Понедельник, 25.09.2017, 05:41:05
Приветствую Вас Гость

Публикации

Главная » 2010 » Август » 17 » ОБРАБОТКА КОМПЛЕКСНЫХ ДАННЫХ В РАЗВЕДКЕ ПОЛЕЗНЫХ ИСКОПАЕМЫХ На примере SynAKC (Часть 1)
11:25:26
ОБРАБОТКА КОМПЛЕКСНЫХ ДАННЫХ В РАЗВЕДКЕ ПОЛЕЗНЫХ ИСКОПАЕМЫХ На примере SynAKC (Часть 1)

ОБРАБОТКА КОМПЛЕКСНЫХ ДАННЫХ В РАЗВЕДКЕ ПОЛЕЗНЫХ ИСКОПАЕМЫХ  На примере SynAKC

Ш. Брокс, С. Тессалина

Горно-геологическое Бюро (BRGM), Орлеан. Франция ИМИН,

Миасс, Россия

РЕФЕРАТ

Хорошо известно при разведке полезных ископаемых, что рудные тела обна­руживаются путем наложения нескольких аномалий, порой самих по себе не­значительных, из разных наборов данных - и такой концепции давно придержи­ваются геологи-разведчики. Теперь, имея в распоряжении Географические Ин­формационные Системы (GIS), можно определить все составные признаки про­мышленной минерализации и составить прогнозные карты.

Самой важной стадией при таком подходе является выбор целевой модели. Атрибуты этой модели переводятся затем в знаки, соответствующие различ­ным способам разведки (геофизическим, дистанционного обнаружения, геохи­мическим, геологическим и т.д.). И в конце, путем автоматического сканиро­вания площади, разыскиваются те участки, которые наиболее аналогичны мно­говариантной модели.

Использование GIS гарантирует объективность в этом подходе и дает банк данных, который может быть наиболее приближен к современному состоянию дел. Поэтому, если в региональной или концептуальной металлогении будет достигнуто значительное улучшение, то набор мультиданных можно будет лег­ко переоценить, с учетом новых моделей разведки.

 

Введение

 

При принятии важных решений геологи-разведчики обычно сталкиваются с тяжелыми возможными последствиями. Разработка и успех программ раз­ведки полезных ископаемых зависит от решений, базирующихся на разнообраз­ных данных; подходе точки зрения классической разведки, основанной на пря­мом наблюдении и/или применении, в установившемся порядке, одного или нескольких стандартных методов, становится все более и более неэффектив­ным для открытия месторождений, которые с его помощью все труднее отыски­ваются. Такие рудные тела могут давать слабые аномалии, которые нелегко интерпретировать. Нужно использовать весь диапазон имеющихся в распоря­жении методов разведки. Описываемая ситуация приведет неизбежно к возра­стающему количеству разнообразных данных, имеющихся теперь в распоряже­нии геолога.

Использование геосоотнесенных данных из множественных источников является теперь широко практикуемым явлением при поиске природных ре­сурсов для чуткого, бережного отношения с поверхностной и подповерхност­ной окружающей средой.

 

 

 

 

Применение

 

Утонченным геоинформсистемным (GIS) подходом явно интересуются страны, в которых ведется разведка полезных ископаемых и их данные были

уже обработаны до уровня, годного для открытия месторождений полезных ис­копаемых. Не так уж плохо, что искомая минерализация похоронена под постминерализационными формациями или очень толстыми почвоэлювиями, таки­ми как в тропических выветрелых комплексах или будучи глубоко в недрах.

Учитывающий множественные данные подход, может использоваться на различных стадиях программы разведки полезных ископаемых, в любом кон­тексте и при поиске любого типа металла. Уровень исполнения зависит от качества и разрешающей способности данных.

Есть три основных стадии в множествокритериумном [комплексном] под­ходе, обобщенном на Рис.1.

 

          

ОБРАБОТКА КОМПЛЕКСНЫХ ДАННЫХ


Стадия №1: соответствует описанию проблемы и сбору данных,

 требуемых для ее решения.

Стадия №2: включает простые операции по обработке с анализом данных, выявление характерных особенностей, релевантных поставленной проблеме и наложение/пересечение первоначальных или производных данных.

Стадия №3: включает статистическую классификацию, моделирование и комбинирование данных с классифицированием критериев (взвешиванием). Эта стадия ведет к созданию прогнозных документов, которые подтверждают принятие решения и включает значительную дополнительную оценку.

 

Определение проблемы

 

Эта стадия не только обязательна, но является, вероятно, и самой важной, поскольку она определяет качество всего остального изучения. Цель ее - опре­делить процедуру относительно потребностей, высветить самые крупные харак­терные особенности поставленного вопроса, представить связи между данны­ми и перевести эти характерные особенности в коды знаков.

Это стадия подготовки моделей (оползней, месторождений полезных иско-

паемых, загрязнения и т.д.), рабочих процедур и классифицирования характерных особенностей . Атрибуты модели или характерные особенности (геологические, геофизические, геохимические, спутниковые, почвоведенские, топографические и т.д. свойства) переводятся в знаки.

