Spatially honest validation of machine-learning prospectivity maps for karst bauxite in Kazakhstan

Resumo Técnico: Validação Espacialmente Honesta de Mapas de Prospectividade de Aprendizado de Máquina para Bauxita Cárstica no Cazaquistão

Definição do Problema
O mapeamento de prospectividade mineral (MPM) depende cada vez mais do aprendizado de máquina (ML) para integrar dados geológicos, geoquímicos e de sensoriamento remoto. No entanto, existe uma lacuna crítica na validação desses modelos. A validação cruzada (CV) aleatória padrão frequentemente produz métricas de desempenho excessivamente altas (ex: ROC-AUC > 0,95) porque não leva em conta o agrupamento espacial dos depósitos minerais e a autocorrelação inerente dos dados raster. Em tais designs, os pixels de teste são frequentemente adjacentes espacialmente aos pixels de treinamento, permitindo que os modelos "memorizem" texturas locais em vez de aprender critérios de mineralização transferíveis. Isso leva ao "otimismo espacial", onde os modelos apresentam bom desempenho em terrenos conhecidos, mas falham quando aplicados a sistemas de depósitos agrupados genuinamente inéditos. Este problema é particularmente agudo para a bauxita cárstica, que ocorre em lentes esparsas, alongadas e descontínuas, controladas por uma paleotopografia e cobertura complexas, tornando essencial a distinção entre a aparente discriminação ao nível do pixel e a habilidade transferível em escala de depósito.

Metodologia
O estudo propõe um fluxo de trabalho "divisão primeiro, auditoria primeiro" projetado para separar a discriminação aparente da habilidade transferível. Os autores mapearam a prospectividade de bauxita cárstica em aproximadamente 6.500 km² no Cazaquistão usando refletância de superfície Sentinel-2 (2019–2024), nove índices espectrais e três derivados de terreno (elevação, declividade, aspecto) em uma grade de 30 m. Para proteger dados de exploração sensíveis, as coordenadas absoltas foram omitidas; as análises foram conduzidas em um sistema UTM localmente deslocado, preservando a topologia e as distâncias.

A inovação central é uma escada de validação de quatro níveis aplicada a um modelo operacional de Random Forest (700 árvores), juntamente com baselines de Regressão Logística, XGBoost e LightGBM:

1. Validação Cruzada Aleatória: Serve como uma linha de base para a discriminação aparente ao nível do pixel.
2. Validação Cruzada de Blocos Espaciais: Separa geograficamente os dados de treinamento e teste (blocos padrão de 5 km) para mitigar o vazamento espacial (spatial leakage).
3. Correspondência de Distância de k-Vizinhos Próximos (kNNDM): Alinha a distribuição de distância entre as dobras de treinamento/teste com a configuração real de predição para testar o realismo.
4. Deixar um Cluster de Depósito Fora (LOCO-CV): O teste mais rigoroso, onde clusters inteiros de depósitos conhecidos (definidos via DBSCAN) e seu entorno de fundo são retidos durante o treinamento para avaliar a capacidade do modelo de encontrar novos depósitos.

Componentes metodológicos adicionais incluem:

• Sensibilidade de Positivo-Não Rotulado (PU): Reconhecendo que o "fundo" consiste em terrenos não verificados em vez de solo comprovadamente estéril.
• Predição Conforme (Conformal Prediction): Utilizada para quantificar a incerteza assimétrica, distinguindo entre a rejeição confiável de fundos e a confirmação heterogênea de bauxita.
• Área de Aplicabilidade (AOA): Uma máscara que identifica regiões onde as combinações de preditores caem fora da distribuição de treinamento (extrapolação).
• Análise de Autocorrelação Residual: Utilizando variogramas e o I de Moran para determinar o tamanho de bloco ideal para validação (aprox. 20 km).

Principais Resultados
A escada de validação revelou uma lacuna substancial entre a discriminação aparente e a habilidade transferível:

• CV Aleatória: O modelo alcançou um ROC-AUC de 0,984 e um PR-AUC de 0,941, refletindo o "otimismo" do vazamento espacial.
• CV de Blocos Espaciais: O desempenho caiu para ROC-AUC ≈ 0,84 (blocos de 5 km). À medida que o tamanho do bloco aumentou em direção ao intervalo de autocorrelação residual (~20 km), o desempenho estabilizou em ROC-AUC ≈ 0,78.
• Esquemas Estritos Orientados à Predição: Tanto o kNNDM quanto o LOCO-CV convergiram para ROC-AUC ≈ 0,77–0,78, com o LOCO-CV gerando um PR-AUC de 0,507.
• Habilidade ao Nível do Depósito: O bootstrapping através de 17 clusters de depósitos retidos mostrou um ROC-AUC médio de 0,72 (IC 95%: 0,64–0,80), indicando que, embora o modelo aprenda um sinal real, este é heterogêneo entre diferentes sistemas de depósitos.

Incerteza e Aplicabilidade

• Predição Conforme: Mostrou incerteza assimétrica. O modelo rejeitou confiavelmente terrenos semelhantes ao fundo (90% de cobertura), mas teve dificuldade em confirmar terrenos semelhantes à bauxita em clusters não vistos (41% de cobertura).
• Triagem AOA: Dos 69 alvos de alta pontuação (>0,1 km²) identificados no 1% superior da superfície de prospectividade, 20 foram sinalizados como extrapolativos (fora da AOA), significando que suas combinações de preditores eram mal representadas nos dados de treinamento.
• Importância do Preditor: A elevação foi o preditor dominante, seguida por índices de umidade/SWIR e de vegetação. Os autores interpretam isso como o modelo capturando a expressão de superfície e a posição da paisagem (relevo residual, preservação) em vez da mineralização direta de subsuperfície.

Significância e Alegações
O artigo não pretende ter produzido um classificador perfeito ou um novo algoritmo. Em vez disso, sua principal contribuição é um protocolo de validação e implantação auditável que separa rigorosamente a aparente discriminação ao nível do pixel da habilidade transferível em escala de depósito.

Os autores argumentam que, para sistemas minerais caracterizados por rótulos esparsos e agrupados e fundos não verificados, relatar um único escore de validação cruzada é enganoso. O estudo demonstra que a validação "honesta" (LOCO-CV e bloqueio espacial) reduz as estimativas de desempenho em aproximadamente 20 pontos percentuais em comparação com a CV aleatória. Consequentemente, o mapa de prospectividade resultante não deve ser interpretado como uma superfície de probabilidade de descoberta. Em vez disso, é um produto de triagem de exploração calibrado, consciente da incerteza e com aplicabilidade rastreada. Ele serve como uma ferramenta de suporte à decisão para classificar alvos para verificação de campo, sinalizando explicitamente onde o modelo está extrapolando e onde a incerteza é alta, evitando assim o excesso de confiança no direcionamento exploratório.