SPECTRAL ANALYSIS OF LAND SURFACE WITH THE CONSTRUCTION OF A NEURAL NETWORK FOR GEMS SEARCH ON THE EXAMPLE OF THE LUK TIEN MOUNTAIN RANGE (NORTHERN VIETNAM)  1

I. S. Sergeev; Сергеев И. С.; K. A. Kuksa; Кукса К. А.; A. B. Glebova; Глебова А. Б.

doi:10.31857/S2949178923030106

Спектральный анализ рельефа с построением нейронной сети для решения поисковых задач на примере горного массива Лук-Тьен (северный Вьетнам)

Авторы: Сергеев И.С.¹, Кукса К.А.¹, Глебова А.Б.¹
Учреждения:
1. Санкт-Петербургский государственный университет
Выпуск: Том 54, № 3 (2023)
Страницы: 138-149
Раздел: МЕТОДЫ ИССЛЕДОВАНИЙ
URL: https://ogarev-online.ru/2949-1789/article/view/140588
DOI: https://doi.org/10.31857/S2949178923030106
EDN: https://elibrary.ru/WDVKDT
ID: 140588

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Только для подписчиков

Аннотация
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

Территория исследования расположена на севере Вьетнама в провинции Йенбай и представляет собой крупный (14.5 × 6.5 × 0.8 км) структурно-денудационный останец на периферии сильного расчлененного низкогорья Кон Вой, а также склоны и днища прилегающих речных долин. Для территории известны проявления камнесамоцветной минерализации в виде жильных образований в толщах мраморов. Район относительно труднодоступен для полевых изысканий, поэтому для предварительной оптимизации проведения геолого-поисковых работ стояла задача на основе анализа имеющейся геолого-геоморфологической информации получить данные о возможной локализации участков полезной минерализации. Для этого методом дискретного преобразования Фурье был рассчитан амплитудный спектр расчленения рельефа для участков, связанных с жильными геологическими образованиями в приповерхностной части мраморных толщ. Бинарная классификация (на потенциальные участки с полезной минерализацией и без нее) полученных числовых показателей амплитуд высот, отвечающих гармоническим колебаниям разных пространственных частот, осуществлена с помощью простой нейронной сети – двухслойного персептрона. Расчетный алгоритм был реализован на языке Python. Применение данной методики позволило выполнить прогноз на рубиново-шпинельную минерализацию в коренном залегании на изучаемую площадью более 200 км². Полевыми исследованиями в 2019 г. выполнена заверка прогнозных данных, заключающаяся в минералогическом и геохимическом опробовании доступной части спрогнозированных точек. Получена оценка прогнозной силы использованной методики: каждый третий (~35%) спрогнозированный нейронной сетью участок фактически содержит коренные источники рубинов и шпинелей на рассмотренной территории.

Ключевые слова

двумерное спектральное преобразование рельефа, поисковая геоморфология, морфометрические методы, машинное обучение, ГИС, ЦМР

Список литературы

Дэвис Дж. С. (1990). Статистический анализ данных в геологии. Кн. 2. М.: Недра. С. 427.
Лопатин Д.В., Шавель Н.И., Нефёдов Д.А. (2012). Структурная и поисковая геоморфология. М.: Академия. С. 240.
Лоскутов Ю.И. (1999). Геоморфологические основы поисков месторождений твердых полезных ископаемых. Автореф. дис. … докт. геогр. наук. Новосибирск: СНИИГГиМС. С. 39.
Мюллер А., Гвидо С. (2018). Введение в машинное обучение с помощью PYTHON. Руководство для специалистов по работе с данными. М.–СПб.–Киев: Диалектика. С. 471.
Плас Дж. В. (2018). Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер. С. 576.
Сергеев И.С., Егоров И.В., Глебова А.Б. (2020). Спектральный анализ рельефа для решения прогнозно-поисковых задач на примере рифтовой зоны Срединно-Атлантического хребта // Геоморфология. № 4. С. 34–44. https://doi.org/10.31857/S0435428120040094
Сергиенко А.Б. (2002). Цифровая обработка сигналов. СПб.: Питер. С. 608.
Харченко С.В. (2017). К вопросу о применении гармонического анализа при количественной характеристике рельефа // Геоморфология. № 2. С. 14–24. https://doi.org/10.15356/0435-4281-2017-2-14-24
Харченко С.В., Казаков С.Г. (2018). Спектральные характеристики рельефа суши в задачах его автоматизированной классификации (на примере Южной Америки) // Вестник Московского государственного областного университета. Серия: Естественные науки. № 4. С. 39–49. https://doi.org/10.18384/2310-7189-2018-4-39-49
Хромченко А.И. (1967). Кривая пересеченности и корреляционная функция рельефа // Рельеф Земли и математика. М.: Мысль. С. 50–71.
Davis J.D., Chojnacki J.D. (2017). Two-dimensional discrete Fourier transform analysis of karst and coral reef morphologies // Transactions in GIS. Vol. 21. No. 3. P. 521–545. https://doi.org/10.1111/tgis.12277
Geological and mineral resources map of Vjetnam. (2000). 1: 200 000. Bæc Quang. F-48-X. Publication permit No.212/CXB. Published and copyright by department of geology and minerals of Vjetnam. Hµ NÈi.
Khoi N.N., Hauzenberger Ch.A., Tuan D.A. et al. (2016). Mineralogy and petrology of gneiss hosted corundum deposits from the Day Nui Con Voi metamorphic range, Ailao Shan–Red River shear zone (North Vietnam) // N. Jb. Miner. Abh. (J. Min. Geochem.). Vol. 193/2. P. 161–181. https://doi.org/10.1127/njma/2016/0300
Long Pham V., Pardieu V., Giuliani G. (2013). Update of gemstone mining in Luc Yen, Vietnam // Gems & Gemology. Vol. 49. No. 4. P. 31–46. https://doi.org/10.5741/GEMS.49.4.233
Pham B.T., Prakash I., Bui D.T. (2018). Spatial prediction of landslides using a hybrid machine learning approach based on random subspace and classification and regression trees // Geomorphology. Vol. 303. P. 256–270. https://doi.org/10.1016/j.geomorph.2017.12.008
Pike R.J., Rozema W.J. (1975). Spectral analysis of landforms // Annals of the Assoc. of American Geographers. Vol. 65. No. 4. P. 499–516. https://doi.org/10.1111/j.1467-8306.1975.tb01058.x