Para citar este trabalho use um dos padrões abaixo:
Este estudo explora o uso de Machine Learning para identificar corpos máficos-ultramáficos no sul da Faixa Brasília (GO), entre a sequência Anicuns-Itaberaí e o Complexo Anápolis-Itauçu. Utilizando o algoritmo Random Forest, foram analisados dados geofísicos e de sensoriamento remoto para aprimorar a cartografia geológica. Integraram-se dados aerogeofísicos (magnetometria e radiometria) e dados de sensoriamento remoto multiespectral e de radar, formando um conjunto geoespacial robusto. O modelo, treinado com uma fração substancial desses dados, gerou um mapa preditivo das ocorrências geológicas. Os resultados mostraram alta precisão na discriminação dos corpos geológicos, confirmada por dados de campo, oferecendo uma nova visão sobre a distribuição dessas formações. Este trabalho destaca o potencial do Machine Learning como ferramenta de apoio à prospecção mineral e para criar mapas geológicos mais detalhados e precisos, contribuindo para o avanço da geologia aplicada.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo