Visão geral
Ao clicar em Executar Previsão (Run Prediction) em Etapa 4: Selecione os recursos de entrada, o DORA 2.0 executa seu fluxo de trabalho de modelagem de prospectividade usando as entradas definidas durante a configuração.
Durante esse processo, o DORA 2.0 prepara seus dados, treina e valida um modelo de aprendizado de máquina e gera um Mapa de Previsão.
O Mapa de Previsão inclui:
Grupos-alvo (gerado como uma etapa final e opcional após a conclusão do Mapa de Previsão)
As seções a seguir explicam o que acontece nos bastidores enquanto o DORA 2.0 processa seus dados e gera esses resultados.
Visão geral: Fluxo de trabalho de previsão
Quando uma previsão é executada, o DORA 2.0 processa seus dados em várias etapas:
Preparação de dados – Os conjuntos de dados selecionados são padronizados e alinhados dentro da AOI (Área de Interesse).
Fusão e Incorporação de Dados – Um modelo baseado em transformadores analisa as relações entre conjuntos de dados e as converte em representações vetoriais (embeddings).
Treinamento e Validação do Modelo – O modelo aprende com seus Dados de Treinamento e é avaliado quanto ao desempenho.
Resultados da previsão – O modelo treinado é aplicado em toda a AOI para gerar resultados de VPS.
Nos bastidores: como o DORA 2.0 gera previsões
Preparação de dados
Primeiramente, o DORA 2.0 prepara todas as entradas selecionadas para a modelagem, incluindo:
Padronização de dados espaciais dentro da AOI (Área de Interesse)
Alinhamento de recursos de entrada selecionados
Estruturação de dados de aprendizagem
Garantia de que todos os conjuntos de dados sejam compatíveis.
Todos os dados de entrada são convertidos para um formato consistente para que possam ser analisados em conjunto.
Fusão e incorporação de dados
Em seguida, o DORA 2.0 utiliza um modelo baseado em transformadores para analisar as relações entre múltiplos conjuntos de dados geológicos.
Esses conjuntos de dados são então convertidos em embeddings (incorporações). Os embeddings capturam o sinal combinado de múltiplas camadas de dados, permitindo que o modelo represente o contexto espacial e geológico em um formato legível por máquina.
Isso permite que o DORA 2.0 identifique padrões associados ao tipo de depósito selecionado e os aplique em toda a área de interesse.
Treinamento e Validação do Modelo
Após os dados serem preparados e inseridos, o DORA 2.0 treina um modelo de classificação usando seus Dados de Aprendizagem.
Os dados de aprendizagem incluem exemplos rotulados de locais mineralizados e não mineralizados. O modelo aprende os padrões espaciais associados a esses exemplos e aplica esse conhecimento em toda a área de interesse.
Para garantir previsões confiáveis, o DORA 2.0 organiza os pontos de aprendizado em clusters espaciais de treino e teste, agrupando geograficamente pontos próximos.
Durante o treinamento, o modelo é treinado em clusters de uma área → Um cluster diferente é reservado para teste → O processo alterna entre os clusters para avaliar o desempenho.
Essa abordagem reduz o viés espacial e ajuda a garantir que o modelo possa ser generalizado em toda a área de interesse.
Geração de Resultados de Prospectividade
Após o treinamento e validação do modelo, o DORA 2.0 o aplica em toda a área de interesse para gerar resultados de prospectividade e gráficos de desempenho:
VPS de superfície – Destaca padrões de prospectividade em nível de superfície em toda a AOI (Área de Interesse).
VPS subterrâneo – Avalia o potencial abaixo da superfície usando informações baseadas em profundidade.
Grupos-alvo – Identifica e organiza grupos de alto potencial (os grupos-alvo podem ser criados e ajustados como uma etapa final e opcional no fluxo de trabalho do Mapa de Previsão).
Resultados da previsão – Exibe o desempenho do modelo. Os resultados incluem rótulos de importância das características, precisão da previsão e precisão de profundidade.
Em conjunto, esses resultados formam a base do Mapa de Previsão.
O que é um mapa de previsão?
Um Mapa de Previsão é o resultado final gerado pelo DORA 2.0.
Ele visualiza onde o modelo identifica maior potencial para sua commodity alvo dentro da Área de Interesse (AOI).
Isso é representado pelo VPS, que reflete o quão semelhantes as diferentes áreas estão aos padrões em seus Dados de Aprendizagem e Recursos de Entrada selecionados.
O Mapa de Previsão combina múltiplas saídas em uma única visualização, ajudando você a interpretar os resultados e identificar potenciais alvos de exploração.
Saber mais
Etapas para criar um mapa de previsão:
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.