Andrés Álvarez, Analista Técnico de Propiedad Intelectual IIGE
Al inicio de la investigación geológica (1150 a. C.) se elaboraban mapas mediante metodologías básicas o cualitativas, posteriormente se los empezó a generar con mayor detalle, los cuales ya incluían modelos de exploración, bases de datos, programas informáticos, entre otros aspectos, para llegar así, a identificar los puntos de interés.
Para generar mapas a partir de los programas informáticos, con programación tradicional, es necesario contar con una base de datos y un programa de análisis, cuyo resultado (mapa) se obtiene a partir del procesamiento de la información disponible. La programación sigue un proceso de actualización, este es el caso del Machine Learning (ML), el cual utiliza una base de datos, más los resultados previos (información base, geológica, cartográfica, análisis de laboratorio) para ingresar al computador y generar un programa de predicción o modelado predictivo (1).
El Machine Learning es una rama del campo de la inteligencia artificial que, a través de algoritmos informáticos mejoran automáticamente la experiencia para generar resultados predictivos de forma masiva (2), sin embargo, la utilización de algoritmos matemáticos en las Ciencias de la Tierra es algo complejo, ya que existe un sin número de variables de difícil predicción y monitoreo; sin embargo, investigadores de la Universidad de Valencia en colaboración con la Universidad de Oxford y el Instituto Max Planck de Biogeoquímica, plantean modelos muy flexibles y eficaces para la estimación de variables de interés a partir de datos y observaciones (3), que ayudan a tener una mejor interpretación de la geología de cada país.
En otras palabras, el ML introduce la data y lo que se pretende predecir (lugares de interés geológico, minero, hidrocarburos, entre otros), para ser codificado y generar un programa, con el cual se obtiene una nueva data, que, posteriormente se somete a pruebas de funcionamiento y así conseguir el resultado o la predicción del problema planteado (Fig. 1).
Figura 1.- Esquema general de funcionamiento del Machine Learning (elaboración propia)
En el siglo XIX, la geología no contaba con una metodología detallada para la elaboración de mapas geológicos, en esa época solo se realizaban con la técnica exploratoria denominada prueba y error (4), pero en la actualidad, el mapeo geológico está sujeto a mayores exigencias, en cuanto al requerimiento de nuevas herramientas, análisis de laboratorios y avances tecnológicos, como en el caso de la aplicación del Machine Learning en la geología y en sus diferentes ramas como son: mapeo geológico, minería, hidrocarburos, hidrogeología, geofísica, sedimentología, entre otros.
El fin del ML, aplicado a la geología, es explicar o dar respuesta a una serie de problemas en este ámbito, mediante la combinación de información cuantitativa y el levantamiento geológico, siendo una herramienta muy valiosa para la clasificación de las variables (Fig. 1) mediante técnicas informáticas de predicción (5).
Uno de los desafíos primordiales para la geología, es la obtención de cartografía geológica, o construcción de información base, en el menor tiempo posible y con mayor organización de la información (histórica y reciente), para así implementar proyectos y el aseguramiento de la producción (6). El ML también es aplicable a la política de precios y proyectos de inversión, es decir, a través de la oferta y la demanda, pero con la ventaja de que se lo realiza comúnmente en el sector minero y petrolero.
La clave para obtener un ML que se acerque más a la realidad (mapas predictivos) es tener clara la relación entre las variables (base de datos) y los parámetros (geológicos), y así, aplicarlos en las áreas de interés (yacimientos, acuíferos, ambientes, sedimentación, etc.) a través del conocimiento, intuición e inteligencia artificial (ML). Es decir, enseñarle al sistema con claridad qué representa la información validada, ya sea antigua (física sin validación) o moderna (digital validada o no) con respecto a estructuras geológicas, geoquímica, petrografía, geofísica, tectónica, puntos de interés (7) y correlacionarlos con los modelos de exploración y/o prospección, para obtener un algoritmo y finalmente el resultado deseado.
Estos mapas predictivos, en geología, se los puede emplear para predicción de movimientos en masa, identificación en la formación de depósitos; identificación, o probabilidad, en dónde podría presentar fallas las tuberías de hidrocarburos y análisis en el uso de suelo (agricultura, planificación territorial, plantas de beneficio, hidroeléctricas).
Un claro ejemplo de la aplicación del ML en geología, específicamente en la parte minera, son los depósitos de oro alojados en el Supergrupo Birimian y el Grupo Tarkwaian en Ghana, para este análisis se contempló: un área aproximada de 68,000km2, 350 datos de minerales conocidos, geofísica aeroportada, geología regional y local, y el ranking de mineralizaciones de acuerdo al tamaño (5).Todo esto, sumado al modelo geológico de la zona (Fig. 2), permitió obtener el mapa predictivo, a través del cual se generaron las anomalías del mineral de interés, en este caso, de oro (Fig. 2).
Figura 2.- Modelo geológico y mapa predictivo del SO de Ghana (escala 1:1 000 000) en este último en las zonas de color lila, indica la mayor probabilidad de encontrar oro (8).
