MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 42 superados cuando los datos presentan ruido, valores atípicos o patrones discontinuos (Grinsztajn et al., 2022). Convolutional Neural Network Las CNN son una clase de redes neuronales profundas diseñadas para capturar patrones espaciales en datos estructurados, como imágenes o mapas. A diferencia de modelos tradicionales, las CNN consideran de manera más compleja las relaciones entre elementos vecinos, permitiendo identificar estructuras, texturas y patrones espaciales relevantes en sus aplicaciones tradicionales (LeCun et al., 2015). El modelo se caracteriza por tener capas convolucionales, que operan mediante la aplicación de filtros (kernels) que recorren la matriz de entrada extrayendo características locales. Posteriormente, capas de reducción de dimensionalidad (pooling) conservan las características más relevantes. Finalmente, una capa de neuronas similar a una de un MLP combina estas características para emitir una predicción sobre la prospectividad mineral del área. En el mapeo de prospectividad mineral, las CNN han mostrado eficacia al integrar información geológica, alteraciones, firmas geoquímicas y texturas espectrales. En el caso de las CNN de 1 dimensión, las convoluciones se realizan entre las variables, a diferencia de las CNN 2D donde las operaciones se efectúan entre los registros o píxeles de la matriz. Por ejemplo, una CNN 1D aplicada a datos geoquímicos superó a modelos clásicos como Random Forest en la detección de zonas Pb-Zn en Changba (China), siendo eficiente sin requerir mapas espaciales (B. Li et al., 2023). Por su parte, el uso de CNN 2D con patches espectrales de imágenes satelitales (Farahbakhsh et al., 2025) y CNN 3D para identificar zonas alteradas y cuerpos minerales en profundidad también ha mostrado resultados prometedores (X. Li et al., 2023). Graph Convolutional Network Las GCN (Kipf & Welling, 2017) son una extensión de las redes neuronales que trabajan específicamente sobre grafos. Esto las convierte en modelos muy atractivos para datos que presentan relaciones espaciales, topológicas o de conectividad, como en la geología o en la distribución de muestras minerales. En una GCN, cada punto de muestreo se modela como un nodo, y las conexiones entre ellos son llamadas aristas y representan relaciones como cercanía geográfica, pertenencia a una misma unidad litológica o correlación estructural. Este modelo aprende representaciones combinando la información de un nodo con la de sus vecinos a través de operaciones similares a convoluciones. Esta propagación se repite por capas, permitiendo que los nodos integren progresivamente información de su entorno geológico más amplio. Existen etapas clave al aplicar este modelo, como construir la matriz de adyacencia para indicar qué nodos están conectados entre sí. Las GCN son especialmente adecuadas para MPM, ya que modelan no solo las propiedades locales, sino también el contexto espacial mediante estructuras de grafos, algo clave en la predicción de yacimientos minerales (Zuo & Xu, 2023). En la actualidad, el uso de este tipo de red ha demostrado ser efectivo y se puede ver en la aplicación de una GCN con atención (Atten-GCN) que alcanzó una precisión del 96.59% en la identificación de zonas prospectivas de oro en Yingfengjie, China (Rui et al., 2025). Configuración de modelos Validación cruzada geoespacial Una de las principales dificultades en problemas referentes a mapeo prospectivo mineral es la distribución altamente desbalanceada y espacialmente sesgada de los datos de ocurrencias minerales. En este estudio, se parte de un conjunto de datos conformado por 35 puntos con ocurrencias de mineral conocidas de depósitos tipo pórfido-skarn Figura 4. Arquitectura típica de una CNN.
RkJQdWJsaXNoZXIy MTM0Mzk2