Фракталы в рельефе: как математика Мандельброта помогает алгоритму «Кора-3» находить скрытые рудные узлы


Каждый специалист по прогнозно-минерагеническому районированию знает: стандартного набора морфометрических, гравиметрических и магнитных признаков часто не хватает для уверенной отбраковки «пустых» структурных пересечений. Но что произойдет, если загрузить в алгоритмы распознавания образов шероховатость и масштабное самоподобие земной поверхности? 📐⛰️


В новом исследовании авторы протестировали расчет фрактальной размерности рельефа (размерность Хаусдорфа–Безиковича методом подсчета коробок по ЦМР SRTM) в качестве дополнительного поискового критерия рудоносности морфоструктурных узлов.


Результаты на реальных полигонах показали принципиальную разницу подходов:
🔹 Алтае-Саянский регион: параметр сработал образцово — средние и высокие значения фрактальности дали контраст до 21% между рудоносными и безрудными объектами, подтвердив 6 из 8 ранее известных узлов и очертив новые перспективные площади крупномасштабного оруденения!
🔹 Кавказ (Большой и Малый): здесь алгоритм столкнулся с географическим подвохом. Обширные низменности нивелируют фрактальные свойства рельефа, снижая информативность параметра до 10%. Однако последующая регионализация и раздельный анализ поднятий позволили вытянуть контрастность до 14% и детализировать прогноз.


Практический вывод: фрактальная геометрия рельефа отлично расширяет обучающую выборку для систем машинного обучения, но требует жесткого предварительного структурно-геоморфологического контроля территории ⛏️.


Разбирайтесь в методике расчета фрактальной размерности и смотрите полную запись доклада:

https://geowebinar.com/library/otsenka_informativnosti_indeksa_fraktalnoy_razmernosti_relefa_dlya_raspoznavaniya_potentsialno_rudonosnyh_morfostrukturnyh_uzlov_na_kavkaze_i_altay_sayanskom_regione

#геология #геоморфология #прогнозирование #рудныеместорождения #фракталы #машинноеобучение #Кора3 #АлтаеСаянскийРегион #Кавказ