Aplicación de Análisis de Componentes Principales (PCA) y K-Means para la Clasificación de Unidades Estratigráficas en Muestras Geoquímica del Volcán Misti
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este estudio presenta un análisis exhaustivo de los depósitos de tefra de la etapa Pacheco del volcán Misti, Arequipa, Perú, utilizando técnicas de reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA) y agrupamiento mediante K-Means. Se analizaron muestras geoquímicas obtenidas entre 2015 y 2023, enfocándonos en elementos mayores y traza como Ti, Fe, MgO, y SiO₂. El PCA permitió reducir la dimensionalidad de los datos, revelando que los dos primeros componentes explican el 34.27% de la varianza total, destacando la influencia de variables como Ti y Fe. A continuación, el algoritmo K-Means identificó cuatro clusters geoquímicamente diferenciados, los cuales se compararon con las unidades estratigráficas conocidas, mostrando una correlación notable con unidades como Ponche Gris y La Rosada. Los resultados sugieren que estos clusters reflejan variaciones en los procesos magmáticos y fases eruptivas, ofreciendo nuevas perspectivas sobre la evolución geoquímica del volcán Misti. Futuros trabajos podrían incluir análisis isotópicos y la integración de técnicas de aprendizaje profundo para mejorar la comprensión de las fuentes magmáticas y su influencia en la estratigrafía volcánica.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
Rollinson, H. R. (2014). Using geochemical data: evaluation, presentation, interpretation. Routledge. https://doi.org/10.4324/9781315845548
Winter, J. D. (2010). Principles of Igneous and Metamorphic Petrology. Pearson Education.
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. https://doi.org/10.1126/science.aaa8415
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A K-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(1), 100-108. https://doi.org/10.2307/2346830
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Olden, J. D., & Jackson, D. A. (2002). Illuminating the “black box”: a randomization approach for understanding variable contributions in artificial neural networks. Ecological Modelling, 154(1-2), 135-150. https://doi.org/10.1016/S0304-3800(02)00064-9
Feng, X., Min, X., Wang, J., & Guo, J. (2020). A comparison study of clustering methods for geo-chemical data analysis. Geochemistry, Geophysics, Geosystems, 21(7), e2020GC009274.
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Olden, J. D., & Jackson, D. A. (2002). Illuminating the “black box”: a randomization approach for understanding variable contributions in artificial neural networks. Ecological Modelling, 154(1-2), 135-150. https://doi.org/10.1016/S0304-3800(02)00064-9
Feng, X., Min, X., Wang, J., & Guo, J. (2020). A comparison study of clustering methods for geo-chemical data analysis. Geochemistry, Geophysics, Geosystems, 21(7), e2020GC009274.
Rollinson, H. R. (2014). Using geochemical data: evaluation, presentation, interpretation. Routledge. https://doi.org/10.4324/9781315845548
Boggs, S. (2011). Principles of Sedimentology and Stratigraphy. Pearson Education.
Bindeman, I. N. (2008). Oxygen isotopes in mantle and crustal magmas as revealed by single crystal analysis. Reviews in Min-eralogy and Geochemistry, 69(1), 445-478. https://doi.org/10.2138/rmg.2008.69.12
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Na-ture, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Caldeira, K., Hoffmann, N., & Rudiger, M. (2020). Using deep learning for volcanic eruption prediction. Geophysical Research Letters, 47(3), e2019GL086650