Resumen Este estudio explora la aplicación de técnicas de detección remota y aprendizaje automático para detectar indicadores superficiales de filtración de hidrógeno en el Escudo Arábigo Proterozoico, con un enfoque en formaciones ofiolitas. Utilizando imágenes satelitales de Sentinel-2 de la Agencia Espacial Europea y Modelos Digitales de Elevación (MDE), aplicamos análisis geoespacial y algoritmos avanzados de aprendizaje profundo para identificar círculos de hadas y otras anomalías superficiales circulares potencialmente vinculadas a la migración de hidrógeno subterráneo y filtraciones superficiales. Los resultados demuestran que el aprendizaje automático puede detectar efectivamente estas características en grandes áreas, proporcionando valiosos insights sobre regiones que pueden requerir más investigación de campo y validación. Sin embargo, el estudio también destaca la necesidad de imágenes de mayor resolución y MDE de alta resolución para mejorar la precisión de la detección, así como los desafíos computacionales de manejar grandes conjuntos de datos. Los hallazgos enfatizan el potencial de integrar la detección remota con el aprendizaje automático para mejorar la eficiencia y efectividad de la exploración de filtraciones de hidrógeno, ofreciendo un enfoque novedoso para encuestas geológicas a gran escala en regiones con recursos de hidrógeno subterráneo potenciales.
Alyousuf et al. (Tue,) estudiaron esta cuestión.