El equipo Phar Lap representa un sector diverso y representativo de disciplinas relevantes para el Desafío de exploración de minerales de OZEl equipo está formado por un matemático (HK), un físico (DE), un geólogo y ecologista formado en Alemania (DE), un piloto (AUS) y un geólogo formado en Estados Unidos (HK). Su experiencia combinada en geociencias y ciencia de datos les ha valido el premio Data Hound de 25,000 dólares australianos.
Sobre el desafío
Unearthed anunció los ganadores del Explorer Challenge el 28 de junio de 2019, luego de tres meses intensivos (y sin duda muchas tazas de café) mientras los equipos competían por una parte de un pozo de premios de 1 millón de dólares australianos para desarrollar nuevas ideas sobre la exploración minera.
En una decisión audaz, la empresa minera Minerales OZ Entregó más de dos terabytes de datos privados de su propio proyecto de exploración, además de más de tres terabytes de datos públicos, con el fin de realizar predicciones colectivas sobre el próximo yacimiento mineral en el sur de Australia. Equipos compuestos por geólogos, geocientíficos y científicos de datos aceptaron el desafío y encontraron nuevas formas de revisar y optimizar el proceso de exploración mineral.
Equipo Phar Lap: premio Data Hound
- Matías Helbig
- Dr. René Kahnt
- Rohan Lloyd
- Dr. Holger Eichstaedt
- Ruky Siu
- Bill Marr
Los miembros del equipo Phar Lap actualmente están activos en varias empresas y su experiencia abarca países como Alemania, China y Perú. El Dr. Eichstaedt y Bill Marr trabajan en la Grupo Dimap, que está activo en todo el mundo y es el único proveedor comercial de estudios multisensoriales complejos basados en hiperespectrales.
El Dr. René Kahnt es un físico teórico que trabaja en una empresa independiente de consultoría y planificación. Geometría en Alemania y ha sido responsable del departamento de modelado y análisis de riesgos desde 2006. Mathias Helbig, también de GEOS, tiene experiencia en ingeniería de proyectos y es responsable del modelado y la evaluación de riesgos.
ImagenAire El fundador Rohan Lloyd ha estado involucrado en la industria de trabajos aéreos durante más de 20 años, con experiencia en el suministro de datos con tecnología de infrarrojo cercano (NIR) e infrarrojo térmico (TIR). Rohan se centra en la ortofotografía, el LIDAR y el modelado digital del terreno.
Su enfoque
El equipo decidió adoptar un enfoque mixto entre la interpretación geológica y el procesamiento de datos, con un fuerte enfoque en el aprendizaje controlado. Además, decidieron recopilar datos de expresión de superficie hiperespectral de alta resolución, que se utilizaron para una reinterpretación de las estructuras geológicas y el proceso de aprendizaje automático. Como primer paso en la interpretación de la estructura geológica, utilizaron detalles basados en datos SARIG y datos de perforación, así como los nuevos mapas minerales de los datos hiperespectrales.
Durante el “nivel 1 de aprendizaje automático”, utilizaron datos de geofísica y geoquímica enriquecidos con datos satelitales para producir un mapa de probabilidades de mineralización regional, cotejado con algunos depósitos conocidos. El “nivel 2 de aprendizaje automático” generó información basada en la expresión de la superficie encontrada en las firmas espectrales de los datos aéreos y la geoquímica. A estos datos se les dio una segunda interpretación de la escena y se aprendieron nuevamente a partir de los resultados duros de las perforaciones. El “nivel 3 de aprendizaje automático” ayudó a crear mapas de objetivos locales, de los cuales se eligieron 12 áreas objetivo preferidas.
"El resultado se basó en una combinación de los resultados de aprendizaje basados en la geofísica y los resultados de aprendizaje de la superficie y proporcionó una fusión entre las expresiones de superficie geofísicas, geoquímicas e hiperespectrales. Los objetivos se definieron en índices de probabilidad normalizados a unidades de área", explicó el Dr. Holger Eichstaedt.
Implicaciones
El premio Data Hound ha dado credibilidad al enfoque adoptado por el equipo Phar Lap. La combinación de datos de geofísica y expresión de superficies mediante modelos complejos de aprendizaje automático por primera vez como prueba de concepto permitirá al equipo ponerse en contacto con su red de clientes existente para continuar con el debate y la investigación.
“Si bien la mayoría de nuestros clientes luchan por cerrar la brecha entre estos dos mundos, el Explorer Challenge nos dio la oportunidad de desarrollar y verificar métodos con datos valiosos de ambos mundos”, dijo el Dr. Eichstaedt.
¿Qué es lo siguiente?
Tenemos previsto seguir trabajando en el desarrollo de una solución comercializable. Hemos iniciado conversaciones con varios clientes y organismos gubernamentales de Australia y del extranjero.