Mapeamento digital em formações petroférricas mineralizadas: estudo de caso - Morro dos Seis Lagos na Amazônia Brasileira

Abstract

A combinação de dados de detecção remota e topográficos associados a modelos de aprendizado de máquina (Machine Learning - ML), especialmente para a cartografia digital geológica e pedológica, tem contribuído para a identificação de áreas com potencial econômico para a prospecção mineral. No entanto, os aspectos pedológicos dessas formações são ainda pouco explorados. Os carbonatitos, em especial, são raras e a Amazônia brasileira abriga uma mineralização particular de siderita carbonatito, representando um depósito mineral de potencial classe mundial de nióbio (Nb2O5). Essa formação contém uma espessa crosta laterítica (>200 m), onde os processos de intemperismo atuando sobre a siderita contribuíram para produzir uma crosta de goethita/hematita. Os objetivos da presente pesquisa foram: investigar o processo de laterização em carbonatito siderítico raro (ferrocarbonatitos) avaliando: a variabilidade espacial dos elementos químicos; o efeito do desenho da malha amostral sobre os elementos Al2O3, Fe2O3, MnO, Nb2O5 e TiO2; a distribuição dos materiais geológicos (subclasses); e os índices de intemperismo (Index of Lateritisation - IOL, Chemical Index of Alteration - CIA, e o Chemical Index of Weathering - CIW). Para isso, utilizou-se aprendizado de máquina combinando covariáveis morfométricas com imagens de sensoriamento remoto. O conjunto de dados de entrada reúne dados geoquímicos de 341 amostras (solo, sedimentos e materiais rochosos), combinados com covariáveis morfométricas e índices espectrais, obtidos a partir de dados de detecção remota. Essas informações foram extraídas de bandas dos sensores Sentinel-1A SAR, Sentinel-2A e Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), além de atributos topográficos derivados de um modelo digital de elevação hidrologicamente condicionado (MDE-HC), com resolução de 20 metros. Os dados coletados foram modelados utilizando algoritmos de machine learning. As covariáveis mais importantes para cada composto mineral e para cada modelo foram selecionadas por meio do algoritmo Recursive Feature Elimination (RFE). Os modelos que obtiveram melhor desempenho preditivo foram o Random Forest (RF), seguido pelo K-Nearest Neighbors (KNN). O ranking de importância fornecida pelo RFE indicou que, inicialmente, os atributos do terreno exercem uma influência mais significativa na variabilidade dos elementos contidos nas lateritas do que os índices espectrais de sensoriamento remoto. Nesse contexto, verificou-se que as características do relevo local desempenham um papel fundamental na compreensão da variação espacial dos compostos minerais, dada a maior influência das covariáveis morfométricas e SAR na predição dos diferentes elementos e compostos.