O objetivo da disciplina é o ensino de métodos de aquisição digital de dados geológicos em levantamentos geológicos em campo por diferentes sistemas e de métodos e tendências inovadoras no campo da inteligência artificial aplicadas na resolução de problemas geológicos comuns, como no mapeamento geológico, análise de potencial para ocorrências de depósitos minerais em diferentes contextos geológicos, estudos petrográficos, estudo de sistemas geológicos, etc. Os métodos no estudo da geologia básica estão se transformando rapidamente nos últimos anos e essa disciplina objetiva o ensino de métodos de Inteligência Artificial e sua aplicabilidade na otimização e resolução de
Análise comparativa dos métodos, softwares e equipamentos para obtenção de dados digitais em campo e tratamento e interpretação dos dados em campo e no escritório. Conceitos sobre bancos de dados, Big Data e Inteligência Artificial em geociências, estado atual da arte, tendências e potencial futuro. Aplicações em mapeamento geológico, exploração mineral, metalogegia e na análise de sistemas geológicos.
1) Exercícios práticos com FieldMove, FieldClino, GIS-Pro e outras ferramentas; 2) Dados geológicos: litologia, geoquímica, geocronologia, sedimentos de corrente, ocorrências minerais, aerogeofísica, isótopos radiogênicos e estáveis, 3) Uso de imagens e desenhos em campo; 3) Estereoscopia de imagens do GoogleEarth e Bing de alta resolução por anaglifos: métodos de obtenção e de análise; 4) Hierarquia e interpretação de estruturas geológicas com base nos dados adquiridos, modelos digitais de terreno, imagens de sensoriamento remoto, aerogeofísica, etc; 5) Bancos de dados e sua aplicação em geociências, 7) Big Data em geociências: conceitos e aplicações; 7) Inteligência Artificial: conceitos e evolução temporal; 8) Aplicações de Machine Learning em geociências; 9) Uso de machine learning na elaboração de mapas geológicos; 10) Uso de Machine Learning em exploração mineral; 11) Uso de Inteligência Artificial na análise geológica e na definição de modelos metalogenéticos em províncias geoectônicas; 12) Análise e discussão dos estudos dirigidos.
Abedi, M. & Norouzi, G-H. (2012) Integration of various geophysical data with geological and geochemical data to determine additional drilling for copper exploration. Journal of Applied Geophysics, 83: 35-45. Bergen, K.J.; Johnson, P.A., Hoop, M. V. de; Beroza, G.C. (2019) Machine learning for data-driven discovery in solid Earth geoscience. Science, 363, eaau0323, p. 1-10. DOI:10.1126/science.aau0323. Bubniak, I.M.; Bubniak, A.M.; Gavrilenko, O.D. (2020) Digital field geology. Geoinformatics: Theoretical and Applied Aspects 2020, EAGE, 18188. (https://www.earthdoc.org/content/papers/10.3997/2214-4609.2020geo087?crawler=true) Caté, A.; Perozzi, L.; Gloaguen, E.; Blouin, M. (2017) Machine learning as a tool for geologists. The Leading Edge,36(3):215-219. DOI: 10.1190/tle36030215.1 Cracknell, M.J. (2014) Machine learning for geological mapping: algorithms and applications. PhD Thesis University of Tasmania, ARC Centre of Excellence in Ore Deposits (CODES), School of Physical Sciences (Earth Sciences), 301 p. Ma, X.; Wu, C.; Carranza, E.J.M.; Schetselaar, E.M.; Van der Meer, F.D.; Liu, G.; Wang, X.; Zhang, X. (2010) Development of a controlled vocabulary for semantic interoperability of mineral exploration geodata for mining projects. Computers & Geosciences 36: 1512–1522. Roscher, R.; Bohn, B.; Duarte, M.F.; Garcke, J. (2020) Explainable Machine Learning for scientific insights and discoveries. IEE Access, 8: 42200-42216. Whitmeyer, S.J.; Nicoletti, J.; Paor, D.G. de ( 2010). The digital revolution in geologic mapping. GSA Today 20(4–5): 4–10. Zuo, R.; Xiong, Y.; Wang, J.; Carranza, E.J.M. (2019) Deep learning and its application in geochemical mapping. Earth Science Reviews, 192: 1-14. https://doi.org/10.1016/j.earscirev.2019.02.023
