Aprimorando o mapeamento de prospectividade mineral com inteligência artificial geoespacial: Uma abordagem de regressão logística ponderada por rede neural geograficamente

A previsão precisa de recursos minerais é imperativa para atender às demandas energéticas da sociedade moderna. No entanto, essa tarefa é frequentemente difícil devido a viés de estimativa e à limitada interpretabilidade das técnicas estatísticas convencionais e dos métodos de aprendizado de máquina. Para abordar essas deficiências, propomos uma nova abordagem de inteligência artificial geoespacial, denominada regressão logística ponderada por rede neural geograficamente, para mapeamento de prospectividade mineral. Este modelo integra padrões espaciais e redes neurais, combinado com a teoria das explicações aditivas de Shapley para alcançar previsões precisas e fornecer insights explicáveis sobre a mineralização em contextos espaciais complexos. Em um experimento de prospecção de ouro realizado na Nova Escócia, nosso modelo superou outros modelos de ponta com um aumento de 5% a 16% na área sob a curva característica de operação do receptor. A estrutura apresentada também forneceu quantificações intuitivas do impacto de fatores geológicos na mineralização de ouro em configurações espaciais. A abordagem inovadora promove a detecção de novos fenômenos e exibe robustez e universalidade nas questões de classificação dentro de cenários espaciais complexos.