Обзор зарубежных и отечественных разработок за последние пять лет в области применения гиперспектральных дистанционных данных при геологическом картировании, изучении гидротермальных изменений и прогнозе полезных ископаемых

Список литературы:

1. Ананьев Ю. С., Житков В. Г., Поцелуев А. А. Прогнозно-поисковая модель эпитермальных Au-Ag месторождений кислотно-сульфатного типа по данным дешифрирования современных космических снимков (на примере рудного поля Светлое, Хабаровский край) // Изв. Томского политехн. ун-та. Инжиниринг георесурсов. 2019. Т. 330. № 5. С. 84–92. DOI: 10.18799/24131830/2019/5/270.
2. Викентьев И. В., Иванова Ю. Н., Нафигин И. О., Бортников Н. С. Структурная позиция и типизация метасоматических зон, Полярный Урал: первый опыт современного космического зондирования Земли // Докл. Российской акад. наук. Науки о Земле. 2021. Т. 500. № 2. С. 115–122. DOI: 10.31857/S2686739721100170.
3. Иванова Ю. Н. Прогнозирование перспективных площадей на золоторудный тип минерализации на основе интеграции геологической, геофизической информации и обработки набора данных космического аппарата дистанционного зондирования Земли Harmonized Landsat Sentinel 2 для территории северного окончания восточного склона Полярного Урала // Исслед. Земли из космоса. 2024. № 6. С. 17–37. DOI: 10.31857/S0205961424060029.
4. Иванова Ю. Н., Бочнева А. А. Прогнозирование перспективных площадей на золоторудный тип минерализации с применением методов математической обработки информации и набора данных КА ДЗЗ Harmonized Landsat Sentinel 2 на территории Полярного Урала // Исслед. Земли из космоса. 2024. № 2. С. 32–53. DOI: 10.31857/S0205961424020043.
5. Иванова Ю. Н., Нафигин И. О. (2023а) Применение спутниковых данных Landsat-8 с целью прогнозирования рудной минерализации для северных территорий на примере центральной части Малоуральской зоны (Полярный Урал) // Исслед. Земли из космоса. 2023. № 1. С. 24–40. DOI: 10.31857/S0205961423010062.
6. Иванова Ю. Н., Нафигин И. О. (2023б) Применение набора данных Landsat-8 и цифровой модели рельефа SRTM для прогнозирования золото-полиметаллической минерализации на территории центральной части Малоуральской зоны, Полярный Урал // Исслед. Земли из космоса. 2023. № 6. С. 20–34. DOI: 10.31857/S0205961423050056.
7. Ишмухаметова В. Т., Нафигин И. О., Устинов С. А. и др. Выявление зон гидротермально-измененных пород с использованием данных WorldView-2 на участке Талман (Талманская площадь, Юго-Восточное Забайкалье, Россия) // Исслед. Земли из космоса. 2023. № 5. С. 58–70. DOI: 10.31857/S0205961423040048.
8. Кирсанов А. А., Липияйнен К. Л., Смирнов М. Ю., Кирсанов Г. А., Смирнова И. О., Павлова В. О. Выявление площадей, перспективных на золотое оруденение, на основе результатов обработки аэро- и космических гиперспектральных данных // Регион. геология и металлогения. 2019. № 78. С. 82–90.
9. Кирсанов А. А., Смирнов М. Ю., Липияйнен К. Л., Кирсанов Г. А. Новый метод выявления околорудных гидротермально измененных пород по космическим гиперспектральным данным на примере Ломамского потенциально золоторудного района, Республика Саха (Якутия) // Регион. геология и металлогения. 2021. № 86. С. 97–106. DOI: 10.52349/0869-7892_2021_86_97-106.
10. Кирсанов А. А., Липияйнен К. Л., Смирнов М. Ю. и др. Локализация зон гидротермально-метасоматических пород с использованием методов спектрального анализа гиперспектральных космических снимков (на примере золоторудных объектов Ульинского прогиба, Хабаровский край) // Регион. геология и металлогения. 2022. № 89. С. 68–76. DOI: 10.52349/0869-7892_2022_89_68-76.
