A Província Mineral do Tapajós (PMT), localizada no centro-sul do Cráton Amazônico, destaca-se pela produção de ouro há mais de seis décadas e tem demonstrado grande potencial para ocorrência de depósitos magmático-hidrotermais polimetálicos, especialmente dos tipos epitermal e pórfiro. No entanto, mesmo com os esforços realizados nas últimas décadas, incluindo a recente publicação do mapa geológico da província, o conhecimento geológico é incompleto, realidade que desfavorece o desenvolvimento da exploração mineral na região. A situação é agravada pelas dificuldades naturais que a região impõe como a dificuldade de acesso, densa vegetação e espesso manto intempérico sobre o substrato rochoso. O uso de técnicas indiretas de mapeamento em regiões com essas dificuldades tem se expandido nos últimos anos. Nesse contexto, o mapeamento preditivo por meio de técnicas de Machine Learning, realizado a partir de variadas bases de dados, tem se mostrado uma ferramenta útil para caracterização e delimitação de unidades geológicas, identificação de anomalias composicionais, identificação de estruturas e mais. Neste trabalho, dados aerogeofísicos foram processados e interpretados a fim de investigar a geologia da porção leste da PMT, sempre à luz do atual mapa geológico da região. Dados obtidos nesta etapa foram utilizados posteriormente como parâmetros para nortear a produção de um mapa litológico preditivo a partir da técnica de Self-Organizing Maps (SOM), uma técnica não supervisionada de Machine Learning, ou seja, que realiza as análises e agrupamento de dados de forma independente, agrupando as amostras conforme relações de similaridade entre elas, definidas pelo próprio algoritmo. Os resultados obtidos evidenciam a forte influência de dados aerogeofísicos na produção do mapa geológico da região, com forte relação dos contatos geológicos entre os mapas, atestando um resultado satisfatório do uso da técnica SOM neste estudo. No entanto, em diversas regiões do mapa geológico, a identificação e delimitação de unidades geológicas e estruturas não são suportadas pelos dados obtidos neste estudo, em especial em regiões com poucos ou sem dados de afloramentos. Os resultados obtidos pelo método SOM se mostraram eficientes na elaboração de mapas geológicos previsionais e aparentam maior eficiência que o simples uso de dados geofísicos para mapeamento de extensões de unidades geológicas identificadas em campo e inferência em regiões não estudadas. Mostra também potencial para inferência de regiões afetadas por alterações hidrotermais, o que pode ser útil para elaboração de modelos exploratórios e definição de áreas potenciais para exploração.

The Tapajós Mineral Province (TMP), located in the central-south region of Amazonian Craton, stands out for its gold production for over six decades and has demonstrated huge potential for occurrences of magmatic-hydrothermal polymetallic deposits, especially epithermal and porphyry types. However, even with all the efforts made in the last few decades, including the recent publication of the province geologic map, the geologic knowledge is uncomplete, a reality that disfavor the development of the mineral exploration in the region. This situation is aggravated by the natural difficulties that this region imposes, such as access difficulties, dense forest cover and thick weathering profile. The use of indirect mapping techniques in regions with similar difficulties is expanding in the last few years. In this context, predictive mapping based on Machine Learning techniques, using different datasets, has proved to be a useful tool to characterize and delimitate geological units, recognize compositional anomalies, geological structures and more. In this contribution, aerogeophysical data is processed and interpreted to investigate the geology of the eastern region of the TMP, in the light of the geologic map. The obtained data were utilized as parameters for the production of a predictive geologic map using Self-Organizing Maps (SOM), an unsupervised Machine Learning technique, which analyses and structure the data independently, clustering the samples according to their similarities, which is recognized by the algorithm itself. The results evidence the strong contribution from the aerogeophysical data in the production of the geologic map, with strong correlation between the contacts of both maps, attesting a successful outcome from the use of SOM in this study. However, in many regions of the geologic map, defined geological units and structures are not supported by the data obtained in this study, especially in regions with few or no-data from previous field surveys. The SOM technique was effective in the creation of a predictive geologic map and appears to be more efficient that the use of geophysical data alone to map previously described geological units and to infer units in not-studied regions. It also has potential to infer areas affected by hydrothermal activity, which can be useful in the elaboration of exploratory models and defining prospective areas for exploration.