Previsão e Análise das Concentrações Geoquímicas de Componentes Valiosos Usando Métodos de Aprendizado de Máquina

Este estudo apresenta uma abordagem integrada para prever a distribuição espacial das concentrações de ouro, cobre e lítio utilizando aprendizado de máquina, métodos geoestatísticos e dados geoespaciais multivariados. O problema é formulado como uma tarefa de regressão multivariada espacialmente dependente, diferenciando-se das abordagens tradicionais de prospectividade mineral baseadas em classificação. Foi desenvolvido um banco de dados unificado, incorporando indicadores geoquímicos, parâmetros geomorfométricos do terreno, dados de sensoriamento remoto e coordenadas espaciais. A análise de correlação com um limiar adaptativo foi aplicada para otimizar o conjunto de características e melhorar a robustez do modelo. Os resultados mostram que métodos lineares são limitados na captura de relações não lineares, enquanto métodos em conjunto apresentam uma precisão preditiva significativamente maior. Em alguns casos, métodos geoestatísticos alcançam o melhor desempenho, enfatizando a importância da estrutura espacial. A análise de importância das características indica que a predição de ouro é principalmente impulsionada por indicadores geoquímicos, coordenadas espaciais e características do terreno. Resultados para cobre e lítio confirmam a aplicabilidade geral da abordagem proposta. De modo geral, o estudo demonstra a eficácia da combinação de aprendizado de máquina e geoestatística para modelar processos geoquímicos.