Modelamiento geoestadístico para el mapeo geológico predictivo a partir de información geoquímica

Abstract

El modelamiento geológico predictivo es un elemento esencial en etapas de exploración de los recursos minerales, para lo cual se suele clasificar información geoquímica georreferenciada obtenida de una toma de muestras para poder predecir categorías geológicas, por ejemplo, tipos de roca, alteración y/o mineral, utilizando métodos estadísticos multivariables o de aprendizaje automático. Sin embargo, dichos métodos basan sus predicciones en la relación de dependencia colocalizada entre variables geoquímicas y geológicas, ignorando parte de la información espacial contenida en los datos de muestreo. Estos problemas de clasificación regionalizada son abordados en este trabajo desde un punto de vista geoestadístico, de modo de aprovechar la correlación espacial de los datos, así como las correlaciones entre las variables cuantitativas (concentraciones geoquímicas) y las categorías geológicas. Para ello, se proponen dos enfoques. El primero consiste en aplicar un clasificador, ajustado sobre datos de entrenamiento, a los valores de las variables cuantitativas interpolados en el espacio, introduciendo dos novedades: la primera es el uso de simulaciones geoestadísticas para la interpolación, lo cual permite generar numerosos escenarios que emulan la variabilidad espacial real y obtener tantas clasificaciones como escenarios hayan; la segunda novedad radica en el filtrado del componente de pequeña escala (efecto pepita), asociado a ruidos y errores de medición, al momento de construir los escenarios simulados. El segundo enfoque consiste en simular directamente las categorías geológicas en base a un modelo plurigaussiano, en el cual las concentraciones geoquímicas pueden ser incorporadas como covariables. Los enfoques propuestos son aplicados a dos casos de estudio, consistentes en un depósito de tipo pórfido cuprífero reconocido por sondajes de exploración y en una zona de prospección minera reconocida por muestras de superficie. En ambos casos, se considera como predicción final la clasificación más probable en cada sitio del espacio (la que más se repite en los diferentes escenarios simulados). La calidad de las predicciones se evalúa sobre un conjunto de datos de prueba diferente del conjunto de datos de entrenamiento, con un desempeño significativamente mayor con respecto a métodos más tradicionales que no filtran la variabilidad de pequeña escala o que no consideran escenarios simulados para la clasificación. Los mapas predictivos y mapas de probabilidad de ocurrencia de categorías geológicas permiten interpretar los procesos geológicos y geoquímicos y ayudan a vectorizar la prospección mineral en las etapas iniciales de la exploración del recurso mineral.