| Campo DC | Valor | Idioma |
| dc.contributor.advisor | Yokoyama, Elder | - |
| dc.contributor.author | Tabosa, Luiz Fernando Cursino | - |
| dc.date.accessioned | 2026-10-07T16:45:28Z | - |
| dc.date.available | 2026-10-07T16:45:28Z | - |
| dc.date.issued | 2026-10-07 | - |
| dc.date.submitted | 2023-09-29 | - |
| dc.identifier.citation | TABOSA, Luiz Fernando Cursino. Aplicação de random forest para a detecção de corpos máficos-ultramáficos da suíte gameleira no embasamento da faixa Brasilia, Brasil. 2023. 109 f., il. Dissertação (Mestrado em Geociências Aplicadas e Geodinâmica) — Universidade de Brasília, Brasília, 2023. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/57149 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Instituto de Geociências, Programa de Pós-Graduação em Geociências Aplicadas e Geodinâmica, 2023. | pt_BR |
| dc.description.abstract | O embasamento do Orógeno Brasília em sua porção norte, corresponde a parte de um
bloco crustal gerado no início do Paleoproterozoico, sendo formado por um extenso
volume de magmatismos TTG (trondhjemito-tonalito-granodiorito). A Suíte Gameleira,
ocorre no embasamento da Faixa Brasília Norte (sudeste do estado do Tocantins), e
corresponde a corpos predominantemente máficos com ocorrência subordinada de rochas
ultramáficas no Domínio Almas-Conceição do Tocantins. A região é composta por
variações de granitoides, sequências metavulcanossedimentares e metassedimentares.
Dessa maneira, o objetivo dessa pesquisa é usar o algoritmo de aprendizado de máquina
Random Forest para a detecção de ocorrências de novos corpos máfico-ultramáficos na
Suíte Gameleira. Para isso, foram utilizados dados remotos, como levantamentos
aerogeofísicos (magnetometria e radiometria), além de sensoriamento remoto (Alos
Palsar). Foram gerados produtos derivados da aerogeofísica como Intensidade Magnética
Total, Amplitude do Sinal Analítico, uma fatia em -100 metros de profundidade do
resultado da Inversão dos Vetores de Magnetização, derivada vertical, derivada Tilt, os
três canais radiométricos (K, eTh e eU), Contagem Total, Fator F e Potássio Anômalo.
Com a informação desses produtos, foi gerada a base de dados e aplicado o algoritmo
Random Forest (algoritmo de aprendizado de máquina supervisionado). A base de dados
de treino possui 1659 amostras equivalente a 1,96% da base de dados total (84535
amostras) para a geração deo mapas preditivos litológicos. Para a verificação e avaliação
dos dados preditos foram usadas três abordagens: uso de lineamentos magnéticos para
averiguar um controle tectônico estrutural na colocação dos corpos, amostras de campo e
o uso da Inversão dos Vetores de Magnetização para a análise do comportamento
magnético em profundidade dos corpos preditos, uma vez que os corpos da Suíte
Gameleira apresentam remanência magnética. Concluiu-se na pesquisa que o uso desse
método atrelado as técnicas de verificaçãoutilizadas auxiliam na exploração de terrenos
greenfield e brownfield, uma vez que o aprendizado de máquinas pode aprimorar a
cartografia existente, delimitando novas ocorrências ou mesmo sugerindo áreas em que
se faz necessário melhor detalhamento. O uso de conhecimentos geológicos iniciais e
outras informações não inseridas no modelo são de extrema importância, uma vez que o
mapa preditivo não corresponde em si a verdade geológica e feita a predição é necessária
que seja realizada interpretação do resultado por uma visão geológica. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | pt_BR |
| dc.language.iso | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Aplicação de random forest para a detecção de corpos máficos-ultramáficos da suíte gameleira no embasamento da faixa Brasilia, Brasil | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Aerogeofísica | pt_BR |
| dc.subject.keyword | Faixa Brasília | pt_BR |
| dc.subject.keyword | Machine Learning | pt_BR |
| dc.subject.keyword | Random Forests | pt_BR |
| dc.subject.keyword | Rochas ígneas | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | The northern part of the Brasília Orogen in its basement corresponds to a portion of a
crustal block formed in the early Paleoproterozoic and consists of an extensive TTG
magmatism (trondhjemite-tonalite-granodiorite). The Gameleira Suite is found in the
basement of the North Brasília Belt (southeastern Tocantins) and consists of
predominantly mafic rocks with subordinate occurrences of ultramafic rocks in the
Almas-Conceição do Tocantins Domain. The region is composed of variations of
granitoids, metavolcanosedimentary sequences, and metasedimentary rocks. The
research aims to use a machine learning method for detecting potential new maficultramafic occurrences in the Gameleira Suite. To achieve this, remote sensing data such
as aerogeophysical surveys (magnetometry and radiometry) were used, along with remote
sensing. Derived products from aerogeophysics were generated, including Total
Magnetic Intensity, Analytic Signal Amplitude, a slice at -100 meters depth from the
Magnetic Vector Inversion, vertical derivative, Tilt derivative, the three radiometric
channels (K, eTh, and eU), Total Count, F-factor, and Potassium Anomaly. Using the
information from these products, a database was created and the Random Forest
algorithm (a supervised machine learning algorithm) was applied, training on 1.96% of
the total database (84,535 samples) to generate the predictive map. Three approaches
were used for data verification and evaluation: the use of magnetic lineaments to
investigate structural tectonic control on the placement of bodies, field samples, and the
use of MVI to analyze the magnetic behavior at depth of the predicted bodies, as the
Gameleira Suite bodies exhibit magnetic remanence. The research concluded that the use
of this method, combined with the verification methods used, assists in greenfield and
brownfield exploration. Machine learning can enhance existing cartography by
delineating new occurrences or suggesting areas that require further detailed mapping.
The use of initial geological knowledge and other information not included in the model
is crucial since the predictive map does not inherently represent geological truth, and
interpretation of the results through a geological perspective is necessary. | pt_BR |
| dc.description.unidade | Instituto de Geociências (IG) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Geociências Aplicadas e Geodinâmica | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|