Este repositorio tiene códigos en Python que predicen la probabilidad de ocurrencia mineral en una zona del territorio de Yukón (Canadá) usando redes neuronales artificiales, bosques aleatorios y máquinas de soporte vectorial.
Este proyecto hace parte de uno de los resultados de mi tesis de pregrado, cuyas diapositivas se encuentran en este link
En el siguiente enlace se encuentra la presentación del póster en el evento.
Todos los datos usados en este repositorio son de libre acceso y se encuentran en la página del Servicio Geológico de Yukón y el Gobierno de Canadá.
La información está organizada de la siguiente forma:
-
00_Training: corresponde a un muestreo de datos extraído de once mapas geologicos predictores.
-
00_Virtual_Raster: esta capa contiene once bandas. Cada una corresponde a un factor condicionante geológico extraído de X1-X11. Para descargarlo acceda al siguiente enlace Virtual Raster
-
01_Training: datos de entrenamiento transformados con PCA sin las variables X1 y X2. Contiene nueve componentes principales. Con estos datos se entrenaron los modelos computacionales.
-
01_Virtual_Raster: esta capa contiene nueve bandas. Cada una corresponde a un componente principal extraído de las variables X3-X11. Con este archivo se realiza la predicción del mapa de probabilidad. Para descargarlo acceda al siguiente enlace Virtual Raster con PCA
-
Validation: datos de validación, en total son 20 seleccionados aleatoriamente del conjunto de entrenamiento.
Para ejecutar los códigos en el lenguaje de programación Python se requiere un Entorno de Desarrollo Integrado (IDE). En este caso se usó la plataforma Google Collaboratory (https://colab.research.google.com/)
1. Análisis preliminar de las variables explicatorias 📖
-
Gráficos de dispersión: se analizaron las matrices de dispersión entre X1-X11. Para abrirlo acceda al archivo '01_dispersion' o de click en el siguiente ícono:
-
Matrices de correlación: se calculó la matriz con el coeficiente de correlación de Pearson. Para abrirlo acceda al archivo '02_correlacion' o de click en el siguiente ícono:
2. Remoción de la multicolinealidad: Análisis de componentes principales (PCA) 📖
- PCA: dado que el análisis de correlación indicó multicolinealidad entre las variables de entrada, se hizo una transformación a los datos con la técnica de análisis de componentes principales. Estos serán los nuevos insumos para el entrenamiento de los modelos y el cálculo de la probabilidad. Para abrirlo acceda al archivo '03_pca' o de click en el siguiente ícono:
3. Técnicas de Aprendizaje Automático 📖
La predicción de depósitos minerales consiste en un problema de clasificación binaria, en el cual los datos tienen una etiqueta de 1 (depósito) y 0 (no-depósito). Para separar las clases se genera un límite de decisión que, según el número de dimensiones, puede ser un plano o hiperplano. Por excelencia los algoritmos usados para resolver tareas de clasificación son:
-
Redes neuronales artificiales: para abrirlo acceda al archivo '04_ann' o de click en el siguiente ícono:
-
Bosques aleatorios: para abrirlo acceda al archivo '05_rf' o de click en el siguiente ícono:
-
Máquinas de soporte vectorial: para abrirlo acceda al archivo '06_svm' o de click en el siguiente ícono:
Ayúdame difundiendo. Encuentra errores y repórtalos en un issue en GitHub. También puedes contactarme por medio de mis redes sociales.
- Ana Gabriela Mantilla: [email protected]
- Paul Goyes: [email protected]
- Mantilla, A. (2023). Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático [Tesis de pregrado, Universidad Industrial de Santander]. https://noesis.uis.edu.co/handle/20.500.14071/12289.
Este código se encuentra protegido bajo una licencia de libre acceso que tiene las siguientes condiciones:
- Se requiere la preservación de los avisos de derechos de autor y licencia
- Se prohibe el uso de estos códigos con fines lucrativos
- Los autores no se hacen responsables del uso de los códigos por parte de terceros
- En caso de modificaciones al código, deben especificarse en un apartado donde se cite la fuente original de este: https://github.com/Anagabrielamantilla/MineralProspectivityPrediction
- No se permite la publicación de este código en otras plataformas bajo ninguna circunstancia sin consentimiento de los autores
Los autores prohiben eliminar, borrar o modificar este apartado
