geomorfГеоморфология и палеогеографияGeomorfologiya i Paleogeografiya2949-17892949-179710.31857/S2949178923030106WDVKDTgeomorf-3343Research ArticleМетоды исследованийResearch methodsСпектральный анализ рельефа с построением нейронной сети для решения поисковых задач на примере горного массива Лук-Тьен (Северный Вьетнам)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)СергеевИ. С.SergeevI. S.

Санкт-Петербург

St. Petersburg

igorsergeev.spb@gmail.comКуксаК. А.KuksaK. A.

Санкт-Петербург

St. Petersburg

ГлебоваА. Б.GlebovaA. B.

Санкт-Петербург

St. Petersburg

Санкт-Петербургский государственный университетРоссияSt. Petersburg State UniversityRussian Federation202319092023543138149Copyright © Сергеев И.С., Кукса К.А., Глебова А.Б., 20232023Сергеев И.С., Кукса К.А., Глебова А.Б.Sergeev I.S., Kuksa K.A., Glebova A.B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://geomorphology.igras.ru/jour/article/view/3343

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.

The study area is located in the north of Vietnam in the province of Yen Bai and it is a large (14.5 × 6.5 × 0.8 km) structural and denudational butte on the periphery of high-dissected low mountains Con Voi, and they are also slopes and bottoms of the neighbor rivers valleys. There are a lot of gemstone outcrops on the territory related with the vein formations in the strata of marbles. The area is relatively difficult to access for geological fieldworks. Therefore, in order to organize and conduct field geological prospecting work, the task was to obtain preliminary data on the possible localization of useful mineralization areas based on the analysis of available geological and geomorphological information. For the task, the spectral regularities of the land surface dissection spatially associated with veined geological formations in the near-surface part of the marble strata were studied, we used the discrete Fourier transform for this. The binary classification (for classes of potentially useful and useless areas) of the elevation amplitudes according with different spatial frequency of topographic dissection was provided with the simple neural network – two-layer perceptron. This algorithm is implemented on the basis of the scientific analysis libraries of the Python. The application of this technique made it possible to carry out a prediction for ruby-spinel mineralization in bedrock over a study area of more than 200 km2. Fieldworks in 2019 verified the predicted data by the ways of mineralogical and geochemical testing of the accessible part of the predicted points. An average estimate of the predictive strength of the method used was obtained as 35% – every third site predicted by the neural network actually contains the primary sources of rubies and spinels in the territory under consideration.

