Критерии пространственного распределения полиметаллических рудных объектов как основа для создания прогнозно-поисковой модели с использованием нейросетевого подхода (на примере территории юго-восточного Забайкалья)

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Работа направлена на выявление и обоснование критериев, косвенно или фактически контролирующих рудные объекты, в целях создания прогнозной нейросетевой модели металлогенического потенциала юго-восточного Забайкалья. Для этого собраны и обработаны геолого-геофизические и картографические материалы, включая результаты анализа данных дистанционного зондирования. Статистический анализ массива собранных данных позволил установить перечень минимально необходимой информации для выявления критериев локализации полиметаллических рудных объектов в пределах территории юго-восточного Забайкалья. В результате подготовлены тематические схемы, отражающие связь распределения известных зон полиметаллической минерализации с выявленными геолого-пространственными признаками. Между всеми критериями проведен корреляционный анализ с целью оценки пригодности использования выбранных признаков в качестве исходных данных для будущей нейросетевой модели.

Полный текст

Доступ закрыт

Об авторах

Г. А. Гришков

Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)

Автор, ответственный за переписку.
Email: gorgulini@yandex.ru
Россия, Москва

И. О. Нафигин

Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)

Email: gorgulini@yandex.ru
Россия, Москва

С. А. Устинов

Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)

Email: gorgulini@yandex.ru
Россия, Москва

В. А. Петров

Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)

Email: gorgulini@yandex.ru
Россия, Москва

В. А. Минаев

Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)

Email: gorgulini@yandex.ru
Россия, Москва

Список литературы

  1. Баврина А.П., Борисов И.Б. Cовременные правила применения корреляционного анализа // Медицинский альманах. 2021. Т. 68. № 3. C. 70-79.
  2. Глухов А.Н. Тектонические факторы рудогенеза докембрийских террейнов на примере Приколымского поднятия и Омолонского массива (Северо-Восток Азии) // Вестник Санкт-Петербургского университета. Науки о Земле. 2019. Т. 64. № 2. С. 219-248. doi: 10.21638/spbu07.2019.204.
  3. Гмурман В.Е. Теория вероятностей и математическая статистика: учебное пособие для вузов. М.: Высш. шк. 2003. 479 с.
  4. Гришков Г.А., Устинов С.А., Нафигин И.О., Петров В.А. Нейронные сети и возможности их применения для анализа пространственных геологических данных // Материалы XV Международной научно-практической конференции. В 7-ми томах. Том. 4. Развитие новых идей и тенденций в науках о Земле: инновационные технологии геологической разведки горного и нефтегазового дела, бурение скважин, математическое моделирование и разведочная геофизика. М.: Российский государственный геологоразведочный университет им. С. Орджоникидзе. 2021. С. 33‒36.
  5. Зверев А.В., Зверев А.Т. Применение автоматизированного линеаментного анализа космических снимков при поисках нефтегазовых месторождений, прогнозе землетрясений, склоновых процессов и путей миграции подземной воды // Известия высших учебных заведений. Геология и разведка. 2015. № 6. С. 14‒20.
  6. Ищукова Л.П., Авдеев Б.В., Губкин Г.Н., Игошин Ю.А., Макушин М.Ф., Попова А.И., Рогова В.П., Спирин Э.К., Филипченко Ю.А., Хоментовский Б.Н. Геология Урулюнгуевского рудного района и молибден-урановых месторождений Стрельцовского рудного поля. М.: Геоинформмарк. 1998. 382 с.
  7. Кац Я.Г., Полетаев А.И., Румянцева Э.Ф. Основы линеаментной тектоники. М.: Недра. 1986. 140 с.
  8. Кузнецов В.В., Брель А.И., Богославец Н.Н., Елшина С.Л., Кузнецова Т.П., Серавина Т.В. Металлогения Приагрунской структурно-формационной зоны // Отечественная геология. 2018. № 2. С. 32‒43.
  9. Наследов А.Д. SPSS 15: Профессиональный статистический анализ данных. СПб.: Питер. 2007. 416 с.
  10. Петров В.А., Андреева О.В., Полуэктов В.В., Коваленко Д.В. Тектономагматические циклы и геодинамические обстановки формирования рудоносных систем Южного Приаргунья // Геология рудных месторождений. 2017. Т. 59. № 6. С. 445‒469.
  11. Тикунов В.С. Геоинформатика: учебное пособие для студентов. М.: МГУ. 2008. 361 с.
  12. Халафян А.А. Statistica 6. Статистический анализ данных. 3-е изд. Учебник. М.: ООО “БиномПресс”. 2008. 512 с.
  13. Шивохин Е.А., Озерский А.Ф., Артамонова Н.А., Духовский А.А., Карасев В.В., Куриленко А.В., Надеждина Т.Н., Павленко Ю.В., Раитина Н.И., Шор Г.М. Объяснительная записка: Государственная геологическая карта Российской Федерации. Масштаб 1:1000000 (третье поколение). Лист М-50 (Борзя). СПб.: Издательство картрофабрика ВСЕГЕИ. 2010. 553 с.
  14. Farr T.G., Rosen P.A., Caro E., Crippen R., Duren R., Hensley S., Kobrick M., Paller M., Rodriguez E., Roth L., Seal D., Shaffer S., Shimada J., Umland J., Werner M., Oskin M., Burbank D., Alsdorf D. The Shuttle Radar Topography Mission // Reviews of Geophysics. 2007. V. 45. № 2. P. 1‒33.
  15. Gonbadi A.B., Tabatabaei S.H., Carranza E.J.M. Supervised geochemical anomaly detection by pattern recognition // Journal of Geochemical Exploration. 2015. V. 157. P. 81–91.
  16. Kirkwood C., Cave M., Beamish D., Grebby S., Ferreira A. A machine learning approach to geochemical mapping // Journal of Geochemical Exploration. 2016. V. 167. P. 49–61.
  17. Kong Q., Trugman D.T., Ross Z.E., Bianco M.J., Meade B.J., Gerstoft P. Machine learning in seismology: Turning data into insights // Seismological Research Letters. 2019. V. 90. № 1. P. 3–14.
  18. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. V. 60. № 6. P. 84–90. doi: 10.1145/3065386.
  19. Lary D.J., Alavi A.H., Gandomi A.H., Walker A.L. Machine learning in geosciences and remote sensing // Geoscience Frontiers. 2016. V. 7. № 1. P. 3–10. doi: 10.1016/j.gsf.2015.07.003.
  20. Li S., Chen J., Xiang J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data // Neural Computing and Applications. 2019. V. 32. P. 2037–2053. doi: 10.1007/s00521-019-04341-3.
  21. O’Brien J.J., Spry P.G., Nettleton D., Xu R., Teale G.S. Using random forests to distinguish gahnite compositions as an exploration guide to Broken Hill-type Pb–Zn–Ag deposits in the Broken Hill domain, Australia // Journal of Geochemical Exploration. 2015. V. 49. P. 74–86.
  22. Shen C. A transdisciplinary review of deep learning research and its relevance for water resources scientists // Water Resources Research. 2018. V. 54. № 11. P. 8558–8593.
  23. Twarakavi N.K.C., Misra D., Bandopadhyay S. Prediction of arsenic in bedrock derived stream sediments at a gold mine site under conditions of sparse data // Nat Resour Res. 2006. V. 15. № 1. P. 15–26.
  24. Valentine A.P., Kalnins L.M. An introduction to learning algorithms and potential applications in geomorphometry and earth surface dynamics // Earth Surface Dynamics. 2016. V. 4. P. 445–460.
  25. Wang Z., Di H., Shafiq M.A., Alaudah Y., AlRegib G. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review // The Leading Edge. 2018. V. 37. № 6. P. 451–461.
  26. Xiong Y., Zuo R. Recognition of geochemical anomalies using a deep autoencoder network // Computers & Geosciences. 2016. V. 86. P. 75–82.
  27. Zhao J., Chen S., Zuo R. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China // Journal of Geochemical Exploration. 2016. V. 164. P. 54–64.
  28. Zuo R., Xiong Y., Wang J., Carranza E.J.M. Deep learning and its application in geochemical mapping // Earth-Science Reviews. 2019. V. 192. P. 1–14.
  29. Zuo R.G., Xiong Y.H. Big data analytics of identifying geochemical anomalies supported by machine learning methods // Nat Resour Res. 2018. V. 27. № 1. P. 5–13.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Область исследования: а – территориальное расположение, б – упрощенная геологическая карта миллионного масштаба (Шивохин и др., 2010).

