Integração de dados aerogeofísicos e mapeamento litológico preditivo com Self-Organizing Maps na Província Mineral do Tapajós, Cráton Amazônico

• Ano de defesa: 2023
• Autor(a) principal: Cellier, Gabriel
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aerogeofísica; Cráton Amazônico; Mapeamento geológico; not available; Província Mineral do Tapajós; Self-Organizing Maps
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/44/44137/tde-17112023-082851/

A Província Mineral do Tapajós (PMT), localizada no centro-sul do Cráton Amazônico, destaca-se pela produção de ouro há mais de seis décadas e tem demonstrado grande potencial para ocorrência de depósitos magmático-hidrotermais polimetálicos, especialmente dos tipos epitermal e pórfiro. No entanto, mesmo com os esforços realizados nas últimas décadas, incluindo a recente publicação do mapa geológico da província, o conhecimento geológico é incompleto, realidade que desfavorece o desenvolvimento da exploração mineral na região. A situação é agravada pelas dificuldades naturais que a região impõe como a dificuldade de acesso, densa vegetação e espesso manto intempérico sobre o substrato rochoso. O uso de técnicas indiretas de mapeamento em regiões com essas dificuldades tem se expandido nos últimos anos. Nesse contexto, o mapeamento preditivo por meio de técnicas de Machine Learning, realizado a partir de variadas bases de dados, tem se mostrado uma ferramenta útil para caracterização e delimitação de unidades geológicas, identificação de anomalias composicionais, identificação de estruturas e mais. Neste trabalho, dados aerogeofísicos foram processados e interpretados a fim de investigar a geologia da porção leste da PMT, sempre à luz do atual mapa geológico da região. Dados obtidos nesta etapa foram utilizados posteriormente como parâmetros para nortear a produção de um mapa litológico preditivo a partir da técnica de Self-Organizing Maps (SOM), uma técnica não supervisionada de Machine Learning, ou seja, que realiza as análises e agrupamento de dados de forma independente, agrupando as amostras conforme relações de similaridade entre elas, definidas pelo próprio algoritmo. Os resultados obtidos evidenciam a forte influência de dados aerogeofísicos na produção do mapa geológico da região, com forte relação dos contatos geológicos entre os mapas, atestando um resultado satisfatório do uso da técnica SOM neste estudo. No entanto, em diversas regiões do mapa geológico, a identificação e delimitação de unidades geológicas e estruturas não são suportadas pelos dados obtidos neste estudo, em especial em regiões com poucos ou sem dados de afloramentos. Os resultados obtidos pelo método SOM se mostraram eficientes na elaboração de mapas geológicos previsionais e aparentam maior eficiência que o simples uso de dados geofísicos para mapeamento de extensões de unidades geológicas identificadas em campo e inferência em regiões não estudadas. Mostra também potencial para inferência de regiões afetadas por alterações hidrotermais, o que pode ser útil para elaboração de modelos exploratórios e definição de áreas potenciais para exploração.