Este estudio utiliza la adaptación de dominio para mejorar la integración de diversos conjuntos de datos de geociencia, con el objetivo de mejorar la identificación de cuerpos mineralizados. Los métodos tradicionales de exploración mineral a menudo enfrentan desafíos al fusionar diferentes tipos de datos de geociencia, lo que lleva a modelos que no funcionan bien en dominios variados. La adaptación de dominio es una estrategia de aprendizaje profundo destinada a adaptar un modelo desarrollado en un dominio (fuente) para que funcione bien en un dominio diferente (objetivo). Para adaptar modelos entrenados con datos de perforación detallados y etiquetados (fuente) para interpretar datos geofísicos más amplios y no etiquetados (objetivo), se aplicaron Redes Neuronales Adversariales de Dominio (DANN), elegidas por su sólido rendimiento en escenarios donde el dominio objetivo no proporciona etiquetas. Este enfoque fue validado indirectamente a través del mínimo solapamiento entre las regiones identificadas como candidatas a mineral y las ubicaciones de perforación marcadas como rocas anfitrionas, con validación cualitativa proporcionada por visualizaciones de t-Distribución de Embedding Estocástico de Vecinos (t-SNE) que muestran una mejor integración de datos a través de los dominios.