¿Qué es el mapeo de prospectividad mineral?

El problema central de la exploración mineral

Encontrar un yacimiento mineral es, en el fondo, un problema de predecir un lugar. Un geólogo y un modelo informático se hacen la misma pregunta. Con todo lo que sabemos sobre la geología de un área, ¿dónde es más probable que haya mineralización?

La respuesta nunca es obvia. Los yacimientos minerales son raros. Solo se forman cuando varios elementos se alinean de la manera correcta a lo largo de millones de años: una fuente de calor, vías para que circulen los fluidos, la química adecuada y estructuras que atrapan los metales. Esta mezcla deja pistas en muchos tipos de datos, como las mediciones geofísicas, la química de los suelos, las estructuras de las rocas y las zonas de alteración. Leer estas pistas a mano, una capa a la vez, es lento. Depende del conocimiento de expertos, y una sola persona solo puede tener en mente un número limitado de variables a la vez.

El mapeo de prospectividad es la respuesta organizada del sector a este problema. En lugar de mirar un conjunto de datos a la vez, reúne toda la evidencia en un solo mapa. Ese mapa muestra qué tan probable es la mineralización en cada punto del área.

Cómo funciona el mapeo de prospectividad tradicional

En el método tradicional, un geocientífico primero construye un modelo del yacimiento que busca. El modelo enumera las señales geológicas que deberían aparecer cerca de ese tipo de yacimiento, como estar cerca de intrusiones, la roca hospedante adecuada, ciertos minerales de alteración y una respuesta geofísica concreta. Luego el geólogo puntúa cada señal en el mapa y suma las puntuaciones. Esto se hace a mano o con un software de mapeo (SIG), y el resultado es un mapa de prospectividad.

Este método funciona y guarda décadas de conocimiento geológico. Pero tiene límites. Solo es tan bueno como el modelo con el que parte el geólogo. Es difícil de usar en áreas grandes o con muchas capas de datos. Y trata cada señal por separado, aunque en la geología real las señales se influyen entre sí. A veces tres pistas medianas repartidas en tres conjuntos de datos importan más que una sola pista fuerte. Ese tipo de relación es difícil de captar cuando se combinan las capas a mano.

Qué hace de forma distinta el mapeo de prospectividad con IA

El mapeo de prospectividad con IA le da la vuelta a esto. El geólogo no decide qué señales importan. En cambio, el modelo las aprende a partir de los datos. Estudia la mezcla de características que aparece cerca de los yacimientos conocidos, o cerca de las perforaciones que cortaron mineralización.

El modelo se entrena con los lugares donde ya se conocen yacimientos. Aprende qué patrones suelen aparecer junto con la mineralización, mirando al mismo tiempo la geofísica, la química de los suelos, la estructura de las rocas, el tipo de roca y los datos de satélite. Después revisa cada otro punto del mapa y le asigna a cada uno una puntuación de probabilidad.

El resultado no es un simple sí o no. Es un mapa continuo de puntuaciones, donde una puntuación más alta significa que el lugar se parece más a los alrededores de los yacimientos conocidos. Un geólogo puede mirar el mapa, encontrar grupos de puntos de alta puntuación, ver qué capas de datos causaron cada grupo y luego decidir si la geología realmente justifica perforar allí.

El problema del desequilibrio de clases

El problema técnico más difícil aquí tiene un nombre: el desequilibrio de clases. Los yacimientos conocidos son raros, a menudo solo de uno a tres en todo un distrito, mientras que casi todo el terreno no contiene nada. Un modelo simple entrenado con estos datos aprendería a decir 'no hay yacimiento' en todas partes. Mostraría una exactitud muy alta y aun así sería inútil.

El sector ha creado algunas formas de manejar esto. Una es el aprendizaje positivo-no etiquetado. Trata el terreno vacío como 'desconocido' en lugar de 'no hay yacimiento', porque una parte puede esconder yacimientos que aún no se han encontrado. Otra es entrenar muchos modelos con distintas muestras de los datos y combinar sus respuestas, lo que hace el resultado más estable cuando hay pocos yacimientos conocidos. Una tercera es la validación cruzada espacial. Aquí el modelo se prueba en áreas separadas del mapa, no en puntos aleatorios. Los puntos aleatorios quedan demasiado cerca de los puntos de entrenamiento, y eso haría que el modelo pareciera mejor de lo que es.

Estos pasos no son extras opcionales. Sin ellos, un modelo de prospectividad puede verse sólido sobre el papel y aun así fallar en el campo.

Cómo se ve un mapa de prospectividad en la práctica

Un mapa de prospectividad terminado es un archivo de imagen, normalmente un GeoTIFF. Cada píxel lleva una puntuación entre 0 y 1 que da la probabilidad de mineralización en ese lugar. El mapa es continuo, sin líneas marcadas entre las zonas altas y bajas. Los píxeles de alta puntuación tienden a agruparse y forman corredores de objetivos. Un geólogo puede entonces comparar esos corredores con las estructuras conocidas y con el trabajo geológico anterior.

El mapa viene con un mapa de incertidumbre que muestra qué tan seguro está el modelo en cada punto. La incertidumbre es alta donde hay pocos datos de entrenamiento, o donde distintas corridas del modelo no coinciden. Los dos mapas trabajan juntos. Un punto con alta puntuación y baja incertidumbre es un objetivo de perforación sólido y fácil de defender. Un punto con alta puntuación pero alta incertidumbre es una señal para recopilar más datos primero, como otra línea geofísica o más muestras de suelo, antes de gastar en perforación.

Lo que el mapeo de prospectividad no puede hacer

El mapeo de prospectividad con IA encuentra patrones estadísticos. Señala los lugares donde la mezcla de características se parece a los alrededores de los yacimientos conocidos. No comprende cómo funciona la geología. No puede razonar sobre las estructuras de las rocas como lo haría un geólogo sénior. No sabe que una medición geofísica viene de una intrusión cartografiada y no de un cuerpo de sulfuros. Y en áreas distintas a todo lo que vio en su entrenamiento, funciona peor.

El mapa es una herramienta para fijar prioridades, no una decisión de perforar. Un geocientífico calificado siempre debería revisarlo antes de que oriente un programa de perforación. El modelo muestra lo que dicen los datos, y el geólogo decide lo que significan. Bien usado, el mapeo de prospectividad con IA le da más alcance al geólogo. Cubre más terreno, compara más datos y encuentra patrones demasiado sutiles para verlos a mano. El juicio final queda en manos del experto que comprende la geología.