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

dc.contributorSeoane, José Carlos Sícoli
dc.contributorhttp://lattes.cnpq.br/5256359048551589
dc.contributorTavares, Felipe Mattos
dc.contributorhttp://lattes.cnpq.br/7069253568713697
dc.contributorCôrrea Neto, Atlas Vasconcelos
dc.contributorhttp://lattes.cnpq.br/9514776985789216
dc.contributorAraujo, Jhone Caetano de
dc.creatorKortchmar, Marina Mello
dc.date2021-09-15T17:12:30Z
dc.date2023-09-27T03:03:26Z
dc.date2021-06
dc.date.accessioned2023-09-27T13:49:04Z
dc.date.available2023-09-27T13:49:04Z
dc.identifierhttp://hdl.handle.net/11422/15176
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8914338
dc.descriptionA 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.
dc.languagepor
dc.publisherUniversidade Federal do Rio de Janeiro
dc.publisherBrasil
dc.publisherInstituto de Geociências
dc.publisherUFRJ
dc.rightsAcesso Aberto
dc.subjectMapa de favorabilidade
dc.subjectMachine learning
dc.subjectRandom Forest
dc.subjectSerra Pelada, PA
dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOLOGIA
dc.titleGeoprocessamento e machine learning aplicados à elaboração de mapa de favorabilidade para ocorrência de mineralizações Au-Pd-Pt na região de Serra Pelada, Província Carajás
dc.typeTrabalho de conclusão de graduação


Este ítem pertenece a la siguiente institución