Avanzando la predicción gequímica de oro censurada mediante modelos espaciales bayesianos y Random Forest con separación de fondo basada en fractales

Por qué importan las trazas mínimas de oro

Cuando los geólogos buscan nuevos depósitos de oro, a menudo trabajan con muestras de suelo que contienen solo unos pocos partes por mil millones del metal precioso. Esos valores ultra bajos están tan cerca de los límites de detección de los instrumentos de laboratorio que muchas mediciones aparecen simplemente como “por debajo del límite de detección”. Si estas trazas casi invisibles se tratan de manera inadecuada, se pueden pasar por alto zonas minerales prometedoras o cartografiarlas de forma incorrecta. Este estudio presenta una manera más inteligente de recuperar información de esos valores censurados, ayudando a los exploradores a ver patrones subterráneos con mayor claridad a partir de datos limitados y ruidosos.

Señales ocultas en medidas imperfectas

La química de suelos y rocas es una herramienta clave para la exploración mineral porque pequeños cambios químicos pueden indicar cuerpos de mena enterrados. Pero los instrumentos no pueden medir cantidades infinitesimalmente pequeñas. Para el oro en este estudio, cualquier muestra por debajo de unas pocas partes por mil millones se trató como censurada: el laboratorio solo podía decir que el valor verdadero estaba por debajo de ese umbral. Soluciones rápidas habituales simplemente reemplazan todos esos resultados por un número constante, como la mitad del límite de detección. Aunque es conveniente, esta práctica aplana la variación natural, difumina anomalías sutiles y distorsiona cómo el oro se relaciona con otros elementos como el cobre. Los autores sostienen que, para leer realmente las huellas químicas de la Tierra, debemos conservar la incertidumbre en esos valores bajos en lugar de sobrescribirla.

Del mapa geológico a un fondo más limpio

La investigación se centra en un prospecto de cobre–oro en el área de Northern Dalli, en el centro de Irán, donde se recolectaron 165 muestras de suelo en una cuadrícula densa sobre un sistema porfírico conocido. El oro se midió junto con otros 29 elementos, y 14 muestras quedaron por debajo de un límite de detección supuesto de 5 partes por mil millones. En lugar de introducir todos los datos directamente en un modelo, el equipo utilizó primero un método de concentración–número basado en fractales para separar los valores de fondo de anomalías más fuertes. Analizando cómo cambia el número de muestras con el aumento de la concentración de oro en un gráfico log–log, identificaron umbrales que dividen fondo, anomalías débiles y anomalías fuertes. Solo la población de fondo —incluidos los valores censurados— se utilizó para construir los modelos de predicción, reduciendo el riesgo de que unas pocas muestras de alto grado dominaran el aprendizaje.

Un mapa probabilístico guiado por el cobre

Para estimar el contenido verdadero de oro de las muestras censuradas, los autores aplicaron luego un modelo bayesiano de Campo Aleatorio Gaussiano, un enfoque espacial probabilístico. Este modelo trata la concentración de oro como un campo que varía suavemente en el mapa, influido tanto por la ubicación como por el contenido de cobre, que está fuertemente ligado al oro en este contexto porfírico. En lugar de adivinar un único número para cada punto censurado, el modelo produce una curva de probabilidad completa que respeta el hecho de que el valor verdadero debe estar por debajo del límite de detección. El resultado es un conjunto de mejores estimaciones y rangos de incertidumbre para las 14 muestras censuradas que son consistentes con las mediciones cercanas y con la asociación oro–cobre observada en las rocas.

Aprendizaje automático, ajustado donde importa

Esas estimaciones probabilísticas alimentaron después un modelo Random Forest, un método de aprendizaje automático que combina muchos árboles de decisión. El modelo utiliza oro, cobre, hierro, níquel, titanio y boro de la población de fondo para aprender patrones, con una validación cruzada cuidadosa de modo que cada muestra se prueba únicamente contra modelos que no la han visto antes. Las predicciones iniciales todavía tendían a ser un poco altas cerca del límite de detección, un problema común cuando hay pocos valores muy bajos disponibles. Para corregir esto, los autores realizaron una calibración dirigida centrada específicamente en el rango de 5–8 partes por mil millones y luego aplicaron un paso simple de escalado para asegurar que las predicciones ajustadas permanecieran dentro de límites físicamente significativos. Esta cadena de tres pasos —separación fractal, estimación espacial bayesiana y Random Forest calibrado— produjo predicciones que coincidieron con los valores reales bajos de oro mucho mejor que los enfoques estándar.

Superando los atajos antiguos

El estudio comparó el nuevo marco con un Random Forest básico y con dos reglas clásicas de sustitución que reemplazan los resultados censurados por fracciones fijas del límite de detección. Según varias métricas de error, el modelo híbrido calibrado y escalado fue el más preciso y el menos sesgado, particularmente para las muestras cercanas al límite de detección donde los pequeños errores importan más. También preservó una variación realista y mantuvo relaciones razonables entre oro y cobre, mientras que sustituir una constante única por todos los valores censurados destruía esa estructura. En algunas muestras censuradas de rango más alto, el error relativo del nuevo método fue cientos de veces menor que el de las sustituciones tradicionales.

Imágenes químicas más claras para la exploración

Para los no especialistas, la conclusión es que la forma en que tratamos los valores “por debajo de la detección” en los datos gequímicos puede determinar el éxito en la búsqueda de nuevos depósitos minerales. En lugar de borrar la incertidumbre con reemplazos groseros, este trabajo demuestra que combinar modelado espacial probabilístico, aprendizaje automático y una calibración simple puede recuperar gran parte de la información oculta en mediciones de bajo nivel. El resultado son mapas más limpios de patrones sutiles de oro, una detección de anomalías más confiable y, en última instancia, una mejor probabilidad de encontrar cuerpos de mena usando menos perforaciones y datos más honestos.

Cita: Mahdiyanfar, H. Advancing censored geochemical Au prediction through Bayesian spatial models and Random Forest with fractal-based background separation. Sci Rep 16, 4763 (2026). https://doi.org/10.1038/s41598-026-34999-4

Palabras clave: exploración gequímica, datos censurados, anomalías de oro, modelado espacial bayesiano, aprendizaje automático en geología