Resumo: Com o esgotamento progressivo dos depósitos minerais rasos, de mais fácil identificação, o uso de tecnologias de informação tem se tornado fundamental na pesquisa mineral. Métodos de modelamento de potencial mineral (MPM) em ambiente SIG têm sido amplamente aplicados na definição de áreas prospectáveis e alvos exploratórios. Esses métodos permitem integrar uma grande quantidade de dados espaciais e conhecimentos específicos de forma eficiente e dirigida. Entre os métodos de MPM guiados pelos dados, as técnicas de machine learning (ML) têm se mostrado promissoras devido à sua capacidade de modelar sistemas complexos, como são os sistemas minerais. Este trabalho teve o objetivo de avaliar a eficácia de diferentes técnicas de ML no modelamento da prospectividade para urânio na Província Uranífera de Lagoa Real (PULR), utilizando diferentes técnicas de ML. Usando uma abordagem de sistemas minerais, foram definidos os componentes críticos para a geração dos depósitos de urânio na PULR, que são do tipo Na-metassomáticos. Com o uso de técnicas de processamento de dados geoespaciais, tais componentes do sistema mineral foram convertidos em mapas evidenciais e então utilizados como variáveis preditivas do modelo de prospectividade. Foram empregadas técnicas de ML não-supervisionadas (Self-organizing maps, K-means e agrupamento hierárquico espacialmente restrito) para análise exploratória de dados, e delimitação de domínios geológico-geofísicos. O modelo de prospectividade final foi gerado com o algoritmo de classificação XGBoost. No mapa resultante (com scores de prospectividade variando entre 0 e 1), 95,1% das ocorrências conhecidas estão mapeadas em apenas 2,3% da área de estudo, com scores iguais ou superiores a 0,9; e 100% das ocorrências são encontradas dentro de uma fração de 4,7% da área, com scores iguais ou superiores a 0,5. A técnica SHAP (Shapley additive explanations) foi utilizada para a avaliação da influência de cada variável nas predições. Usando essa técnica, em conjunto com o conhecimento acerca do sistema mineral da PULR, foi possível propor hipóteses prospectivas para geração de alvos. Os resultados obtidos demonstraram o potencial das técnicas de ML, tanto não-supervisionadas como supervisionadas, para MPM em escala de distrito, com particular relevância para uso em áreas de estudo com mapeamento geológico limitado, como a PULR Ver menos

Abstract: With the progressive depletion of more easily identifiable shallow mineral deposits, the use of information technologies has become essential in mineral exploration. Mineral potential modeling (MPM) methods in a GIS environment have been widely applied in defining prospective areas and exploratory targets. These methods allow for the efficient and directed integration of a large amount of spatial data and specific knowledge. Among the data-driven MPM methods, machine learning (ML) techniques have shown promise due to their ability to model complex systems, such as mineral systems. This study aimed to evaluate the effectiveness of different ML techniques in modeling uranium prospectivity in the Lagoa Real Uranium Province (PULR), employing various ML techniques. Using a mineral systems approach, the critical components for the generation of uranium deposits in the PULR, which are of the Na-metasomatic type, were defined. Through geospatial data processing techniques, these mineral system components were converted into evidential maps and then used as predictive variables in the prospectivity model. Unsupervised ML techniques (self-organizing maps, K-means, and spatially constrained hierarchical clustering) were employed for exploratory data analysis and delineation of geological-geophysical domains. The final prospectivity model was generated using the XGBoost classification algorithm. In the resulting map (with prospectivity scores ranging from 0 to 1), 95,1% of the known occurrences are mapped within only 2,3% of the study area, with scores equal to or greater than 0,9; and 100% of the occurrences are found within a fraction of 4,7% of the area, with scores equal to or greater than 0.5. The SHAP technique (Shapley additive explanations) was used to evaluate the influence of each variable on the predictions. Using this technique, in conjunction with knowledge of the PULR mineral system, it was possible to propose prospective hypotheses for target generation. The results obtained demonstrated the potential of ML techniques, both unsupervised and supervised, for MPM at the district scale, with particular relevance for use in study areas with limited geological mapping, such as the PULR Ver menos