ИИ для приоритизации геологоразведочных работ
Мы объединяем всё, что известно о территории (геологические, геофизические, геохимические, спутниковые данные) в единой модели. Она выявляет перспективные участки, оценивает неопределённость прогноза и показывает, какие факторы повлияли на результат. Итоговая карта перспективности и ранжированный список участков помогают сосредоточить бурение на наиболее обоснованных целях и сократить затраты.
¹ Diaz S. et al. Analyzing mineral exploration efficiency: too little for too much? Evidence from project valuations and implied discovery probabilities // Mineral Economics. 2026. Т. 39. С. 525–537.
² По данным Роснедр, перечень проектов на 2024–2026 годы.
0.866 AUC-ROC ансамблевой карты
Наша модель хорошо отделяет перспективные участки от фоновых: в валидации примерно в 87 случаях из 100 известный рудный объект получает более высокий рейтинг перспективности, чем случайно выбранный фоновый участок.
Фонды, геология, геофизика, геохимия, космоснимки, рельеф, гиперспектр
Территория нарезается на патчи, все слои сводятся на одну сетку
Ансамбль моделей и принцип объекта-аналога; каждый вывод объясним и воспроизводим
Карты перспективности, неопределённости и итогового приоритета
Короткий ранжированный список участков и геологическое обоснование по сетке бурения
Почему можно доверять модели
Геологические карты и данные разных масштабов приводим к единой пространственной сетке. Отдельно кодируем литологию, возраст и состав пород, интрузивные тела, дайки, разломы, зоны контактов и гидротермальных изменений. Эти признаки помогают модели учитывать геологическое строение территории, контролирующие факторы оруденения и пространственные связи, характерные для рудных объектов.
Используем снимки Landsat и ASTER в видимом, ближнем, коротковолновом и тепловом инфракрасном диапазонах. Рассчитываем спектральные признаки, связанные с гидротермально изменёнными породами, глинистыми и гидроксилсодержащими минералами, оксидами железа, карбонатами и кремнезёмом. Эти данные помогают модели выявлять зоны метасоматоза и минеральные ассоциации, характерные для различных типов оруденения.
Цифровая модель рельефа, её производные, линеаменты, разломы и узлы их пересечения. Эти данные помогают модели учитывать структурный контроль оруденения, выявлять зоны повышенной трещиноватости и возможные пути движения рудоносных флюидов.
Используем радиолокационные снимки Sentinel-1 SAR, поляризационные каналы и их отношения, а также текстурные характеристики обратного рассеяния. Они помогают выявлять линейные структуры, зоны трещиноватости и особенности рельефа. Гиперспектральные данные позволяют распознавать диагностические полосы поглощения минералов и уточнять распространение глинистых, гидроксилсодержащих, карбонатных и железосодержащих фаз, связанных с гидротермальными изменениями.
Аэромагнитные и гравиметрические и другие данные приводим к единому пространственному формату и дополняем производными признаками.
Используем геохимические данные с определением десятков химических элементов. Анализируем отдельные аномалии, многокомпонентные геохимические ассоциации, зональность и пространственные соотношения элементов-индикаторов. Дополнительно учитываем комплексные признаки и индексы. Это помогает модели выявлять ореолы рассеяния и признаки рудно-метасоматических систем.
«Всегда должно быть эталонное месторождение: мы должны понимать, что мы ищем» — так работает геолог. По такому же принципу работает Cratona. Модель ищет площади с похожей обстановкой сразу по всем слоям данных.
Мы сравниваем семь архитектур — от Random Forest до свёрточных сетей с FiLM-слиянием геохимии — и работаем ансамблем. Свёрточные модели видят текстуру и взаимное расположение признаков, а не только их средние, и лучше переносятся на новые территории.
AUC-ROC показывает, насколько хорошо модель ранжирует территорию по перспективности. Чем выше показатель, тем чаще участки с известным оруденением получают более высокий рейтинг, чем фоновые участки. Качество модели проверяется на территориях, которые не использовались при её обучении.
Модель выполняет прогноз 20 раз со случайно отключённой частью сети. Если результаты повторяются, прогноз считается устойчивым. Если оценки заметно различаются, участок отмечается как зона повышенной неопределённости.
Модель обучается на одних регионах и проверяется на других, которые не использовались при обучении. Такой подход показывает, насколько устойчиво она работает за пределами исходных данных и как может переносить закономерности на новые площади.
Пространственно независимая проверка модели
Качество модели оцениваем на территории, полностью исключённой из обучения. Модель обучается на одной части площади, а затем ранжирует участки в другой, ранее не использованной части. Такой подход снижает риск пространственной утечки данных и показывает, насколько устойчиво выявленные закономерности переносятся на новые территории. Ниже представлены результаты проверки на золоторудной площади около 4 100 км².
от лицензии до инвестиционно готового актива
Комплексно переоцениваем лицензионную площадь по геологическим, геофизическим, геохимическим данным и материалам дистанционного зондирования. Выделяем и ранжируем перспективные участки, оцениваем неопределённость и формируем доказательную базу для принятия инвестиционного решения.
Результат — пакет по поисковым целям для инвестора, стратегического партнёра или потенциального покупателя. Он позволяет обосновать перспективность актива, спланировать следующий этап работ и повысить его инвестиционную привлекательность до начала дорогостоящего бурения.
от портфеля объектов до первой скважины
Оцениваем объекты портфеля по единой системе геологических критериев, чтобы сопоставить их перспективность, уровень изученности и неопределённость. Для каждого объекта выделяем и ранжируем поисковые цели, определяем участки с наилучшим сочетанием признаков и обосновываем размещение первоочередных скважин.
Такой подход помогает направлять бурение в наиболее информативные точки, сокращать долю слабо обоснованных скважин и эффективнее распределять ресурсы геологической команды между несколькими проектами.
Вероятностные оценки перспективности по всей территории
Где модель уверена, а где прогноз стоит подкрепить данными
Прогноз и уверенность, свёрнутые в один критерий ранжирования
Ранжированные контуры перспективных участков с обоснованием по каждой группе данных, оценкой неопределённости и рекомендациями по дальнейшей проверке. В пакет входит отчёт с описанием исходных данных, методики анализа и критериев ранжирования. Результаты воспроизводимы, проверяемы и изложены в формате, понятном геологу без подготовки в области машинного обучения
Работаем с вашими данными, фондовыми и открытыми источниками — при необходимости по NDA и с обезличенными координатами. Результат — в ГИС-форматах и в интерактивном вьюере. Хороший способ начать — слепой тест на вашем архивном объекте с известным результатом.
CEO
arsen@cratona.aiChief Science Officer
iskhakgeo@cratona.aiТехнический директор
Руководитель направления ИИ
igor@cratona.aiРуководитель научного направления
anastasia@cratona.aiСпециалист по дистанционному зондированию
Расскажите о площади и данных — предложим формат: от слепого теста на архивном объекте до полного цикла «данные → цели заверки».
Напишите нам письмо — расскажите о площади, данных и задаче.
Кнопка откроет письмо в вашем почтовом клиенте на arsen@cratona.ai. Сайт не собирает и не хранит ваши данные.
