MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 40 Preprocesamiento y preparación Los mapas de evidencia (o variables) constan del mismo número de píxeles. Estos fueron concatenados en un solo arreglo de datos (matriz), donde cada fila representa un píxel y cada columna, una variable (Figura 2). Las variables de fuente solo fueron generadas completamente para las litologías que tenían muestras geoquímicas. Ello deja 50% de píxeles sin variables de fuente. Para su imputación se revisó en la literatura los valores promedio de cada elemento. Por litología, se calcularon los ratios correspondientes (por ejemplo, Sr/Y) y se asignó cada resultado a los píxeles vacíos de cada litología. Luego, cada variable fue normalizada entre 0 y 1, dividiéndola entre su valor máximo. Modelos predictivos Random Forest El modelo RF (Breiman, 2001) es un método de aprendizaje automático basado en el concepto de ensamble de árboles de decisión. Su idea central es combinar múltiples árboles para crear un predictor más fuerte y robusto. Cada árbol en el bosque se construye a partir de un subconjunto aleatorio de los datos originales (método conocido como bagging, abreviatura de bootstrap aggregating), y en cada nodo del árbol solo se considera un subconjunto aleatorio de variables para decidir la división. Este enfoque introduce diversidad entre los árboles y reduce la correlación entre ellos, lo que ayuda a evitar el sobreajuste, uno de los principales problemas de los árboles de decisión individuales. El modelo produce la predicción final combinando la salida de todos los árboles: mediante votación mayoritaria en clasificación o promedio en regresión. Su aplicación en MPM es vasta (Ford, 2019; Hariharan et al., 2017; Zheng et al., 2023), mostrando resultados positivos y sobresalientes con respecto a modelos más sofisticados como redes convolucionales (Sun et al., 2020). A pesar de ser un modelo publicado en 2001, RF y otros basados en árboles, como XGBoost, suelen tener un mejor desempeño predictivo frente a modelos de aprendizaje profundo (Grinsztajn et al., 2022), principalmente, porque trabajan mejor con patrones irregulares, variables con ruido y resultados con límites de decisión no suavizados. Multilayer Perceptron El modelo MLP es una arquitectura clásica de redes neuronales artificiales ampliamente utilizada en tareas de clasificación y regresión. Consiste en una red de nodos organizados en capas (una capa de entrada, una o más ocultas y una capa de salida), donde cada nodo aplica una transformación no lineal sobre una combinación ponderada de sus entradas. El aprendizaje se realiza mediante el algoritmo de retropropagación (backpropagation) y optimización por descenso del gradiente. A diferencia de modelos lineales o basados en reglas, el MLP es capaz de modelar relaciones no lineales complejas entre múltiples variables de entrada (Sun et al., 2020). En el contexto del MPM, los MLP han sido utilizados con éxito para identificar patrones sutiles y no lineales entre variables geoquímicas, geofísicas y geológicas, que pueden estar asociados con la presencia de mineralizaciones ocultas. Su capacidad para capturar estas relaciones permite superar las limitaciones de técnicas más tradicionales basadas en umbrales o análisis lineales. Diversos estudios han demostrado su eficacia en regiones con geología compleja o información incompleta (Mantilla Dulcey, 2023; Sun et al., 2020; Yousefi & Carranza, 2015). El desempeño de los MLP depende fuertemente de una correcta selección de hiperparámetros, arquitectura con regularización y del preprocesamiento de los datos (normalización, manejo del desbalance, etc.). Suelen tener mejor desempeño con respecto a los modelos basados en árboles cuando las relaciones entre variables son altamente no lineales y suaves, aunque pueden ser Figura 3. Arquitectura típica de un MLP.
RkJQdWJsaXNoZXIy MTM0Mzk2