В предыдущей статье Как найти месторождения золота в Ламунтете, округ Западная Сумбава, Индонезия я рассказал о поисках золота в Индонезии, где при схожей геологической ситуации на поверхности часто появляются золотые жилы, а в Сибири жилы обычно погребены под слоями осадочных пород. Конечно, десятки метров пластов разных геологических периодов и составов сильно усложняют задачу поиска рудных залежей. Кроме того, существует проблема наличия геологических данных, собранных непосредственно в полевых условиях — задачи съемки территории теплой Индонезии и морозной болотистой Сибири несопоставимы. И еще следует помнить о специфике России — детальные геологические изыскания времен СССР до сих пор засекречены (и с тех пор не проводились, по крайней мере, в сопоставимых масштабах), а бумажные карты и данные бурения хранятся в архивах, и хорошо цифры на картах и ​​отчетах по бурению намеренно изменены, а таблицы соответствий хранятся в Минобороны... как в сказке про смерть Кощея. Так что на самом деле этих данных как будто и не существует.

Ввиду сложности задачи нам потребуются статистические методы, такие как полиспектральный анализ. Интересно, что такой анализатор у нас уже есть… в голове. Это легко подтверждается тем, что мы способны различать так называемый «малиновый звон» колокольчиков — этот эффект не проявляется в спектре, но хорошо виден в биспектре. Большинство людей различают колокольчики с малиновым звоном, причем для этого даже не требуется музыкальный слух. А опытный геолог, занимающийся визуальной расшифровкой космических снимков, способен вручную выделить на них элементы, сопровождающие различные погребенные геологические структуры. Как обычно, мы будем использовать вычислительные методы и строить трехмерные геологические модели для автоматизированного анализа.

Введение

Благодаря наличию платформы Google Earth Engine мы получили возможность выполнять статистический анализ огромного массива спутниковых данных, и это все изменило. Действительно, при анализе одиночного оптического или радиолокационного изображения, где интересующая нас геологическая картина маскируется шумами как от самого изображения, прошедшего многоэтапную обработку, так и от толщины случайных пород, мы мало что можем сделать для улучшения результаты — высокоразрешающий спектральный синтез гравитации и последующее решение обратной задачи только добавляют шума. Однако в случае ансамбля из сотни таких радиолокационных изображений мы можем эффективно убрать шум (благодаря центральной предельной теореме мы ожидаем гауссово распределение) и изучить скрытую ранее геологическую структуру. Стоит отметить, что спектры высших порядков гауссового сигнала равны нулю — поэтому с помощью биспектрального анализа мы можем исключить как шум от спутниковых снимков, так и влияние хаотично расположенных осадочных пород. Таким образом, это эффективный метод выделения негауссовых составляющих сложных процессов и сигналов. Спектры высших порядков (начиная с триспектров) имеют ограниченное применение, так как погрешность вычисления моментов высших порядков возрастает и на практике обычно достаточно ограничиться биспектром. Фрактальные геологические объекты, такие как рудные жилы и зоны, принципиально различимы в биспектре геологической модели, так как фрактальность предполагает связь масштабов, т. е. пространственных частот. Из имеющихся методов определения фрактальности воспользуемся расчетом через производные дробного порядка.

Ранее мы уже использовали амплитудный биспектральный анализ для Индонезии, и с помощью этого метода были получены модели вертикальных аномалий. В то же время для территории Индонезии достаточно поиска по модели плотности, полученной инверсией детального гравитационного поля, синтезированного на основе глобальной гравитационной модели низкого разрешения, 30-метрового рельефа ALOS и Sentinel-1. 10-метровые радиолокационные изображения. Как было показано в предыдущей статье, построенная модель машинного обучения обеспечивает высокую точность, а дополнительный анализ позволяет непосредственно увидеть геологическое строение и понять логику работы нашей модели. Детализация биспектральной модели выше за счет необходимого для рассматриваемой территории снижения уровня шума.

О районе

Наша задача - найти золото там, где его можно добывать, на разумной глубине (обычно несколько десятков метров), и желательно, жилах рудного золота, а не так называемого вторичного золота (результат выветривания и эрозии золота). жильные выходы), разбросанные на большой площади. При этом мы можем использовать открытые геологические карты, на которых указаны золотоносность и глубина залегания известных месторождений. Выбор масштаба модели производится как поиск минимального уровня детализации, при котором известные месторождения могут быть выделены на модели по своим геологическим свойствам. Более того, каждое удвоение детализации почти в десять раз увеличивает размер модели и время построения, так как размер модели удваивается по трем координатам.

Для целей статьи подойдет относительно небольшой участок (для удобного осмотра модели), где априори известно наличие золота и, возможно, других полезных ископаемых. Для качественной классификации оптимальный вариант подготовки данных предполагает наложение карты известных месторождений на рудные выходы по нашей модели и выбор их пересечения для классификации, но для предварительного анализа ограничимся контурами известных месторождений, приняв все воксели модели в пределах контуров золотоносных участков продуктивны, а все воксели внутри незолотоносных участков непродуктивны. Если у нас слишком мало известных вокселов в одном из классов (продуктивном или непроизводственном), мы можем немного уменьшить размер продуктивных контуров или увеличить размер непродуктивных (отнюдь не наоборот, по понятным причинам ).

Итак, возьмем на геологической карте СССР известное месторождение золота в районе Егорьевского рудного узла на реке Суенге, вблизи которого находится месторождение молибдена. Карты региона смотрите на сайте ВСЕГЕИ Материалы электронного издания ГГК-200/2, Материалы к листу N-45-XIII. При наличии геологической модели региона таких карт вполне достаточно для наших целей. Для выбранного месторождения на нашей модели легко находим соответствующую рудоконтролирующую структуру подковообразной формы:

Здесь внутренняя граница структуры определяет нахождение золота, а соответствующая внешняя граница определяет нахождение молибдена. Цвета контуров золотоносных и молибденоносных участков (показаны кольцами на поверхности) совпадают с соответствующими рудными структурами на биспектральной модели (вертикальные аномалии плотности). Как мы видим, контуры карты минералов странным образом смещены от структуры в нашей модели. Эту загадку легко решить, добавив в модель ландшафт:

И вот теперь все становится совершенно ясно — рудные выходы (обратите внимание на зубчатую границу подковообразной структуры ближе к поверхности, похожую на старую, разрушенную крепостную стену) распределены по очерченным участкам за счет водной эрозии, а за этими районах они полностью смываются в реки из-за увеличения крутизны склонов. Выделяющиеся в рельефе овраги, протянувшиеся с юго-запада на северо-восток, являются проявлением одной из систем линеаментов для данной территории — с одной из них связано рудоконтролирующее разломное нарушение рассматриваемой геологической структуры.

Перспективная часть структуры, расположенная левее и пересекаемая параллельным линеаментом, имеет более крутой уклон в сторону реки, поэтому приповерхностное золото оттуда просто вымывается, и без детального разведочного бурения рудные выходы здесь обнаружить невозможно. Вполне вероятно, что этот район известен и его можно найти на более подробных геологических картах. В реке здесь имеются участки скопления рассеянного вторичного золота, которые можно прогнозировать на основе построенной модели. На основании структуры в геологической модели определяем (внутреннюю) золотоносную зону и (внешнюю) непродуктивную зону, необходимые для дальнейшего анализа с использованием методов машинного обучения.

Структурный анализ

Выбранных участков уже достаточно для создания модели машинного обучения и классификации всей интересующей территории на наличие золота. Однако сначала проанализируем геологические характеристики выбранных участков с помощью так называемого структурно-геологического анализа. Как упоминалось в предыдущей статье, наличие гидротермальных рудных выходов требует выполнения двух условий — наличия глубинных структур, возвышающихся (почти) до поверхности, через которые просачивались гидротермальные растворы, и наличия в этих структурах нарушений, через которые растворы мог выйти (по мере приближения к выходу растворы остывают, и процесс рудоотложения происходит в трещинах горных пород). Без подходящих структур рудоносные флюиды не могли подняться на поверхность, а без нарушения этих структур не могло быть постоянного притока, необходимого для рудонакопления.

Хотя химические (и бактериальные) процессы гораздо сложнее и важны также температура, скорость охлаждения раствора, характеристики трещиноватости пород, не говоря уже о самих породах, мы сосредоточимся только на рассмотрении рудоносных структур, которые можно увидеть на плотности модель. Анализируя модели плотности, мы ищем ответ на вопрос, где могла образоваться золотая руда, но не можем сказать, где она присутствует на самом деле. Мы также можем определить связность идентифицированных структур и проследить другие выходы этих структур, а затем выбрать те, которые связаны с известными месторождениями. Варьируя масштаб моделей, мы можем делать прогнозы для территорий от небольшого лицензионного участка до целого региона.

