
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Ribeiro, Brener Otávio Luiz | - |
| Autor(es): dc.creator | Barbuena, Danilo | - |
| Autor(es): dc.creator | Melo, Gustavo Henrique Coelho de | - |
| Autor(es): dc.creator | Motta, João Gabriel | - |
| Autor(es): dc.creator | Marques, Eduardo Duarte | - |
| Autor(es): dc.creator | Marinho, Marcelo de Souza | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T15:35:39Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T15:35:39Z | - |
| Data de envio: dc.date.issued | 2024-09-11 | - |
| Data de envio: dc.date.issued | 2024-09-11 | - |
| Data de envio: dc.date.issued | 2023 | - |
| Fonte completa do material: dc.identifier | https://www.repositorio.ufop.br/handle/123456789/18579 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0375674224001596 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.gexplo.2024.107543 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1019240 | - |
| Descrição: dc.description | One of the greatest challenges in mineral prospectivity mapping (MPM) research nowadays is to find a solid methodology that ensures the reliability of the prospectivity model during the learning and prediction procedures. Multiple uncertainties such as the location of non-deposit sites or the type of machine learning algorithm (MLA) can bias the MPM. To investigate these effects, we used multiple training datasets with different non-deposits locations, randomly created, and MLAs such as Artificial Neural Network (ANN), Random Forests (RF) and Support Vector Machine (SVM), to model orogenic-Au prospectivity in the Pitangui Greenstone Belt (PGB, Brazil). Regarding the implications in the methodology for MPM, there are great differences between the models' performances in mapping prospective zones when there is a slightly change in the location of negative samples. These changes can be observed by using the Shapley additive explanation metrics (SHAP values), which can help mitigate such effects by choosing an optimal model among all randomly created datasets. The SHAP values of non-deposit sites also showed that ANN and SVM present overfitting problems despite the use of balanced data. RF on the other hand outperformed in all ten datasets and showed great recognition and adjustment to the negative samples. The results presented in this research are also promising to the prospective studies in the PGB, as it shows a map capable to correctly predict 97 % of the known deposits and occurrences in 3 % of the total area and points the new frontiers for gold exploration in the PGB. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Direitos: dc.rights | restrito | - |
| Palavras-chave: dc.subject | Mineral prospectivity mapping | - |
| Palavras-chave: dc.subject | Pitangui Greenstone Belt | - |
| Palavras-chave: dc.subject | Machine learning algorithms | - |
| Palavras-chave: dc.subject | Gold mineralization | - |
| Título: dc.title | How do non-deposit sites influence the performance of machine learning-based gold prospectivity mapping? : a study case in the Pitangui Greenstone Belt, Brazil. | - |
| Aparece nas coleções: | Repositório Institucional - UFOP | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: