Для достижения поставленной цели будут решены следующие задачи:
Автоматизация обработки и анализа больших массивов геологических данных является основным условием для повышения эффективности геологоразведочных работ. Алгоритмы ИИ, такие как глубокое обучение и сверточные нейронные сети, позволяют автоматизировать процесс извлечения значимых признаков из больших объемов данных и отфильтровать шумы. Это позволяет создавать минерагенические модели, благодаря которым возможна реконструкция геологических процессов, и как следствия выделение территорий перспективных на предмет выявление месторождении полезных ископаемых. Такой подход существенно сокращает время анализа и повышает точность идентификации перспективных территорий для дальнейшей постановки поисковых и геологоразведочных работ.
Эта задача направлена на решение проблемы доступности и автоматизации обработки данных для широкого круга пользователей: от государственных органов до частных компаний. Интеграция методов машинного обучения и ИИ в экспертную систему с платформой ЕПН «Minerals.gov.kz» представляет собой важный шаг к цифровизации геологоразведки и созданию системы, которая предоставляет более точную и оперативную геологическую информацию. Применение методов ИИ позволяет выявлять скрытые закономерности и аномалии в данных, что невозможно с помощью традиционных методов анализа. Внедрение такой технологии поможет быстрее и точнее определять рудоперспективные территории. Опытная эксплуатация прототипа даст возможность протестировать систему на реальных данных, улучшить ее функциональность и адаптировать алгоритмы под требования пользователей.
ArcGIS предлагает мощные инструменты для анализа данных дистанционного зондирования, таких как спутниковые снимки и аэрокосмические данные. С помощью модуля ArcGIS Image Analyst можно применять спектральный анализ для выявления минералогических индикаторов. Данные ДЗЗ, включающие гиперспектральные и мультиспектральные изображения, позволяют обнаруживать типоморфные минералы и их рудоносные ассоциации на основе их спектральных характеристик. Это помогает создавать прогнозные минерагенические карты с высокой точностью, которые можно комбинировать с гравиметрическими и магнитными измерениями для более полной картины. Применение ArcGIS для тестирования и картирования на реальных тестовых участках позволит интегрировать все собранные данные в единую ГИС-систему. ArcGIS предоставляет инструменты для построения минерагенических моделей местности, что важно для точного определения геологических структур и рудных минералогических индикаторов. Тестирование методики на реальных участках позволит проверить, насколько она эффективна для различных типов геологических условий, и доработать ее под специфику каждого участка.
Региональные структурные элементы, такие как геолого-структурные пояса и зоны, являются важными индикаторами наличия минеральных ресурсов, поскольку они влияют на распределение рудных тел в пространтве. Локальные структуры, такие как тектонические разломы, трещины зоны и поля метасоматическии измененных пород также влияют на закономерности локализации оруденения Как правило, метасамотические изменения часто связаны с наличием полезных ископаемых, и точное картирование таких зон может значительно повысить точность прогноза рудоперспективных участков. Методы кластеризации, такие как K-средних, могут группировать данные на основе сходства характеристик пород и выделять зоны с неоднородной литологией, которые потенциально содержат минеральные ресурсы. Идентификация метасоматических изменений является сложной задачей, так как эти изменения могут быть неочевидными и требуют анализа нескольких факторов. Алгоритмы глубокого обучения, могут быть настроены для анализа данных ДЗЗ и геохимических данных, чтобы выявлять такие изменения в породах. Традиционные методы анализа структурных элементов требуют ручного анализа, что может быть трудоемким и подверженным человеческому фактору. Использование алгоритмов машинного обучения, таких как глубокие нейронные сети или алгоритмы кластеризации, позволяет автоматизировать этот процесс. 3) Необходимо отразить уровень технологической готовности разработок по шкале от 0 до 9 на этапе подачи заявки и завершения программы в пункте 2.3 главы 2 приложения 1 конкурсной документации.Уровень технологической готовности указываются в соответствиии с приказом Комитета науки МНВО РК № 112-НЖ от 18 июля 2023 года «Об утверждении Методики определения уровня технологической готовности (TRL) научных организаций и исследовательских университетов, и их разработок»; Вид научно-технической деятельности по данному проекту является прикладными исследованиями. Концепция использования ИИ, машинного обучения и методов математической геофизики уже сформулирована, и научно обосновано, имеются подходы к ее реализации, выявлены преимущества, определены целособразности дальнейшего развития. Поэтому уровень готовности на этапе подачи заявки равен 2. На этапе завершения программы будет создана экспертная распределенно интегрированная с ЕПН, следовательно к завершению программы уровень технологической готовности будет 3