11. Кирсанов А. А., Липияйнен К. Л., Смирнов М. Ю., Кирсанов Г. А. Новые технологические решения с использованием спектрального анализа аэро- и космических гиперспектральных данных // Материалы Всероссийского совещания «Состояние и перспективы развития Государственного геологического картографирования территории Российской Федерации и ее континентального шельфа». СПб., 2023.
12. Кирсанов А. А., Липияйнен К. Л., Смирнов М. Ю., Кирсанов Г. А. (2024а) Возможности использования аэрогиперспектральных данных для выявления гидротермально-метасоматических пород // Тез. докладов 13-й Международ. научно-практич. конф. «Научно-методические основы прогноза, поисков, оценки месторождений алмазов, благородных и цветных металлов». М.: ФГБУ «ЦНИГРИ», 2024. С. 167–169.
13. Кирсанов А. А., Липияйнен К. Л., Смирнов М. Ю., Кирсанов Г. А. (2024б) Новые технологические решения использования гиперспектральных данных для обнаружения гидротермально-метасоматических пород как индикаторов полезных ископаемых // Материалы Всероссийского совещания «Перспективы развития регионального геологического изучения недр территории Российской Федерации с привлечением собственных средств недропользователей: цели, задачи, ожидаемые результаты». СПб., 2024.
14. Кирсанова А. В. Мультиспектральное спутниковое картирование метасоматически измененных пород Ульинского прогиба (Охотско-Чукотский вулканический пояс, Хабаровский край) // Материалы 6-й Международ. конф. молодых ученых и специалистов памяти А. П. Карпинского «Геология XXI века — передовые технологии и научно-методическое обеспечение регионального геологического изучения недр Российской Федерации». СПб., 2024. С. 138–148.
15. Миловский Г. А., Кирсанов А. А., Липияйнен К. Л., Апарин А. Д. Прогнозирование золото-серебряного оруденения в пределах Пепенвеемской рудной зоны Чукотского полуострова на основе космической съемки Ресурс, Канопус и ASTER // Исслед. Земли из космоса. 2023. № 4. С. 26–41. DOI: 10.31857/S020596142304005X.
16. Нафигин И. О., Ишмухаметова В. Т., Устинов С. А. и др. Оценка пригодности территорий для проведения детального геолого-минералогического картирования на основе статистических методов обработки данных дистанционного зондирования КА Landsat-8: на примере Юго-Восточной Забайкалья, Россия // Исслед. Земли из космоса. 2023. № 2. С. 61–83. DOI: 10.31857/S020596142301008615.
17. Смирнова И. О., Кирсанов А. А., Камышникова Н. В. Обзор зарубежных достижений за последние пять лет в области использования мульти- и гиперспектральных спутниковых данных и современных методов их обработки в геологических исследованиях // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 9–27. DOI: 10.21046/2070-7401-2020-17-1-9-27.
18. Abdelkareem M., Al-Arifi N. Synergy of remote sensing data for exploring hydrothermal mineral resources using GIS-based fuzzy logic approach // Remote Sensing. 2021. V. 13. Article 4492. DOI: 10.3390/rs13224492.
19. Agrawal N., Govil H., Mishra G. et al. Evaluating the performance of PRISMA shortwave infrared imaging sensor for mapping hydrothermally altered and weathered minerals using the machine learning paradigm // Remote Sensing. 2023. V. 15. Article 3133. DOI: 10.3390/rs15123133.
20. Asadzadeh S., Chabrillat S., Cudahy T. et al. (2024a) Alteration mineral mapping of the Shadan porphyry Cu-Au deposit (Iran) using airborne imaging spectroscopic data: Implications for exploration drilling // Economic Geology. 2024. V. 119. No. 1. P. 139–160. DOI: 10.5382/econgeo.5041.
21. Asadzadeh S., Koellner N., Chabrillat S. (2024b) Detecting rare earth elements using EnMAP hyperspectral satellite data: a case study from Mountain Pass, California // Scientific Reports. 2024. V. 14. Article 20766. DOI: 10.1038/s41598-024-71395-2.