Скачать (541KB)
Метаданные
3. Рис. 2. Архитектура нейронной сети AlexNet.

Скачать (234KB)
Метаданные
4. Рис. 3. Визуализация цифровой модели рельефа исследуемой территории на базе SRTM. Розовыми точками выделены известные полиметаллические рудные объекты.

Скачать (180KB)
Метаданные
5. Рис. 4. Критерии, выделенные на основе ЦМР: а – уровни эрозионного среза, б – карта плотностей линеаментов. Розовыми точками отмечены известные полиметаллические рудные объекты.

Скачать (569KB)
Метаданные
6. Рис. 5. Геологическая карта масштаба 1:1 000 000 и комплекс геологических карт масштаба 1:200 000. Розовыми точками выделены известные полиметаллические рудные объекты.

Скачать (386KB)
Метаданные
7. Рис. 6. Критерии, выделенные на основе ГГК: а – литология, б – разломная тектоника, в – зоны контактов интрузивных тел. Розовыми точками выделены известные полиметаллические рудные объекты.

Скачать (430KB)
Метаданные
8. Рис. 7. Геофизические данные: а ‒ комплекс схем аномалий магнитного поля (1:200.000) (М-IV, V, VI, X, XI, XII, XVI, XVII, XVIII, XXII, XXIII), б ‒ комплекс схем аномалий гравитационного поля (1:200.000) (М-IV, V, VI, X, XI, XII, XVI, XVII, XVIII, XXII, XXIII), в ‒ схема аномалий магнитного поля (оцифрованная), г ‒ схема аномалий гравитационного поля (оцифрованная). Розовыми точками выделены известные полиметаллические рудные объекты.

Скачать (385KB)
Метаданные
9. Рис. 8. Критерии, выделенные на основе карты полезных ископаемых: а ‒ карта рудных узлов, б ‒ схема распределения рудных объектов (треугольниками выделены рудные объекты Fl, Mn, Mo, Sn, U и W; квадратами – Zn и Pb; синим цветом – положительные области; красным – отрицательные). Розовыми точками выделены известные полиметаллические рудные объекты.

Скачать (608KB)
Метаданные
10. Рис. 9. Гистограмма принадлежности полиметаллических рудных объектов к литологическим разностям, т.е. классам, представленным на гистограмме.

Скачать (95KB)
Метаданные
11. Рис. 10. Гистограммы принадлежности установленных продуктивных литологических классов к: а ‒ условным уровням эрозионного среза, б ‒ значениям плотности линеаментов, в ‒ значениям магнитного поля, г ‒ значениям гравитационного поля.

Скачать (391KB)
Метаданные
12. Таблица 3. Корреляционный анализ между подготовленными данными

Скачать (385KB)
Метаданные
13. Таблица 4. Результат вычисления коэффициентов Стьюдента

Скачать (202KB)
Метаданные

© Российская академия наук, 2024