MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 48 cambios más abruptos. Ello resulta en el mapa prospectivo final. Finalmente, se cruzó el mapa con las zonas no denunciadas (fuente), resultando en X km² de área altamente prospectiva sin denuncios mineros. Conclusiones y trabajos futuros En base a lo expuesto en esta investigación, se concluye lo siguiente: 1. El modelo GCN tiene un mejor desempeño general en el MPM de Cu al compararlo con los modelos usados comúnmente, convergiendo con lo sugerido por Zuo and Xu (2023). CNN se ajusta más a zonas similares a las ocurrencias y es útil para exploración temprana, MLP tiende a sobre ajustar y no dar probabilidades altas en píxeles de ocurrencia conocida, y RF sigue siendo una buena alternativa para evaluaciones rápidas, a pesar de tener casi 24 años al momento de escribir esta investigación. Esto último se alinea pertinentemente con lo expuesto por Grinsztajn et al. (2022). 2. El procesamiento de la data geológica sigue siendo el proceso más importante en el MPM. En este trabajo, el 80% del tiempo se invirtió en la correcta interpretación de patrones geológicos, estimación de leyes de elementos y compuestos, imputación de data y compilación de mapas de evidencia y, que los modelos tengan resultados similares en validación cruzada, es un indicador de que la data es consistente. Sin embargo, es conveniente profundizar en la generación de variables del proceso de flujo (fallas y pliegues), ya que la información pública disponible no tuvo correlación con la variable objetivo del estudio. 3. Las zonas de contacto entre intrusivos y otras litologías, excluyendo el área del nor-oeste del mapa, tienen el mejor potencial prospectivo. Se considera que el modelo distingue correctamente entre contactos con intrusivo prospectables y no prospectables. 4. La aplicación de algoritmos de inteligencia artificial en MPM es un campo de estudio muy que genera estusismo, ya que hay herramientas unificadoras de información y predictoras de libre acceso, como las utilizadas en esta investigación. Al disponer y combinar data pública y privada (como estudios locales cercanos a depósitos minerales, muestras de minas, reservas naturales, etc.), los resultados pueden ser prometedores a una escala local. Bibliografía Bradley, A. P. 1997. The use of the area under the ROC curve in the evaluation of machine learning algorithms [Publisher: Elsevier BV]. Pattern Recognition, 30(7), 1145-1159. https://doi. org/10.1016/s0031-3203(96)00142-2 Breiman, L. 2001. Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324 Chiaradia, M. 2021. Magmatic Controls on Metal Figura 7. AUC promedio de cada modelo obtenido de la validación cruzada con 5 folds: (a) RF, (b) MLP, (c) CNN y (d) GCN. Tabla 2. Resultados Promedio de los Modelos (5 Regiones - Validación Cruzada) Modelo AUC promedio Balanced Random Forest 0.89 MLP 0.912 CNN 0.901 GCN 0.907
RkJQdWJsaXNoZXIy MTM0Mzk2