 На этой стадии происходит инвентаризация данных, требующихся для решения поставленной проблемы и предполагается классифицирование параметров (что могут быть изменены и расширены в процессе дальнейшего исследования). Эта фаза предназначена еще для показа привлечения дополнительныч данных. Эти данные должны соответствовать рабочей шкале (масштабу).

Пользователь обязан решить, какую проекционную систему использовать и внести геометрические коррекции.

Именно на этой стадии обращаются к вопросу качества и точности данных, а также подходят ли они к рабочему масштабу.

 

Анализ данных

 

Эта стадия включает подготовку и простые обработки, чаще всего изолиро­ванных данных или пар данных. Хотя невозможно привести здесь подробный список функций, которые могут использоваться в этой фазе, некоторые пример­ные функции таковы: кодирование/реклассификация. фильтрование, сглажива­ние, интерполяция, промежуточное преобразование/продольность, запрашивания, базовая статистика (гистограммы частот значений, бинарные диаграммы, рас­чет направления и кустовые диаграммы распределения, статистические табли­цы, поверхностный расчет), пересечения/наложения, анализ DEM (цифровой модели вертикальной проекции) (расчет наклона, направленности склона, его градиента, затененности, промежуточной видимости, выделение и классифици­рование гидрологических систем, выделение водосборных бассейнов, выделе­ние линий или разломов, анализ кривизны и морфологическое кодирование).

Общие функции и некоторые анализы и расчетные функции могут прово­диться на других, отличных от DEM (цифровой модели вертикальной проекции), данных, например: распределение химических элементов, геофизические реакции на усиление определенных сигналов, поиск зон уклона и выделение разрывов.

 

Производные карты

 

Уровень 1 - Это карты, полученные из первоначальных данных путем про­стых операций. Вот некоторые из таких карт:

-реклассификация геологической карты в соответствии с литологией или геологическими возрастами,

-интерполяция с последующей репрезентацией рассеянных точек данных, соответствующих пробам почв, проанализированных на предмет ряда химичес­ких элементов или геофизических параметров (гравитации, магнетизма и т.д.),

-пороговые аномалии (предельные), т.е. нитраты > 50 част, на тыс. или отбор-комбинация атрибутов (район с большим, чем х числом жителей, и/или поверхность и т.д.),

-карты, производные от цифровой модели вертикальной проекции (вида сборку) (DEM) (уклон, аспект, гидрологическая система, бассейны и т.д.),

-карта структурных элементов.

Уровень 2 – Это карты, созданные путйм специфичных операций или от использования 2-х или нескольких слоёв информации: выбор точки (пробы, измерения и т.д.), помещенной в специальный геологический контекст и/или в заданный район,

-репрезентация результатов анализа проб речных осадков водосборными бассейнами.

В векторном режиме эта операция на многоугольниках ведет к созданию значительно меньших поверхностей или многоугольников с сохранением ат­рибутов слоев изначальных данных (от источников) (базовые данные или производные карты).

На этой стадии у нас имеется в целом фактическая карта, которая не пол­ностью совпадает с прогнозной. Чтобы построить последнюю, часто необходи­мо задействовать такие функции как моделирование/классификации/взве­шивание, которые описываются в следующей главе.

 

Классификация-комбинирование данных (множественных данных)

 

Классификация тематических данных

Классификация методов дает пользователю создавать группы точек или пикселей в качестве функции хорошо очерченных объектов (геологических, геофизических, горных, гидрогеологических и т.д.)

Мы опишем здесь только основные принципы этой техники и средства их осуществления.

Методы классификации включают два обширных принципа:

-верная или ошибочная классификация (элемент классифицируется или нет),

-стохастическая классификация (выполняемой классификации задается ка­кая-то вероятность: и чем она выше, тем лучше эта классификация).

Основываясь на этом положении, теперь мы должны определить критерий классификации или критерии. Это определение является субъективным как увидим в примерах использования различных методов.

 

Подобие

 

Что касается многовариантных интервалов (группа данных) - эта функция подсчета для каждого пикселя разницы между величиной этого пикселя и стан­дартного эталона (определенного пользователем с помощью клавиатуры или рассчитанного по районам интереса). Затем она подсчитывает средневзве­шенное из этих разниц. При использовании такого подхода, наиболее похожие области имеют значение близкое к 0, а менее всего похожие области имеют оценки дальше нулевых. Области, классифицирующиеся как отличные от эта­лонной сердцевины, новее необязательно схожи между собой.

Классификация на базе стандартных эталонных поверхностей

Следующий пример послужит конкретной иллюстрацией: со знанием учас­тка (или нескольких участков, которые соответствуют одному или нескольким особым геологическим или педологическим контекстам и имея в своем ар­сенале набор переменных, имеющих отношение ко всей области, окружающей эту единицу, можно ли найти этот контекст еще где-то, если известно поведе­ние этих переменных внутри данной области?

Короче, после изучения порядка следования со стандартами, которые мы считаем за представителя классов, которые ищем, эти пробы (образцы) группи­руются в класс, к которому они ближе всего. Главная мысль здесь - использова­ния теоремы Bayes и расстояния Магаланобиса (которое превращается в Эвклидову дистанцию, когда вероятность подчиняется обычному закону), выделить участки в пределах снимка.

