Diseño de geometría para levantamientos de gravimetría y magnetometría con aprendizaje profundo

Abstract

En la exploración geofísica, el análisis del terreno es fundamental para planificar la adquisición de datos de gravimetría y magnetometría. No obstante, en la actualidad dichos análisis requieren el uso supervisado de información secundaria extensa. Por este motivo, en este estudio se propone una metodología que utiliza el aprendizaje profundo para evaluar el impacto de la cobertura vegetal y la topografía en la adquisición geofísica. Se usó una red neuronal artificial perceptrón multicapa para considerar cinco variables terrestres, y una red neural convolucional para la clasificación automatizada de coberturas vegetales sobre imágenes satelitales. A partir de esto, se obtuvieron puntos para la localización de estaciones de levantamiento geofísico que cumplen con un criterio de favorabilidad por accesibilidad, distancias, restricciones por cuerpos de agua y coberturas boscosas. La geometría obtenida se evaluó en la exploración del Granito de Durania en Colombia, y los resultados se analizaron utilizando transectas de adquisición y modelado computacional de anomalías magnéticas y de gravedad. Finalmente, se aplicaron técnicas de interpolación donde el método Ponderación de Distancia Inversa (IDW) mostró la mejor imagen para interpretar la delimitación del cuerpo intrusivo.