Neste artigo, você aprenderá como selecionar e configurar os Recursos de Entrada em seu experimento DORA. 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 específicas de dados e enfatizar os detalhes mais relevantes para o seu experimento.

Os recursos de entrada são as grades de dados de exploração usadas no modelo. Eles provêm dos conjuntos de dados compilados para o projeto (incluindo os dados do seu projeto) e são sincronizados com a Lista de Camadas 3D. Você pode selecionar até 64 camadas de recursos para um experimento.

Como prática recomendada, comece selecionando os recursos de entrada que os geólogos consideram mais relevantes, especificamente aquelas que se correlacionam com a mineralização ou que foram comprovadas com sucesso em explorações anteriores. Essas são geralmente as mais significativas do ponto de vista geológico e vão ancorar seu modelo na lógica de exploração já estabelecida.

​

Além disso, certifique-se de que os recursos selecionados correspondam à cobertura da sua AOI para garantir o alinhamento espacial completo. Uma resolução mais alta nem sempre significa maior precisão, especialmente se o seu raster de entrada cobrir apenas parte da AOI. O DORA extrapolará as áreas faltantes, mas isso pode reduzir a confiabilidade da previsão. Muitas vezes, é melhor usar uma feição ligeiramente menos abrangente que cubra 100% da sua AOI do que uma mais abrangente que cubra apenas 50%.

A utilização de recursos de entrada ajuda os geocientistas a alinhar o modelo com a realidade geológica. Camadas como falhas, anomalias do solo e geofísica garantem que as previsões estejam conectadas a uma estratégia de exploração. Ao testar diferentes combinações (por exemplo, apenas geofísica ou apenas solos), os geocientistas podem explorar novas hipóteses e obter informações sobre os controles da mineralização.

Os recursos de entrada são as variáveis ​​a partir das quais o modelo aprende, e sua qualidade e relevância afetam diretamente a precisão. Os dados interpolados preenchem as lacunas de cobertura, enquanto os dados pontuais são rasterizados para criar grades consistentes em toda a área de interesse (AOI). O limiar de correlação reduz a duplicação, impedindo que o modelo seja distorcido por recursos redundantes. Mesmo os recursos de qualidade inferior ("lowQC") são mantidos para garantir a completude, mas são sinalizados para que os usuários estejam cientes de sua confiabilidade.

Comece com recursos de alta confiança.

Utilize seus dados mais confiáveis ​​(como camadas geofísicas) para reduzir a incerteza do modelo. Evite sobrecarregar o modelo, pois o excesso de recursos pode diluir padrões e limitar os resultados desejados. Comece com algumas camadas robustas e, em seguida, adicione outras gradualmente para explorar novas ideias.

Experimentar e interpretar

É recomendável realizar vários experimentos com diferentes combinações de recursos. Se você observar consistentemente áreas-alvo semelhantes, mesmo variando as camadas, essa consistência pode ajudar a aumentar a confiança geológica nessas previsões.

Use recursos de baixo controle de qualidade com cautela.

Evite usar recursos de baixa qualidade (baixo controle de qualidade - Low-QC), a menos que tenha um motivo forte para incluí-los. Embora possam parecer úteis na fase inicial de exploração, eles introduzem mais incerteza e podem reduzir a confiabilidade do modelo. Concentre-se primeiro em fontes de dados de alta confiabilidade antes de experimentar com camadas de qualidade inferior.

Preenchendo lacunas de dados por meio de extrapolação

Quando seus dados de aprendizado apresentam lacunas, DORA utiliza camadas de entrada completas e contínuas (como dados magnéticos ou de sensoriamento remoto) para extrapolar padrões de áreas bem amostradas para áreas não amostradas. Isso ajuda a criar uma superfície de previsão completa e aumenta a confiabilidade em áreas sem amostras diretas.

💡 Interpolação vs. Extrapolação - Saiba a diferença:

Lembrete final sobre a compensação

Os melhores recursos não são apenas aqueles em que você mais confia — eles também precisam de ampla cobertura e resolução adequada. Um recurso que cobre apenas parte da sua área de interesse ou que não corresponde à resolução de outras camadas pode prejudicar o desempenho do modelo.

Lembre-se de equilibrar a qualidade, a abrangência e a relevância dos dados para obter os melhores resultados.

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