Identificação de padrões morfoestruturais utilizando Clustering Large Applications, um estudo de caso no Quadrilátero Ferrífero
DOI:
https://doi.org/10.33448/rsd-v11i14.36235Palavras-chave:
CLARA; Análise de agrupamento; Pesquisa mineral; Quadrilátero ferrífero.Resumo
Dentre as etapas de um projeto de mineração destaca-se a pesquisa mineral, com objetivos de identificar, estudar e avaliar os depósitos minerais. Nesta etapa específica ocorre a transformação dos recursos minerais inferidos, em indicados e por fim medidos, e caso seja viável sua explotação, em reservas minerais prováveis e/ou provadas. A descoberta destas reservas é marco impactante para o desenvolvimento industrial, tecnológico e econômico de uma sociedade. Este artigo tem como objetivo principal apresentar a utilização de uma técnica de machine learning para identificação de estruturas de particular interesse geológico, a partir de imagens de satélite. A técnica aplicada foi o Clustering Large Applications (CLARA) que é um algoritmo não-supervisionado para agrupamento de dados, com alta performance em banco de dados massivos. A área utilizada como estudo de caso foi o Quadrilátero Ferrífero, uma das maiores províncias minerais do planeta, localizada no estado de Minas Gerais, Brasil. Os resultados do modelo CLARA permitiram delinear todas as feições que formam o Quadrilátero Ferrífero. Neste contexto acredita-se que esta possa ser uma boa ferramenta para seleção de alvos exploratórios reduzindo incerteza e risco aos investidores. O que propicia não somente a atração de novas empresas para pesquisa mineral, além da ampliação das reservas dos recursos minerais brasileiros.
Referências
Alves, H. J. De P.; Fernandes, F. A..; Lima, K. P. De; Batista, B. D. De O..; Fernandes, T. J. The COVID-19 pandemic in Brazil: an application of the k-means clustering method. Research, Society and Development, [S. l.], v. 9, n. 10, p. e5829109059, 2020. DOI: 10.33448/rsd-v9i10.9059.
Cabral, A. R., Zeh, A., Koglin, N., Seabra Gomes, A. A., Viana, D. J., & Lehmann, B. (2012). Dating the Itabira iron formation, Quadrilátero Ferrífero of Minas Gerais, Brazil, at 2.65Ga: Depositional U–Pb age of zircon from a metavolcanic layer. Precambrian Research, 204-205, 40–45. https://doi.org/10.1016/j.precamres.2012.02.006
Cloutis, E. A. (1996). Review Article Hyperspectral geological remote sensing: evaluation of analytical techniques. International Journal of Remote Sensing, 17(12), 2215–2242. doi:10.1080/01431169608948770.
Dorr II, J. V. N. (1969). Physiographic, stratigraphic and structural development of the Quadrilatero Ferrífero, Minas Gerais, Brazil, U.S. Geological Survey Professional Paper. 641-A, 110 pp.
Dutra, L. F., Martins, M., & Lana, C. (2019). Sedimentary and U-Pb detrital zircons provenance of the Paleoproterozoic Piracicaba and Sabará groups, Quadrilátero Ferrífero, Southern São Francisco craton, Brazil. Brazilian Journal of Geology, 49(2). doi:10.1590/2317-4889201920180095
ENGESAT (2015). Sentinel-2. Curitiba-PR. Disponível em: http://www.engesat.com.br/sentinel-2/. Acesso em: 25 dez. de 2021.
ESA (2021). Sentinel Online. European Space Agency (ESA). Disponível em: https://sentinel.esa.int/web/sentinel/home. Acesso em: 09 dez. 2021.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. doi:10.1016/j.rse.2017.06.031
Kaufman, L., and Rousseeuw, P. J. (1987), Clustering by means of medoids. Statistical Data Analysis based on the L, Norm, edited by Y. Dodge, Elsevier/North-Holland, Amsterdam, pp. 405-416.
Kaufman, Leonard, and Peter Rousseeuw. (1990a). Finding Groups in Data: An Introduction to Cluster Analysis. Introduction. (n.d.). Wiley Series in Probability and Statistics, 1–67. doi:10.1002/9780470316801.ch1
Kaufman, Leonard, and Peter Rousseeuw. (1990b). Finding Groups in Data: An Introduction to Cluster Analysis. Partitioning Around Medoids (Program PAM). (n.d.). Wiley Series in Probability and Statistics, 68–125. doi:10.1002/9780470316801.ch2
Kaufman, Leonard, and Peter Rousseeuw. (1990c). Finding Groups in Data: An Introduction to Cluster Analysis. Clustering Large Applications (Program CLARA). (n.d.). Wiley Series in Probability and Statistics, 126–163. doi: 10.1002/9780470316801.ch3
Lary, D. J., Alavi, A. H., Gandomi, A. H., & Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1), 3–10. doi:10.1016/j.gsf.2015.07.003
Lima, N. P., Ferreira, M. T. S., Ruffeil, M., Ferreira, R. F., Pirette, W. & Galbiatti, H. F. (2020). Quadrilátero Ferrífero: Cinco Décadas de Histórias, Descobertas, Importância Econômica e Tecnológica e Novas Fronteiras para a Mineração de Ferro. In: Paulo de Tarso Amorim Castro; Issamu Endo; Antonio Luciano Gandini. (2020). Quadrilátero Ferrífero: Avanços do Conhecimento nos Últimos 50 Anos. Belo Horizonte: 3i. v. 1, 318-41
Lobato L.M., Baltazar O.F., Reis L.B., Achtschin A.B., Baars F.J., Timbó M.A., Berni G.V., Mendonça B.R.V., Ferreira D. (2005). Projeto Geologia do Quadrilátero Ferrífero - Integração e Correção Cartográfica em SIG com Nota Explicativa. Belo Horizonte, 68 p.
Nascimento, E. R. Do.; Albuquerque, M. A. De.; Barros, K. N. N. De O..; Barros, P. S. N. Cluster analysis applied to the Human Development Index (HDI) of Brazilian States. Research, Society and Development, [S. l.], v. 11, n. 2, p. e18011225747, 2022. DOI: 10.33448/rsd-v11i2.25747.
Sabins, F. F. (1997). Remote Sensing — Principles and Interpretation, 3rd edn., W.H. Freeman, New York, NY., 494 pp
R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Reis, A. R. S.; Silva, K. P. da; Chagas, D. R. das. Analysis of leaf surface and clustering of 10 tree species: a tool in the identification of Amazonian species. Research, Society and Development, [S. l.], v. 10, n. 2, p. e58810212961, 2021. DOI: 10.33448/rsd-v10i2.12961.
RStudio Team (2020). RStudio: Integrated Development for R. RStudio, PBC, Boston, MA URL http://www.rstudio.com/.
USGS. (2017). Mineral commodity summaries 2016. United States Geological Survey (USGS). U.S. Geological Survey, 202 p.90-1
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Naim Khalil Ayache; Allan Erlikhman Medeiros Santos; Francisco de Castro Valente Neto; Denise de Fátima Santos da Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
