Visão geral
Os dados de aprendizagem definem quais elementos você está visando e separam os pontos de amostra em exemplos positivos (mineralizados) e negativos (não mineralizados). Esses pontos rotulados treinam o modelo para reconhecer padrões espaciais e gerar previsões.
Nesta etapa, você selecionará o(s) elemento(s) alvo e revisará o limite recomendado para classificar seus pontos de aprendizado.
O que foi melhorado
Esta etapa agora inclui uma recomendação automática de limite de mineralização baseada em dados.
O DORA analisa seus dados de aprendizado para sugerir um ponto de corte inicial significativo, reduzindo as suposições durante a configuração do experimento.
O que são dados de aprendizagem?
Os dados de aprendizagem provêm do arquivo Shapefile de Pontos de Aprendizagem, carregado como parte dos dados do seu projeto. Este arquivo contém localizações de amostra com atributos como declives dos elementos e valores de elevação.
No mínimo, cada ponto de aprendizagem deve incluir:
Coordenadas (coordenadas leste e norte)
Elevação
Dados de ensaio para um ou mais elementos
A maioria dos pontos de aprendizagem provém de ensaios de perfuração (desmembrados para o espaço 3D) ou análises in situ de rochas superficiais. O posicionamento espacial preciso é essencial para previsões confiáveis.
O DORA classifica cada ponto como positivo (mineralizado) ou negativo (não mineralizado) com base no limite selecionado.
Como a DORA recomenda um limite
Ao selecionar um elemento alvo, o DORA analisa tanto a distribuição das notas quanto a forma como essas notas estão dispostas espacialmente em sua área de interesse.
Em vez de se basear apenas nos valores das notas, o DORA avalia como as amostras se relacionam entre si no espaço. Ele identifica agrupamentos estatisticamente significativos de notas elevadas e os distingue de valores atípicos isolados de alto valor.
O limiar recomendado visa capturar zonas de mineralização espacialmente coerentes, e não apenas as amostras individuais com maior concentração. Isso cria uma separação geologicamente mais significativa entre exemplos mineralizados e não mineralizados.
Esse limiar é um ponto de partida defensável e baseado em dados para pré-filtrar as entradas. No entanto, ele deve ser revisado e validado em relação ao seu conhecimento geológico e aos seus objetivos de exploração antes de ser finalizado.
Por que essa etapa é importante
Perspectiva das Geociências
Separar dados mineralizados de não mineralizados reflete a maneira como os geocientistas interpretam as anomalias. Isso garante que o modelo seja treinado com exemplos que refletem alvos de exploração do mundo real, levando a previsões mais confiáveis.
Perspectivas da IA
A rotulagem clara permite que o modelo aprenda os padrões espaciais que distinguem o sinal do ruído de fundo. Uma estrutura de duas classes fornece uma base estável e interpretável para gerar previsões.
💡 Os dados de aprendizagem são a base para a Análise de Desempenho, um dos três gráficos de saída gerados pelo DORA juntamente com o Pontuação de prospectividade VRIFY (VPS).
A Análise de Desempenho avalia o quão bem seus exemplos rotulados ajudaram o modelo a distinguir entre zonas mineralizadas e não mineralizadas. |
Instruções passo a passo
Passe o cursor sobre a demonstração e clique no para selecionar o seu idioma:
Abra as Configuração dos Pontos de Aprendizagem (Set Up Learning Points)
No painel de configuração do experimento, clique em “Step 2: Set up Learning Points” (Etapa 2: Configurar Pontos de Aprendizagem).
Selecione o arquivo de Pontos de Aprendizagem
Selecione o arquivo de Pontos de Aprendizagem no menu suspenso. Se houver apenas um arquivo, ele será usado automaticamente e esta opção não estará disponível.
Opcional: Para carregar um novo arquivo de Pontos de Aprendizagem na interface do DORA, clique em “Manage Learning Points” (Gerenciar Pontos de Aprendizagem) na parte inferior do menu suspenso. Observe que o processamento pode levar até 15 minutos antes que o arquivo apareça na lista. Aprenda como formatar, carregar e gerenciar seu arquivo de Pontos de Aprendizagem.
Selecione o campo de elevação “Elevation Field”
Selecione o campo de elevação que corresponde à coluna de coordenadas Z no seu arquivo shapefile. Isso será usado para a previsão em 3D.
Selecione o(s) elemento(s) alvo (Target Elements)
Selecione um elemento alvo no menu suspenso. A partir daí, o DORA gera automaticamente um limite recomendado para classificar pontos de aprendizado positivos.
O histograma exibe a distribuição das notas:
O eixo X representa os valores mínimo e máximo das notas.
O eixo Y mostra o número de pontos de amostra dentro de cada intervalo de notas.
Você pode prosseguir com o limite sugerido ou usar o controle deslizante para ajustar.
Opcional: Adicionar mais elementos alvo
Clique em Adicionar Elemento (Add Element) para incluir elementos adicionais e definir limites individuais.
Se estiver usando vários elementos, escolha como eles serão avaliados:
OU (OR) – Um ponto é classificado como positivo se qualquer limite for atingido. Use para segmentação mais ampla com múltiplos elementos.
E (AND) – Um ponto é classificado como positivo somente se todos os limites forem atendidos. Use ao visar uma combinação específica de elementos.
Análise de Detalhamento dos Elementos Alvo (Target Element Breakdown)
Esta tabela é preenchida automaticamente com base nos limites selecionados.
Exibe o número/percentagem de pontos mineralizados em comparação com pontos não mineralizados.
Etapa concluída
Clique em “Generate Learning Data” (Gerar Dados de Aprendizagem) para salvar e continuar.
Esta etapa leva aproximadamente 2 minutos para ser concluída.
Considerações ao ajustar o limiar
O limite recomendado pode ser um bom ponto de partida para ajudar a reduzir as suposições. No entanto, há muitos casos em que ajustes estratégicos podem ser apropriados.
Aqui estão dois exemplos de situações em que você pode querer ajustar o limite de corte:
Você está trabalhando com um limite de corte definido economicamente (por exemplo, para relatórios internos ou para o mercado).
A área de interesse (AOI) representa apenas parte de um sistema mineral maior. Nesse caso, você pode querer um limiar que esteja alinhado com outros depósitos no distrito, com o estilo de mineralização regional ou com um contexto geológico mais amplo. A consistência entre os alvos pode ser mais importante do que a lógica de agrupamento localizado.
Ao realizar ajustes manuais, busque obter aproximadamente 10 a 20% de exemplos mineralizados, conforme exibido na tabela de Distribuição de Elementos Alvo. Poucos exemplos positivos limitam a capacidade do modelo de aprender padrões significativos, enquanto um desequilíbrio extremo pode reduzir o desempenho.
Saber mais
Etapas anteriores:
Próximos passos:
Interpretar resultados:
Ainda tem dúvidas?
Entre em contato com seu representante DORA ou envie um e-mail para support@VRIFY.com para obter mais informações.