Comments 13
В настоящее время все месторождения и проявления золота Новосибирской области сосредоточены в пределах Егорьевского рудного узла. История открытия проявлений рудного золота в коренных породах начинается от рубежа веков, однако планомерное их изучение осуществляется лишь в последние 10–15 лет в процессе поисковых работ, предпринятых в 1980–1990 гг. Порезультатам поисковых и поисково-оценочных работ 1983–1993 гг. в пределах месторождения выявлено семь рудных тел (элювиальных россыпей) с преобладанием свободно извлекаемого гравитацией золота от 41 до 94%. Суммарные запасы россыпного золота в корах выветривания категорий С1 + С2 составили 3561,9 кг.
Объекты добычи золота в Новосибирской области существенно уступают главным районам России – Магаданской области и Республике Саха. Они являются значимыми в масштабе Западно-Сибирского экономического района (второе место после Кемеровской области).
Сейчас, учитывая малые экономические затраты на разработку месторождения, Новосибирская область оказалась в более выгодном положении по сравнению с другими районами, хотя за всю историю существования золотодобычи в Новосибирской области из недр изъято немногим больше 15 тонн золота, а в год добывается всего лишь 160–200 кг (по обиходным меркам золотодобытчиков меньше ведра).
Вы смотрите оценку россыпного элювиального золота, которое образуется в ходе эрозии золоторудных пород. Именно его старатели с лотками могут намыть. А в статье речь про коренное, то есть сами золотосодержащие породы, которое еще поискать в глубине, но его там намного больше. Для его добычи нужно бурить, хотя для небольших глубин просто взрывают.
Я не Евгений, но могу ответить. SRTM здесь я никак не использовал, а использовал рельеф ALOS. Поскольку компоненты пространственного спектра рельефа и графики совпадают с точностью до множителя, мы можем использовать результат полосовой фильтрации рельефа для решения обратной задачи и получения модели плотности. Ноутбуки для оценки компонентов и решения обратной задачи по ним я не раз выкладывал на гитхабе. Модель плотности служит исходными данными для классификатора (features), а известные участки с минералами — классами (class labels). Площадь рассматриваемого участка примерно 7 км. кв., по Сумбава 75 000 кв. м, но какая разница, если мы можем выбрать произвольную площадь.
Если я вас правильно понял, то вы хотели бы прямо по рельефу построить классификатор — ничего хорошего не выйдет. Хотя так можно элювиальное золото искать, если у вас уже есть модель рудных жил такая, как мы рассматриваем в статье.
И кстати, россыпное золото — оно в большинстве случаев аллювиальное, а не элювиальное.
Вы сейчас говорите про обучение без учителя, то есть, кластеризацию. А в статье речь про обучение с учителем, классификацию, когда для известных участков присваиваются известные классы и по ним классифицируется вся территория. С моделью плотности вы правильно понимаете — идея в том, чтобы вместо ручного ее анализа сделать автоматизированный. На самом деле, модель и геологи смотрят и анализируют, но я рассказываю о том, что и как можно автоматизировать. Вообще существует множество методов построения обратных моделей, но дело в том, что без фильтрации исходной гравики они не дают однозначного решения, а с фильтрацией нам приходится оперировать набором разномасштабных моделей, что многократно усложняет работу геологов. Так вот для методов машинного обучения это как раз упрощает задачу — чем больше данных и чем они проще для анализа, тем лучше для всех таких методов.
Я не геолог, так что просто посмотрел в открытых геологических отчетах на этот участок. Технически, литохимические потоки на рельефе сопоставляю с выходами руды на модели, это позволяет найти участки, где эти выходы расположены близко к поверхности. Удобно и для литохимических потоков делать классификатор по модели и рельефу и сопоставлять его с классификатором по рудным зонам.
Хочу уточнить насчет исходных данных — это только модель рельефа или все же еще и гравитационное поле Земли?
Вот посмотрите статью с детализацией результатов известной статьи от НАСА: Spectral Coherence between Gravity and Bathymetry Grids Известной — потому что она включена в IHO-IOC GEBCO Cook Book
Пространственные спектральные компоненты гравики и рельефа совпадают с точностью до константного множителя, поэтому можно взять ИЛИ гравику, ИЛИ рельеф, ИЛИ их комбинацию. Прочитайте, как сделаны глобальные модели графики и топографии (GGMplus или Sandwell & Smith гравика, Gebco топография) — все они совмещают гравитационные данные и топографию, только используют не локальное преобразование (позволяющее совместить пространственные спектры для выбранной территории), а сферическое разложение (потому что это глобальные модели).
Аналогично и для спутниковых снимков, кстати. Вот экспериментальные статьи с исходным кодом:
The correlation between spatial spectrum components for global gravity models WGM2012 & GGMplus 2013 and global topography models ETOPO1 & SRTM 30
There is a high correlation between DEM and ortho photos
У меня на гитхабе есть пример классификации по набору каналов космоснимков и характеристикам рельефа: Linear classification for AU synthetic samples
Такой подход как раз годится для поверхностного распределения минералов. Заменяем классификатор на гауссов и каналы снимков на плотности по горизонтам — и получаем то, что описано в статье выше.
Ударим биспектром по бездорожью, или как найти золото в Сибири