 

Комбинации

 

Геологи часто сталкиваются с важными решениями, которые могут иметь

далеко идущие последствия. Классический подход, основанный на прямом

наблюдении или одном, обычно применяемом методе становится всё более неэффективным для решения проблем. Мы должны принимать в расчёт всё больше и больше данных, которые согласовываются с различными факторами или ограничениями. Такая ситуация порождает большие количества данных.

В таком случае принцип наложения или пересечения становится  более и

более усложненным с выдачей смешанных карт (перекрытие линии и раскраски), которые трудно читать. С использованием Геоинформационных систем  или GIS, эти данные теперь можно комбинировать, основываясь на аргументах тематики. Программное обеспечение GIS ведет, таким образом, к быстрому анализу и дает возможность принимать релевантные решения.

Принципы комбинаций позволяют выдать подтверждающий решение про- дукт при использовании данных из различных источников.

Некоторые примеры:

Для создания карты подверженности загрязнениям, мы можем использо­вать данные, относящиеся к геологии, глубине водоносного горизонта и т.д.. DIM. почвенному покрытию и прочие.

Карта благоприятных мест для залеганий полезных ископаемых получается из комбинирования нескольких факторов (геологических, геофизических, гео­химических и т.д.)

Геолог всегда интегрирует разнообразные данные для отбора секторов и классифицирует их на основе конвергенции критериев и в соответствии с их значимостью. Подход с помощью наложения данных не ведет к объективному и повсеместному выделению всех секторов соответствующих поставленной проблеме. Чтобы обойти это. мы комбинируем данные, но трудность остается во взвешивании разных критериев. Легко представить, что значение каждого критерия изменяется в зависимости от предстоящей проблемы.

 

 

Простые комбинации

 

Эти комбинации базируются на операторах, таких как сложения, вычитания, умножения, деления, тригонометрия и т.д.

 

Вес моделирования доказательства

 

Методы или правила BAYES, применяемые для комбинирования данных, используют концепцию вероятности и позволяют оценить вес критериев со ссылкой на справочные данные = прогноз. Говоря о справочных данных, имеем в виду известные оползни или обрушения, месторождения или индексы, харак­терные аномалии, пересечения разломов.

Такие подходы можно использовать в различных областях, таких как раз­ведка природных субстанций, чувствительность к земным подвижкам или об­рушениям, поиск зон разломов и т.д.

                                                                                                                                          

Пример:

Поиски зон, предрасположенных к оползням или месторождениям метал­лов.


Категория: GIS в геологических исследованиях | Просмотров: 1405 | Добавил: aka_kludge | Теги: полезных, КОМПЛЕКСНЫХ, ИСКОПАЕМЫХ, В РАЗВЕДКЕ, данных, обработка, SynAKC | Рейтинг: 0.0/0
Всего комментариев: 0
Добавлять комментарии могут только зарегистрированные пользователи.
[ Регистрация | Вход ]
...



На службе : дней
Главная | Регистрация | Вход | RSS

05:41:05
Обновить

Категории раздела
Геохимические методы поисков МПИ [0]
Геостатистика и математическое моделирование в геологии [3]
GIS в геологических исследованиях [2]
Геологоразведка и экономика геологоразведочных работ [5]
Рынок минерального сырья [7]
Метасоматоз – метаморфизм- гипергенез [0]
Геодинамика, магматизм [1]
Минералогические исследования [0]
Геометризация и анализ геологических полей [0]
Инвестиционные проекты [0]
Дискуссионные статьи [0]
Презентации лекций, научных докладов [0]
Поиск
Календарь
«  Август 2010  »
ПнВтСрЧтПтСбВс
      1
2345678
9101112131415
16171819202122
23242526272829
3031
...
Архив записей
Друзья сайта
А вы зарегестрировались?
Статистика





hackings.ru

Онлайн всего: 1
Гостей: 1
Пользователей: 0
ИНФОРМЕРЫ
GeoInfoCom
Чехия курс валюты
Казахских тенге(KZT)//-//
Таджикских сомони(TJS)//-//
(TRL)//-//
Евро(EUR)//-//
Китайских юаней Жэньминьби(CNY)//-//
Мексиканских песо(MXN)//-//
Доллар США(USD)//-//
Иранских риалов(IRR)//-//
Иракских динаров(IQD)//-//
Японских йен(JPY)//-//
Северо-Корейских вон(KPW)//-//
Вон Республики Корея(KRW)//-//
Кувейтский динар(KWD)//-//
Монгольских тугриков(MNT)//-//
Дирхамов ОАЭ(AED)//-//
Новых тайваньских долларов(TWD)//-//
Долларов Зимбабве(ZWD)//-//
Франков КФА ВЕАС(XAF)//-//
Малагасийских ариари(MGA)//-//
Конголезских франков(CDF)//-//
Австралийский доллар(AUD)//-//
Copyright GeoInfoCom © 2017 | --> ADMIN: aka_kludge