Dados da Submissão

Título

REAVALIAÇÃO DO MAPEAMENTO LITOLÓGICO DETALHADO USANDO UM ALGORITMO DE APRENDIZADO DE MÁQUINA: UM ESTUDO DE CASO SOBRE STOCK BOA VISTA, PORÇÃO SUL DO ESTADO DO RIO GRANDE DO NORTE

Texto do resumo

As abordagens contemporâneas de integração "visual" para o mapeamento geológico a partir da geofísica são notoriamente desafiadoras, muitas vezes influenciadas por suposições do usuário e caracterizadas por demandas de tempo significativas. O uso de um método de aprendizado de máquina supervisionado, como o Random Forest, aplicado a conjuntos de dados aerogeofísicos, surge como uma alternativa viável para a geração rápida de mapas interpretativos. Esses mapas podem então ser submetidos à validação por meio de mapeamento geológico, resultando em processos mais eficientes e confiáveis. Os dados geofísicos e geológicos utilizados, que estão amplamente disponíveis em uma resolução adequada, são fornecidos pelo Serviço Geológico do Brasil. O uso desses dados possibilitou a realização de uma análise litológica preditiva para o Stock Shoshonítico Boa Vista e para o embasamento cristalino da região, representado pelo Complexo Caicó. Esse processo possibilitou a identificação de áreas que precisam ser revisadas para um refinamento mais preciso das litologias no campo. Depois de selecionar as áreas para reavaliação, foi realizado um mapeamento litológico detalhado, resultando em uma distinção mais precisa dos contatos litológicos e das formações rochosas presentes. Com base nos dados geológicos mais recentes, que foram descritos em detalhes no campo, uma nova análise preditiva de litologia foi realizada para o Stock. Das 10400 amostras disponíveis, 322 foram selecionadas como amostras de treinamento para o algoritmo random forest para prever a área desejada. Esses pontos de treinamento tinham informações geológicas e geofísicas associadas, que foram incorporadas ao software ArcGIS. Essa análise resultou em uma taxa de compatibilidade de 86,9%. Entretanto, é importante enfatizar que alguns fatores podem contribuir para essa porcentagem de incompatibilidade. Um desses fatores poderia ser a descoberta de novas correlações entre dados geológicos e geofísicos, que poderiam ser explorados para melhorar o mapa geológico atual. No contexto do Stock Boa Vista, a análise litológica prevista revelou uma diminuição notável na presença de outras litologias dentro do embasamento cristalino. Devido à diversidade da unidade litológica em questão e suas características semelhantes às litologias de outras unidades, é possível que alguns locais tenham sido interpretados erroneamente como pertencentes ao Complexo Caicó. Uma nova correlação identificada na primeira previsão litológica foi confirmada durante a exploração de campo, com as rochas do Complexo Caicó sendo afetadas pela aureola térmica do Stock, passando por um processo de migmatização. Além disso, foi observado que o corpo intrusivo em si não apresentou grandes mudanças geométricas. Essa conclusão foi apoiada pela resposta geofísica do corpo e confirmada durante a exploração de campo. Usando o novo mapa litológico preditivo da região, foi elaborado um mapa geológico atualizado, incorporando as correções derivadas da exploração de campo e identificando áreas específicas para detalhar as fácies encontradas no estoque. A previsão litológica surge como uma ferramenta crucial não apenas para melhorar os mapas litológicos existentes, mas também como um ponto de partida essencial para o mapeamento de regiões carentes de informações litológicas devido à falta de afloramentos significativos.

Palavras Chave

mapeamento geológico; aprendizado de máquina; Geofísica; mapeamento preditivo