двумерное спектральное преобразование рельефапоисковая геоморфологияморфометрические методымашинное обучениеГИСЦМР2D spectral terrain decompositionsearch geomorphologymorphometric methodsmachine learningGISDEMАвторы выражают огромную признательность П.Б. Соколову за оказанную помощь в организации и проведении полевых работ. Отдельная благодарность господину Г.А. Гуссиасу (G.A. Gussias) за помощь в проведении экспедиционных маршрутовThe authors express their deep gratitude to P.B. Sokolov for his assistance in organizing and conducting field work. Special thanks to Mr. G.A. Gussias for help in organizing expedition routesReferencesДэвис Дж. С. (1990). Статистический анализ данных в геологии. Кн. 2. М.: Недра. С. 427.Davis J.D., Chojnacki J.D. (2017). Two-dimensional discrete Fourier transform analysis of karst and cor-al reef morphologies. Transactions in GIS. Vol. 21. No. 3. P. 521–545. https://doi.org/10.1111/tgis.12277Лопатин Д.В., Шавель Н.И., Нефёдов Д.А. (2012). Структурная и поисковая геоморфология. М.: Академия. С. 240.Djevis Dzh. S. (1990). Statisticheskii analiz dannykh v geologii. Kn. 2 (Statistical analysis of data in geology. Vol. 20. Moscow: Nedra (Publ.). 427 p. (in Russ.)Лоскутов Ю.И. (1999). Геоморфологические основы поисков месторождений твердых полезных ископаемых. Автореф. дис. … докт. геогр. наук. Новосибирск: СНИИГГиМС. С. 39.Geological and mineral resources map of Vjetnam. (2000). 1: 200000. Bæc Quang. F-48-X. Publication permit No.212/CXB. Published and copyright by department of geology and minerals of Vjetnam. Hμ NÈi.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.Hromchenko A.I. (1967). Krivaya peresechennosti i korrelyatsionnaya funktsiya rel’efa (Dissection Curve and the Correlation Function of the Earth Surface). Relief of the Earth and Mathematics. Moscow: Mysl’ (Publ.). P. 50–71. (in Russ.)Плас Дж. В. (2018). Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер. С. 576.Kharchenko S.V. (2017). On the question of the application of harmonic analysis in the quantitative characterization of the relief. Geomorfologiya. No. 2. P. 14–24. (in Russ.). https://doi.org/10.15356/0435-4281-2017-2-14-24Сергеев И.С., Егоров И.В., Глебова А.Б. (2020). Спектральный анализ рельефа для решения прогнознопоисковых задач на примере рифтовой зоны Срединно-Атлантического хребта // Геоморфология. № 4. С. 34–44. https://doi.org/10.31857/S0435428120040094Kharchenko S.V., Kazakov S.G. (2018). The spectral landform signatures for automatic terrain classification (on the example of South America). Bulletin of the Moscow State Regional University. Series: Natural Sciences. No. 4. P. 39–49. (in Russ.). https://doi.org/10.18384/2310-7189-2018-4-39-49Сергиенко А.Б. (2002). Цифровая обработка сигналов. СПб.: Питер. С. 608.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. Geo-chem.). Vol. 193/2. P. 161–181. https://doi.org/10.1127/njma/2016/0300Харченко С.В. (2017). К вопросу о применении гармонического анализа при количественной характеристике рельефа // Геоморфология. № 2. С. 14–24. https://doi.org/10.15356/0435-4281-2017-2-14-24Long 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.49.4.233Харченко 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/10.18384/2310-7189-2018-4-39-49Lopatin D.V., Shavel’ N.I., Nefjodov D.A. (2012). Strukturnaya i poiskovaya geomorfologiya (Structural and search geomorphology). Moscow: Academy (Publ.). 240 p. (in Russ.)Хромченко А.И. (1967). Кривая пересеченности и корреляционная функция рельефа // Рельеф Земли и математика. М.: Мысль. С. 50–71.Loskutov Ju.I. (1999). Geomorfologicheskie osnovy poiskov mestorozhdenii tverdykh poleznykh iskopaemykh (Geomorphological foundations of the search for deposits of solid minerals). PhD thesis. Novosibirsk: SNIIGGiMS (Publ.). 39 p. (in Russ.)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.12277Mjuller A., Gvido S. (2018). Vvedenie v mashinnoe obuchenie s pomoshh’yu PYTHON. Rukovodstvo dlya spetsialistov po rabote s dannymi (Introduction to machine learning with PYTHON. A guide for data scientists). Moscow-Sankt-Peterburg-Kyiv: Dialectics (Publ.). 471 p. (in Russ.)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.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.2017.12.008Khoi 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/2016/0300Pike R.J., Rozema W.J. (1975). Spectral analysis of landforms. Annals of the Assoc. of American Geog-raphers. Vol. 65. No. 4. P. 499–516. http://dx.doi.org/10.1111/j.1467-8306.1975.tb01058.xLong 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.49.4.233Plas Dzh.V. (2018). Python dlja slozhnyh zadach: nauka o dannyh i mashinnoe obuchenie (Python for Complex Problems: Data Science and Machine Learning). Sankt-Peterburg: Piter (Publ.). 576 p. (in Russ.)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.2017.12.008Sergeev I.S., Egorov I.V., Glebova A.B. (2020). Spectral analysis of ocean bottom for geological prospecting (on the example of the rift zone of the Mid-Atlantic ridge). Geomorfologiya. No. 4. P. 34–44. (in Russ.). https://doi.org/10.31857/S0435428120040094Pike 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.xSergienko A.B. (2002). Tsifrovaya obrabotka signalov (Digital signal processing). Sankt-Peterburg: Piter (Publ.). 608 p. (in Russ.).

The authors declare that there are no conflicts of interest present.