Prospección de minerales con clasificación supervisada en base a texturas y dimensiones fractales de imágenes satelitales multiespectrales

Vista sencilla de ítem
dc.contributor.advisorNicolis, Orietta
dc.contributor.authorGonzález Herrera, Cristian Alex
dc.contributor.editorFacultad de Ingeniería
dc.date.accessioned2023-01-16T20:39:52Z
dc.date.available2023-01-16T20:39:52Z
dc.date.issued2022
dc.descriptionTesis (Magíster en Ciencias de la Computación)es
dc.description.abstractEl 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.urihttps://repositorio.unab.cl/xmlui/handle/ria/36150
dc.language.isoeses
dc.publisherUniversidad Andrés Belloes
dc.subjectProspecciónes
dc.subjectMetodologíaes
dc.subjectModelo Predictivoes
dc.subjectAprendizaje de Máquinaes
dc.titleProspección de minerales con clasificación supervisada en base a texturas y dimensiones fractales de imágenes satelitales multiespectraleses
dc.typeTesises
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
a140047Gonzalez_C_Prospección_de_minerales_con_clasificación_2022_Tesis.pdf
Tamaño:
1.29 MB
Formato:
Adobe Portable Document Format
Descripción:
TEXTO COMPLETO ESPAÑOL
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
FIng - Trabajos de Titulación Post-Grado