Pantheon Institutional repository
Collect, preserve and disseminate digital academic production in all areas of knowledge.
Comprise the assets of the repository, in addition to theses and dissertations at UFRJ, scientific articles, electronic books, book chapters and papers presented at events for teachers, researchers, administrative staff and students of master's and doctoral degrees.
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/15176| Type: | Trabalho de conclusão de graduação |
| Title: | Geoprocessamento e machine learning aplicados à elaboração de mapa de favorabilidade para ocorrência de mineralizações Au-Pd-Pt na região de Serra Pelada, Província Carajás |
| Author(s)/Inventor(s): | Kortchmar, Marina Mello |
| Advisor: | Seoane, José Carlos Sícoli |
| Co-advisor: | Tavares, Felipe Mattos |
| Abstract: | A região de Serra Pelada, Província Carajás, localizada na região Norte do Brasil, ficou conhecida nos anos de 1980 por ter sido palco de uma das maiores “corridas do ouro” já vistas. Embora não tenha apresentado uma produção significativa do metal na década seguinte, acredita-se que a área apresenta potencial para continuidade da exploração mineral. A crescente utilização de geotecnologias e machine learning em modelos preditivos de prospectividade mineral tonaram possível a aquisição, processamento e integração de grandes quantidades de dados, de forma remota. Nesta pesquisa, foram empregadas ferramentas de machine learning, através da aplicação do algoritmo Random Forest (RF), a fim de elaborar um mapa de favorabilidade para Au-Pd-Pt na região do entorno de Serra Pelada, PA. O conceito de sistemas minerais foi adotado para a construção do mapa final. Foram definidos dez critérios teóricos essenciais ao modelo genético estudado, que foram traduzidos em dez critérios mapeáveis, gerando dez mapas de evidência. Quinze pontos de depósitos minerais conhecidos e igual número de pontos de não-depósito escolhidos aleatoriamente foram usados como treinamento para a implementação do modelo RF. Os mapas de evidência e os dados de treinamento foram utilizados para gerar o modelo preditivo apontando locais de maior probabilidade de mineralização de Au-Pd-Pt na área estudada. |
| Keywords: | Mapa de favorabilidade Machine learning Random Forest Serra Pelada, PA |
| Subject CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOLOGIA |
| Production unit: | Instituto de Geociências |
| Publisher: | Universidade Federal do Rio de Janeiro |
| Issue Date: | Jun-2021 |
| Publisher country: | Brasil |
| Language: | por |
| Right access: | Acesso Aberto |
| Appears in Collections: | Geologia |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| KORTCHMAR, M.M.pdf | 2.9 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.