Prospección de minerales con clasificación supervisada en base a texturas y dimensiones fractales de imágenes satelitales multiespectrales
dc.contributor.advisor | Nicolis, Orietta | |
dc.contributor.author | González Herrera, Cristian Alex | |
dc.contributor.editor | Facultad de Ingeniería | |
dc.date.accessioned | 2023-01-16T20:39:52Z | |
dc.date.available | 2023-01-16T20:39:52Z | |
dc.date.issued | 2022 | |
dc.description | Tesis (Magíster en Ciencias de la Computación) | es |
dc.description.abstract | El estudio y uso de imágenes satelitales para prospección de yacimientos mineros ha experimentado un continuo crecimiento, esto debido en parte la disponibilidad de fotografías satelitales que ha permitido el desarrollo de varias técnicas de prospección y clasificación basados principalmente en métodos de combinación, a través de operaciones de pixeles de bandas de imágenes multiespectrales. El propósito principal de esta investigación es predecir cuadrantes en donde pueda ser más probable encontrar yacimientos mineros de la zona de Tiltil, utilizando técnicas de aprendizaje máquina basándose en indicadores de textura y fractales de imágenes multiespectrales. Los algoritmos de Machine Learning han sido progresivamente utilizados en minería para predecir zonas en donde se encuentran yacimientos, para ello se hace uso de: la regresion logística (RL), Naive Bayes (NV), Random Forest (RF) y Redes neuronales artificiales (ANN). Los algoritmoss recibieron como input un conjunto de características basadas en imágenes, como el mapa geológico, y en las diferentes bandas de las imágenes recolectadas por el satélite Sentinel-2A, además de la elevación del terreno, representada también en una imagen. Todas las bandas de la imagen multiespectral son divididas en subimágenes dentro de una cuadrícula, así como de la elevación y el mapa geológico, y a partir de ellas se obtienen indicadores representativos de cada cuadrante, estos indicadores corresponden a las texturas de Haralick (entropía, energía, correlación, etc.) y dimensiones fractales (FD) para superficies, estos últimos se cargan como vectores de características para alimentar los cuatro modelos de aprendizaje supervisado, obteniéndose un yacimiento mineral de cobre u oro en la zona a estudiar, logrando exactitudes entre un 94% ANN y un 95% con RF. | es |
dc.identifier.uri | https://repositorio.unab.cl/xmlui/handle/ria/36150 | |
dc.language.iso | es | es |
dc.publisher | Universidad Andrés Bello | es |
dc.subject | Prospección | es |
dc.subject | Metodología | es |
dc.subject | Modelo Predictivo | es |
dc.subject | Aprendizaje de Máquina | es |
dc.title | Prospección de minerales con clasificación supervisada en base a texturas y dimensiones fractales de imágenes satelitales multiespectrales | es |
dc.type | Tesis | es |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- a140047Gonzalez_C_Prospección_de_minerales_con_clasificación_2022_Tesis.pdf
- Tamaño:
- 1.29 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- TEXTO COMPLETO ESPAÑOL
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: