Поиск золотоносных участков на основе данных с платформы Google Earth Engine: как это делается

Опубликовано автором

Сегодня мы проведем исследование с целью выявления отдельных перспективных участков для добычи золота с использованием всего лишь свободнодоступных данных платформы Google Earth Engine (GEE). а также методов геологического моделирования, в совокупности с классификацией методом опорных векторов. В результате построения геологической модели будут предсказаны золотоносные зоны. Для анализа мы воспользуемся данными о рельефе ALOS с разрешением 30 метров, радарными снимками Sentinel-1 SAR с разрешением 10 метров и оптическими снимками Sentinel-2 с разрешением 10 метров (только для визуализации). Точность полученного классификатора составила 97.77%. Важно отметить, что результаты моделирования соответствуют ожиданиям геологов: выявленные участки обладают высокой перспективностью.

Красно-белым шариком отмечен участок для детального исследования

Воспользуйтесь нашими услугами

Геологически Индонезия расположена в Тихоокеанском рудном поясе, который был освоен первыми, вероятно, древними цивилизациями Америки – инками, ацтеками и майя. Позднее испанские конкистадоры продолжили освоение этого региона. Индонезийское золото имеет генетическую связь с сибирским золотом. Поэтому методики, эффективные в Индонезии, применимы и в Мексике, и в Сибири.

Однако следует учитывать определенные нюансы: наличие слоя осадков в Сибири толщиной до десятков метров практически отсутствует на исследуемом нами участке Западной Сумбавы.

Впрочем, выходы рудных жил на поверхность не редкость и для Сибири, но такие выходы активно разыскивались и разрабатывались еще с царских времен, поэтому сейчас они чрезвычайно редки. Интересной особенностью рудного золота является крайняя неравномерность распределения и геологи до сих пор ломают копья в дискуссиях — нужно ли отбрасывать сверхвысокие значения геологических проб, так называемые ураганные пробы, или наоборот, следует игнорировать слишком низкие значения, и являются ли вообще рудные участки геологическими объектами или определяются исключительно путем оконтуривания проб с высокими концентрациями минералов.

Дело в том, что геологический анализ подразумевает гауссовы распределения, пусть и с определенными нарушениями непрерывности, а вот рудные жилы являются фрактальными объектами. Довольно тонкие жилы (от десятков сантиметров в поперечнике) группируются в жильные зоны, а те, в свою очередь, в жильные поля. Очевидно, что даже по результатам детального геологического исследования невозможно воссоздать и показать эту фрактальную структуру. С другой стороны, хотя тонкие жилы мы не можем увидеть на моделях по данным дистанционного зондирования, возможно вычислить индекс геологической фрактальности и найти жильные зоны и поля. Можно сказать, что сама природа мешает ручному анализу и помогает вычислительному.

Теперь немного поговорим об использованном техническом подходе. Я уже не раз писал на хабре про построение модели плотности геологической среды по гравитационным данным (решение обратной задачи геофизики) и про уточнение глобальных гравитационных моделей низкого разрешения (для всей планеты) с помощью данных рельефа и космических снимков. В случае с наличием растительности оптические снимки мало пригодны, а вот радарные сигналы частично проходят сквозь растительность, особенно в сезон с минимумом растительности (или сухой растительностью). Собрав композит из множества разновременных радарных снимков, мы можем построить детальный рельеф (до 5 м по данным Sentinel-1 и даже детальнее, если снимков много), потом по рельефу детальную гравику и, наконец, геологическую модель высокого разрешения. Кстати, если использовать оптические снимки высокого разрешения для участков без растительности, можно и еще уточнять модель (PostgreSQL/PostGIS позволяют сделать такую обработку на разреженных данных, в моем гитхабе есть примеры).

Геологическое моделирование

Данные проб с концентрациями золота я взял из статьи, приведенной в списке литературы в конце статьи. Эта публикация интересна тем, что в ней приведены координаты набора скважин и детальные содержания по ним, хотя и без информации о глубинах. Впрочем, из картинки в статье очевидно, что речь идет о первых десятках метров. По причине высокой неравномерности концентраций золота вместо стандартного промышленного содержания золота в породе 3 г/тонну (3 ppm) будем считать значимым значение концентрации 5 г/тонну, так что у нас получится 4 продуктивных скважины и 12 не продуктивных. Заметим, что в дальнейшем, геолог полученные результаты проверит и убедится, что скважины с промышленным и полупромышленным содержанием приурочены к границам выделенных рудных зон.

