Дражный метод является основным способом разработки россыпных месторождений полезных ископаемых. В настоящее время большинство месторождений уже отработаны, а разведка новых значительно сокращена. Но несмотря на это, дражная разработка в регионах РФ ведётся до сих пор. В связи с этим, существует необходимость контроля территорий разработки и её влияния на окружающую среду. Традиционно горно-экологический мониторинг осуществляется специалистами непосредственно на горнопромышленных объектах. Удаленность некоторых месторождений и отсутствие транспортной инфраструктуры определяет их малую доступность для мониторинга экологической ситуации. По этой причине в последнее время активно развиваются методы и технологии дистанционного мониторинга районов добычи полезных ископаемых, использующие данные об изучаемых объектах, полученные космическими аппаратами. На основе этих данных проводится мониторинг экологического состояния территории месторождения, оцениваются масштабы проведения горнопромышленных работ, определяются места размещения и объёмы отходов, оцениваются перспективы их повторной переработки. Одной из проблем мониторинга дражных разработок по данным дистанционного зондирования является определение их границ.
Во время активной разработки несложно выделить относительно точные границы области, однако в случае отработанных месторождений, в зависимости от степени их зарастания, даже у специалиста возникают сложности с оконтуриванием. По этой причине, решение данной задачи может занять много времени.
В связи с этим, актуален вопрос автоматизации процесса выделения области добычи полезных ископаемых дражным способом. Для этого предлагается использовать модели машинного обучения.
Целью данной работы является исследование возможности применения методов машинного обучения для выделения области добычи полезных ископаемых дражным способом по данным дистанционного зондирования Земли (ДЗЗ).
В качестве исходных данных взята информация о дражных разработках в следующих субъектах ДФО: Амурская область, Забайкальский край, Хабаровский край, Приморский край и Республика Саха (Якутия). Данные ДЗЗ с дражными разработками в перечисленных субъектах получены со спутников Landsat 8-9 и Sentinel-2 за временной период с конца мая по начало сентября за 2018-2023 гг. В летний период область добычи лучше всего контрастирует с другими типами поверхности.
Для применения моделей машинного обучения составлено две обучающие выборки, в которых использовались следующие каналы спутниковых снимков: видимый, ближний инфракрасный, коротковолновой инфракрасный и красный барьер фотосинтеза. Выбор каналов обусловлен их использованием в других исследованиях объектов горной промышленности.
В работе рассматривается сравнение нескольких моделей: случайного леса, полносвязной нейронной сети и свёрточной нейронной сети. В качестве модели свёрточной нейронной сети используется U-Net, демонстрирующая высокую точность в задаче сегментации по данным ДЗЗ, в частности объектов горной промышленности. Точность работы этого метода по контрольной выборке составила ~78% для снимков Landsat 8-9 и ~92% для снимков Sentinel-2. Точность остальных моделей составила менее 60% независимо от выборки. Это обусловлено тем, что они больше подходят для выделения однородной поверхности, а область дражной разработки может включать в себя несколько типов поверхности, например, дорогу, заросшие отвалы, строения.
По результатам проведенного исследования можно сделать вывод, что методы машинного обучения являются перспективным инструментом для решения выделения области добычи полезных ископаемых дражным способом. Однако, в зависимости от степени зарастания области, точность выделения значительно снижается, поэтому на данный момент нельзя говорить о полной автоматизации. Использование моделей позволяет сократить временные затраты на выполнение этой задачи и для зарастающих областей требуется ручная корректировка полученного контура.