Aplicación de algoritmos de machine learning para la prospectividad de yacimientos IOCG en el norte de Chile (25°S - 30°S)

Abstract

La Cordillera de la Costa de Chile alberga una gran cantidad de depósitos de alto interés económico, como los yacimientos de hierro-cobre-oro (IOCG). Estos están espacial y genéticamente relacionados con el Sistema de Fallas de Atacama, el cual se extiende a lo largo de más de 1.000 km. El descubrimiento de nuevos yacimientos sigue siendo uno de los mayores desafíos para la industria minera debido a su complejidad y, en muchos casos, a su baja rentabilidad económica. En este contexto, el uso de herramientas avanzadas como los algoritmos de aprendizaje automático (machine learning) se presenta como una alternativa prometedora para mejorar la exploración minera. El objetivo principal de este trabajo es la elaboración de un mapa de prospectividad de yacimientos IOCG en el norte de Chile (entre los 25°S y 30°S), utilizando el algoritmo Support Vector Machines. Este modelo permite clasificar de manera binaria las áreas de mineralización y no mineralización, a partir de un análisis integrado de datos geológicos y geofísicos, los cuales fueron previamente adaptados para ser compatibles con el modelo de aprendizaje. El modelo generado identifica posibles flancos de exploración, clasificando y cuantificando las zonas con mayor interés prospectivo. Los resultados destacan la importancia de los datos magnéticos y de geología estructural como factores clave en la identificación de yacimientos IOCG. Además, futuras investigaciones podrían incluir variables como la geoquímica de sedimentos y la gravimetría, lo que permitiría generar modelos aún más robustos y precisos. El uso de algoritmos de machine learning en las ciencias de la Tierra demuestra un gran potencial para la interpretación de datos complejos, gracias a su capacidad para analizar simultáneamente múltiples variables. Este enfoque no solo optimiza las estrategias de exploración a gran escala, sino que también puede aplicarse a escalas locales, reduciendo significativamente los costos y el impacto ambiental asociados a las exploraciones mineras.