Перейдем к практике. Геологические нарушения в модели плотности подразумевают изменения плотности; поэтому мы ожидаем увидеть значительную изменчивость плотности в верхних золотоносных горизонтах (поврежденные структуры) и низкую изменчивость (неповрежденные структуры) по всей толщине слоев пород на больших глубинах. В то же время наличие возмущений ниже интересующего горизонта делает его непродуктивным. Глубокие горизонты не представляют практического интереса — ресурсы легче добывать с минимальной глубины, поэтому анализируем с поверхности вниз. Поскольку фрактальность целевых структур подразумевает логарифмическую зависимость, рассмотрим графики зависимости логарифма плотности от глубины:

Из имеющихся данных известно, что рудные горизонты в этом районе расположены на глубинах 20–60 и 80 метров, и именно для этих интервалов глубин мы обнаружили ожидаемые нарушения геологического строения.

Возвращаясь еще раз к фрактальности строения рудовмещающих структур (жил, жильных зон и т. д.), рассмотрим соотношение геологических горизонтов (т. е. значений плотности на разных глубинах), где визуально ожидаем обнаружить некие периодические структура такой коррелограммы (из-за симметрии достаточно рассматривать только половину изображения выше или ниже диагонали, на которой значение корреляции равно единице). Действительно, при анализе плотностной модели на глубине 300 метров мы видим разницу в коррелограммах для участков с молибденом и золотом (для нерудных участков картина также различается):

Таким образом, полученные графики подтверждают все наши структурно-геологические предположения и указывают на правильный выбор продуктивных и непродуктивных участков.

Построим соответствующие графики для биспектра нашей модели плотности (модели вертикальной аномалии):

Как видим, у нас есть все инструменты для ручного анализа моделей и получения прогнозов по золоторудным участкам. Однако мы не будем останавливаться на достигнутом и автоматизируем анализ с помощью методов машинного обучения.

Классификация машинного обучения

Для анализа площади будем использовать классификатор с ядром Гаусса, так как рудные площади имеют типичное геологическое строение в плоскости поверхности. Дело в том, что мы ищем не отдельные (фрактальные) рудные жилы, а геологические объекты, состоящие из групп таких жил. Как мы уже говорили, геологи не умеют работать напрямую с фрактальными объектами, да и без этого прекрасно обходятся, так как в масштабах геологических исследований работают с скоплениями фрактальных структур, подчиняющихся гауссовой статистике. Так, несмотря на фрактальное внутреннее строение рудовмещающих структур, в плоскости выхода группы рудных жил максимальная концентрация минерала наблюдается в центре этой группы, а по радиальной координате плотность вены выходят и концентрации уменьшаются примерно по гауссиане. При этом крупные выходы жил окружены более мелкими, образуя на поверхности фрактальный узор из гауссиан. На бумажных картах можно увидеть такую ​​картину вокруг крупных месторождений, а при машинном анализе мы выявляем еще много разномасштабных рудных зон. Для наглядности полученного прогноза мы исключаем мелкие объекты, оставляя их для дальнейшей обработки, такой как расчет индекса фрактальности золотоносных участков. Группируя найденные прогнозные площади по этому показателю и сравнивая их с известными месторождениями, можно также сделать прогноз запасов руды и не только.

Хотя мы классифицируем поверхность территории, мы анализируем трехмерную плотностную модель, где сами выходы руды могут располагаться как на поверхности, так и под ней. Используя данные о глубине исходной модели, построенный классификатор также может быть преобразован в 3D-модель, если это необходимо.

Заключение

Используя доступ к огромным массивам спутниковых и других данных и соответствующие вычислительные ресурсы, можно строить модели, которые еще недавно казались невообразимыми. Автоматизированная обработка разномасштабных данных позволяет строить иерархические модели с последовательным увеличением территории и уменьшением детализации от локального анализа к региональным моделям. На помощь для извлечения информации из таких моделей приходят методы машинного обучения, позволяющие создавать карты перспективных участков и соответствующие этим участкам геологические модели без необходимости анализа или даже просмотра всех результатов вручную. При этом обработка данных всех масштабов может выполняться с учетом требований конкретного проекта. Такой подход можно назвать вычислительной геологией.

Узнать больше

Я предоставляю свое программное обеспечение вместе с примерами использования и публикациями для 3D и 4D геопространственного анализа и крупномасштабной обработки данных. Пожалуйста, ознакомьтесь с подробностями ниже: