Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia)

Grishkov, G. A.

doi:10.31857/S0205961424040021

PII

10.31857/S0205961424040021-1

DOI

10.31857/S0205961424040021

Publication type

Article

Status

Published

Authors

G. A. Grishkov

Affiliation: Federal State Budgetary Institution of Science Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry of the Russian Academy of Sciences (IGEM RAS)

Volume/ Edition

Volume / Issue number 4

Pages

22-37

Abstract

The work is aimed at identifying and substantiating criteria that indirectly or actually control ore objects in order to create a predictive neural network model of the metallogenic potential of southeastern Transbaikalia. For this purpose, geological, geophysical and cartographic materials were collected and processed, including the results of the analysis of remote sensing data. Statistical analysis of the array of collected data made it possible to establish a list of the minimum necessary information to identify criteria for the localization of polymetallic ore objects within the territory of southeastern Transbaikalia. As a result, thematic schemes have been prepared reflecting the relationship between the distribution of known polymetallic mineralization zones and the identified geological and spatial features. A correlation analysis was carried out between all the criteria in order to assess the suitability of using the selected features as input data for a future neural network model.

Keywords

геоинформационная модель дистанционное зондирование Земли статистические методы нейронные сети геолого-геофизические критерии прогнозно-поисковые работы юго-восточное Забайкалье

Date of publication

15.09.2025

Year of publication

2025

Number of purchasers

Views

References

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.

GOST	Grishkov G. Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia) // Earth Research from Space. – 2024. – Issue number 4 C. 22-37 . URL: https://izkras.ru/10-31857-s0205961424040021-1/?version_id=114080. DOI: 10.31857/S0205961424040021
MLA	Grishkov, G. A "Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia)." Earth Research from Space. 4 (2024).:22-37. DOI: 10.31857/S0205961424040021
APA	Grishkov G. (2024). Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia). Earth Research from Space. no. 4, pp.22-37 DOI: 10.31857/S0205961424040021

RAS PresidiumИсследование Земли из космоса Earth Research from Space

Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia)

You can

References

Индексирование

RAS PresidiumИсследование Земли из космоса Earth Research from Space

Criteria for the spatial distribution of polymetallic ore objects as a basis for creating a predictive search model using a neural network approach (using the example of the territory of South-Eastern Transbaikalia)

You can

References

Индексирование

Via social network