Este estudio evalúa la aplicación de redes convolucionales de grafos (GCN) para el mapeo prospectivo mineral (MPM) de pórfidos-skarn de cobre en la franja Andahuaylas-Yauri, zona metalogenética relevante del sur de Perú.
Se integraron datos geocientíficos públicos (geoquímica, litología y contactos litológicos) en mapas de evidencia, los cuales nutrieron cuatro modelos de machine learning: Random Forest, perceptrón multicapa (MLP), red neuronal convolucional (CNN) y GCN. Se empleó validación cruzada espacial con k-means para evitar el sesgo espacial inherente al bajo número de ocurrencias conocidas.
Los resultados muestran que tanto MLP como GCN alcanzan los mayores valores de AUC (0.910 y 0.907, respectivamente), superando a RF y CNN. Sin embargo, las predicciones de la GCN presentan mayor coherencia espacial y geológica, identificando zonas favorables que corresponden a los procesos mineralizantes esperados según el modelo de sistema mineral.
El uso de redes de grafos permite incorporar de forma efectiva la estructura espacial de los datos, optimizando la delimitación de áreas prioritarias para la exploración de cobre. Este enfoque representa un avance relevante en la integración de inteligencia artificial aplicada a la exploración mineral.
