploración anteriores. Estas suelen ser las más significativas desde el punto de vista geológico y servirán como base para anclar su modelo en la lógica de exploración comprobada.

Además, asegúrese de que las entidades seleccionadas coincidan con la cobertura de su Área de Interés (AOI, por sus siglas en inglés Area of Interest) para garantizar una alineación espacial completa. Una mayor resolución no siempre significa una mayor precisión, especialmente si el ráster de entrada solo cubre parte de su AOI. DORA extrapolará las áreas faltantes, pero esto puede reducir la confiabilidad de la predicción. A menudo es mejor usar una característica ligeramente menos precisa que cubra el 100% de su AOI que una más precisa que solo cubra el 50%.

El uso de Características de Entrada ayuda a los geocientíficos a alinear el modelo con la realidad geológica. Capas como fallas, anomalías del suelo y datos geofísicos garantizan que las predicciones estén conectadas a una estrategia de exploración. Al probar diferentes combinaciones (por ejemplo, solo datos geofísicos o solo datos de suelos), los geocientíficos pueden explorar nuevas hipótesis y obtener información sobre los controles de la mineralización.

Las Características de Entrada son las variables de las que aprende el modelo, y su calidad y relevancia afectan directamente la precisión. Los datos interpolados rellenan vacíos la cobertura, mientras que los datos puntuales se rasterizan para crear cuadrículas consistentes en toda el Área de Interés. El umbral de correlación reduce la duplicación, evitando que el modelo se vea sesgado por características redundantes. Incluso las características de menor calidad ("lowQC") se conservan para garantizar la completitud, pero se marcan para que los usuarios sean conscientes de su fiabilidad.

Comience con características de alta confianza

Utilice los datos más confiables (como capas geofísicas) para reducir la incertidumbre del modelo. Evite sobrecargar el modelo, ya que demasiadas características puede diluir los patrones y limitar los resultados de los objetivos. Comience con unas pocas capas sólidas y luego agregue otras gradualmente para explorar nuevas ideas.

Experimentar e interpretar

Se recomienda realizar múltiples experimentos con diferentes combinaciones de características. Si observa de manera conciente áreas objetivo similares incluso al variar las capas, esta consistencia puede ayudarle a tener mayor confianza geológica en esas predicciones.

Usar características low-qc con precaución

Evite utilizar características de baja calidad (Low-QC) a menos que tenga una razón de peso para incluirlas. Si bien pueden parecer útiles en etapas tempranas de exploración, introducen mayor incertidumbre y pueden reducir la fiabilidad del modelo. Concéntrese primero en fuentes de datos de alta confianza antes de experimentar con capas de menor calidad.

Rellenar vacíos de datos mediante la extrapolación

Cuando los datos de aprendizaje presentan lagunas, DORA utiliza capas de entrada completas y continuas (como magnetometría o teledetección) para extrapolar patrones de áreas bien muestreadas hacia áreas no muestreadas. Esto ayuda a crear una superficie de predicción completa y mejora la confianza en áreas sin muestras directas.

Recordatorio final de compensación

Las mejores características no son solo aquellas en las que más confía, sino también las que tienen una cobertura sólida y una resolución adecuada. Una característica que solo cubre una parte de su área de interés o que presenta discrepancias en la resolución con otras capas puede perjudicar el rendimiento del modelo.

Recuerde equilibrar la calidad de los datos, cobertura y relevancia para obtener los mejores resultados.

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