En América Latina, Perú es uno de los países con mayor aplicabilidad del ML en las áreas de las Ciencias de la Tierra, utilizan algoritmos e inteligencia artificial para desarrollar una “Big Data” y predecir estadísticamente la existencia de un nuevo yacimiento mineral (9); la ventaja de estos mapas es que son de fácil lectura, buena precisión (± 100m), contiene información histórica actualizable (perforaciones, geofísica, mapeo); en fin, se los puede emplear para un mejor manejo de la información nacional y así proteger los recursos.
El beneficio de estos algoritmos o Machine Learning, es la disminución en tiempo en el procesamiento de los datos, lo que ahorraría un presupuesto significativo al Gobierno y empresas. Con el resultado de estos mapas predictivos se lograría atraer inversión internacional, principalmente en el campo de la minería (9) a corto, mediano y largo plazo.
La Administración Nacional de Aeronáutica y el Espacio de Estados Unidos (NASA), en los últimos años ha empleado esta tecnología en la exploración de Marte, a través de datos de difracción de rayos X, mismos que son comparados con información base de la Tierra (10).
La utilización del ML en Ecuador es importante debido a que cada año se genera nueva información en el área de las Ciencias de la Tierra, misma que se tiene que procesar y almacenar en función de los avances tecnológicos. Desde la perspectiva general, en Ecuador la aplicación del ML en geología es limitada, siendo su mayor utilización en la empresa privada y en otras áreas ajenas a la geología; no obstante, al ser un país atractivo en la parte geológica, se puede emplear esta herramienta tecnológica; por ejemplo, se puede obtener mapas hidrogeológicos predictivos en los cuales se indique la información histórica de pozos (productivos, investigación, monitoreo) y asociarlos con la nueva información creada mediante la automatización de la data, y así, conocer los recursos hídricos u otros recursos naturales que posee el país.
Para concluir, el empleo del ML sirve para aumentar la experiencia del usuario ya que va aumentado su información en función del trabajo de los responsables de la data; automatización de los procesos internos el cual ayudaría para el monitoreo de eventos naturales (inundaciones, incendios, movimientos en masa, entre otros); aplicación de Lead Scoring (algoritmo) mismo que incorpora parámetros de clientes o inversionistas potenciales que tienen relación principalmente con la actividad minera e hidrocarburífera; control de datos en tiempo real especialmente para generación de alertas tempranas (tsunamis, movimientos en masa, entre otros); y finalmente para la producción inteligente con lo que se pretende lograr nuevos modelos para adelantarse o recomendar futuros proyectos y cubrir las necesidades de los diferentes sectores relacionados a las Ciencias de la Tierra (11).
El Instituto de Investigación Geológico y Energético (IIGE), le invita a participar en una ENCUESTA DE PERCEPCIÓN.
El objetivo de la encuesta es recibir sus comentarios para comprender de mejor manera su percepción y expectativa que nos permitan entregar un producto y servicio óptimo.
Agradecemos su participación.
Referencias bibliográficas
1. BBVA. BBVA. 'Machine learning': ¿qué es y cómo funciona? [En línea] 08 de Noviembre de 2019. [Citado el: 11 de Junio de 2021.] https://www.bbva.com/es/machine-learning-que-es-y-como-funciona/.
2. Mitchell, Tom. Machine Learning. s.l. : McGraw-Hill, 1997.
3. UVNoticias - Universitat de Valencia. El 'machine learning' sigue proporcionando datos para la Observación de la Tierra. [En línea] 18 de Julio de 2019. [Citado el: 15 de Junio de 2021.] https://www.uv.es/uvweb/uv-noticies/es/noticias/machine-learning-sigue-proporcionando-datos-observacion-tierra-1285973304159/Novetat.html?id=1286087765096&plantilla=UV_Noticies/Page/TPGDetaillNews.
4. Robador, A. Los mapas geológicos. Madrid : Instituto Geológico y Minero de España, 2017.
5. Pizano, L. Machine Learning aplicado a la geología. Lima : INGEMET, 2021.
6. GEOINNOVA. GEOINNOVA. Aplicación de Clustering y Machine Learning a problemas geológicos. [En línea] 18 de Mayo de 2020. [Citado el: 15 de Junio de 2021.] https://geoinnova.cl/2020/05/18/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos/.
7. Mining BIG Data: the Future of Exploration Targeting Using Machine Learning. Desharnais, G, y otros, y otros. Blainville Québec : SGS Canada Ltd. Geological Services, 2017.
8. A review of the Birimian Supergroup- and Tarkwaian Group-hosted gold deposits of Ghana. Smith, A, Henry, G y Killian, S. 2, Auckland Park : IUGS, 2016, Vol. 39.
9. Big data, algoritmos e inteligencia artificial, ¿El futuro de la exploración geológica en Perú? Suárez, J.M. Arequipa : Instituto de Ingenieros de Minas del Perú, 2019.
10. Hazen, R y Morrison, S. Carnegie Science. Big Data Points Humanity To New Minerals, New Deposits. [En línea] Carnegie Science, 01 de Agosto de 2017. [Citado el: 22 de Junio de 2021.] https://carnegiescience.edu/news/big-data-points-humanity-new-minerals-new-deposits.
11. I A LATAM. IALATAM. Los 5 proyectos de machine learning más demandados. [En línea] IALATAM, 11 de Septiembre de 2019. [Citado el: 12 de Julio de 2021.] https://ia-latam.com/2019/09/11/los-5-proyectos-de-machine-learning-mas-demandados/.
Fuente: IIGE