Прежде чем углубляться в детальный анализ, стоит посмотреть модель регионального масштаба для оценки геологической ситуации. Как видно на ниже показанной картинке, в самом деле, выбранный участок расположен над некоторым хребтом на модели плотности:

Поскольку мы ищем рудное гидротермальное золото, образованное горячими растворами, поднимавшимися из глубин, найденная структура соответствует нашим ожиданиям. Кстати, все рудное золото Сумбавы (и соседних островов) связано с этой же геологической структурой. Посмотрим на исследуемый участок вблизи:

Можно предположить, что скважины с высоким содержанием приурочены к естественным террасам. Отобразим модель геологической плотности отдельно:

Теперь стало понятнее — золото накапливается в зонах низкой плотности, естественных «карманах». Воспользуемся методом опорных векторов (SVC) с гауссовым ядром (помним про гауссовость модели геологической среды) для классификации наборов значений плотности по глубине для заданных классов продуктивности скважин. Чтобы “зацепить” структуры, по которым золотоносные растворы поднимались на поверхность, нужна модель глубиной минимум 300-500 метров (при меньшей глубине точность классификатора кардинально снижается по указанной причине). Найденные перспективные зоны оконтурены черной линией на поверхности:

Отлично, классификатор выделил те самые зоны накопления, о которых мы предположили выше. Но это еще не все — мало того, что золотая руда должна где-то накапливаться, она еще должна откуда-то браться. Возможно, наш классификатор по модели плотности уже учел это, проверим с помощью выделения горизонтальных аномалий плотности. Выходы плотных пород на модели плотности выше видны как области красно-кирпичного цвета, но их форма не очень понятна, поэтому удобнее посмотреть именно горизонтальные аномалии. Нас интересуют зоны разрушения выходов плотных пород из глубин, приуроченные к зонам пород низкой плотности, где золотая руда может накапливаться:

Теперь мы видим, что классификатор нашел то, что нужно — подковообразные выходы твердых пород здесь оконтуривают низкоплотные области накопления, выделенные классификатором. Как мы помним, мы имеем дело с фрактальным строением, поэтому посмотрим более грубую модель с выделенными вертикальными аномалиями:

Как видим, выходы плотных пород имеют раздробленное (фрактальное) строение и их можно проследить в глубину — хотя это и не просто, потому мы только проверяем классификатор, вместо того, чтобы делать это вручную. На детальной модели на порядок отличающегося разрешения картинка выглядит практически идентично в силу фрактальности строения:

Заключение

С помощью данных дистанционного зондирования Земли (ДДЗ) нами выполнено полноценное геологическое исследование. В геологическом отчете геолог подробно опишет геологическое строение территории, типы и приуроченность геологических структур, и более подробно расскажет об ожидаемых и полученных результатах, то есть выделенных золоторудных участках (см. контуры выше) и предложит план разработки найденных залежей. Обычно на этапе планирования разработки месторождения автоматизация уже не используется, поскольку нужно учесть слишком много не технических ограничений (доступность и характеристики оборудования для бурения и обогащения руды, доступность дорог для перевозки руды и прочее). В принципе, ничто не мешает и освоение месторождения автоматизировать, но получение лицензий (если на участке забегают роботы-разведчики, велика вероятность, что лицензию на участок прежде вас купят конкуренты) и процесс добычи (если ваши роботы найдут Эльдорадо, вы об этом рискуете узнать последним) содержат слишком много неожиданностей.

Кстати, хотелось бы рассказать про золото в Сибири, там все интереснее, но даже карты СССР на эту территорию до сих пор засекречены. Самородное золото на поверхности практически выбрано (хотя до сих пор самородки находят), зато несколько метров вглубь — и там начинается Эльдорадо. А серебра, палладия и платины и вовсе навалом, поскольку визуально они не выделяются. У меня уже припасено несколько интересных участков по соседству с теми местами, где я работал над проектами, так что надеюсь со временем кое-что показать.

Ссылки

Автор: Алексей Печников
Источник: https://habr.com/

Воспользуйтесь нашими услугами

Также читайте:

  1. В Швейцарии создан полностью автономный кардиостимулятор
  2. Десять умных гаджетов для умного дома
  3. У истоков электрификации России: Глеб Кржижановский и ГОЭЛРО
  4. Знаете ли Вы как получить тугоплавкий материал: сложная технология простыми словами