Ao configurar um Mapa de Previsão DORA, você será guiado por seis etapas principais para analisar dados geológicos e outros recursos relevantes para gerar resultados.

Neste artigo, você encontrará links para tutoriais interativos para cada etapa do fluxo de trabalho do Mapa de Previsão DORA. Para um contexto mais aprofundado, incluindo a fundamentação em geociências, o comportamento do modelo de IA e dicas práticas, recomendamos a leitura dos artigos completos passo a passo, cujos links acompanham cada tutorial.

Para começar, revise esta introdução ao DORA. Você aprenderá como navegar pela interface e pelas ferramentas disponíveis ao criar um Mapa de Previsão.

🔗 Leia o artigo completo: Introdução ao DORA.

Aprenda como definir sua Área de Interesse (AOI) ao criar um experimento no DORA.

Definir a AOI (Área de Interesse) restringe o foco da sua análise, limitando os recursos e os pontos de aprendizado a um limite geográfico específico.

🔗 Leia o artigo completo: Passo 1: Selecione a Área de Interesse (AOI).

Nesta etapa, você escolhe os dados geocientíficos que deseja incluir no experimento.

Além disso, você pode ajustar recursos, opções de visualização e limites de correlação, permitindo destacar camadas de dados específicas e enfatizar os detalhes mais relevantes para o seu experimento.

🔗 Leia o artigo completo: Etapa 2: Selecione os recursos de entrada.

Nesta etapa, você selecionará os elementos-alvo e definirá os limites para classificar os pontos de aprendizado. Os dados de aprendizado 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 em seu conjunto de dados e fazer previsões precisas.

🔗 Leia o artigo completo: Etapa 3: Configurar os dados de aprendizagem.

Nesta etapa, você selecionará um modelo de Fusão de Dados e definirá o número de períodos de treinamento para incorporar seus recursos de entrada.

Esse processo reduz a complexidade dos seus dados, ao mesmo tempo que adapta o modelo ao seu contexto geológico específico.

🔗 Leia o artigo completo: Etapa 4: Incorporar recursos de entrada.

Nesta etapa, o DORA compara seus dados de entrada integrados com pontos de aprendizado incorporados, que são agrupados para treinamento e validação.

Esse processo impulsiona o modelo de aprendizado supervisionado que prevê a probabilidade de mineralização em sua área de interesse, influenciando diretamente a precisão e a generalização.

🔗 Leia o artigo completo: Etapa 5: Construir o Modelo Preditivo.

Nesta etapa, você definirá e visualizará seus alvos finais de exploração usando o Índice de Prospectividade VRIFY (VPS) gerado pelo seu modelo preditivo.

Você ajustará as configurações de limite e agrupamento para agrupar zonas de alta prospectividade em alvos distintos e, em seguida, avaliá-los usando seu conhecimento geológico e o contexto do projeto.

🔗 Leia o artigo completo: Etapa 6: Identificar os alvos.

Entre em contato com seu representante DORA ou envie um e-mail para support@VRIFY.com para obter mais informações.