22. Beretta F., Rodrigues A. L., Peroni R. L., Costa J. F. C. L. Automated lithological classification using UAV and machine learning on an open cast mine // Applied Earth Science. 2019. V. 128. P. 79–88. DOI: 10.1080/25726838.2019.1578031.
23. Booysen R., Jackisch R., Lorenz S. et al. Detection of REEs with lightweight UAV-based hyperspectral imaging // Scientific Reports. 2020. V. 10. Article 17450. DOI: 10.1038/s41598-020-74422-0.
24. Guo S., Jiang Q. Improvement of lithological identification under the impact of sparse vegetation cover with 1D discrete wavelet transform for Gaofen-5 hyperspectral data // Remote Sensing. 2025. V. 17. Article 1974. DOI: 10.3390/rs17121974.
25. Habashi J., Moghadam H. J., Oskouei M. M. et al. PRISMA hyperspectral remote sensing data for mapping alteration minerals in Sar-e-châh-e-shur region, Birjand, Iran // Remote Sensing. 2024. V. 16. Article 1277. DOI: 10.3390/ rs16071277.
26. Heincke B., Jackisch R., Saartenoja A. et al. Developing multi-sensor drones for geological mapping and mineral exploration: setup and first results from the MULSEDRO project // Geological Survey of Denmark and Greenland Bull. 2019. V. 43. Article e2019430302. DOI: 10.34194/GEUSB-201943-03-02.
27. Jackisch R., Madriz Y., Zimmermann R. et al. Drone-borne hyperspectral and magnetic data integration: Otanmäki Fe-Ti-V deposit in Finland // Remote Sensing. 2019. V. 11. Article 2084. DOI: 10.3390/rs11182084.
28. Jackisch R., Lorenz S., Kirsch M. et al. Integrated geological and geophysical mapping of a carbonatite-hosting outcrop in Siilinjärvi, Finland, using unmanned aerial systems // Remote Sensing. 2020. V. 12. Article 2998. DOI: 10.3390/rs12182998.
29. Kirsch M., Lorenz S., Zimmermann R. et al. Integration of terrestrial and drone-borne hyperspectral and photogrammetric sensing methods for exploration mapping and mining monitoring // Remote Sensing. 2018. V. 10. Article 1366. DOI: 10.3390/rs10091366.
30. Kopackova-Strnadova V., Giebel R. J., Rapprich V., Magna T. Testing PRISMA capability to detect rare Earth element contents from space // Proc. IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS 2023). IEEE, 2023. P. 7610–7613. DOI: 10.1109/IGARSS52108.2023.10282839.
31. Kumar H., Ramakrishnan D., Jain R., Govil H. Can imaging spectroscopy divulge the process mechanism of mineralization? Inferences from the talc mineralization, Jahazpur, India // Remote Sensing. 2023. V. 15. Article 2394. DOI: 10.3390/rs15092394.
32. Kuras A., Heincke B. H., Salehi S. et al. Integration of hyperspectral and magnetic data for geological characterization of the Niaqornarssuit ultramafic complex in West-Greenland // Remote Sensing. 2022. V. 14. Article 4877. DOI: 10.3390/ rs14194877.
33. Lin N., Liu H., Li G. et al. Extraction of mineralized indicator minerals using ensemble learning model optimized by SSA based on hyperspectral image // Open Geosciences. 2022. V. 14. P. 1444–1465. DOI: 10.1515/geo-2022-0436.
34. Lin N., Fu J., Jiang R. et al. Lithological classification by hyperspectral images based on a two-layer XGBoost model, combined with a greedy algorithm // Remote Sensing. 2023. V. 15. Article 3764. DOI: 10.3390/ rs15153764.
35. Lu J., Han L., Wang J. et al. Lithology classification integrating multi-source remote sensing data after vegetation suppression: a case study from Inner Mongolia Autonomous Region, China // Geocarto Intern. 2025. V. 40. No. 1. Article 2462225. DOI: 10.1080/10106049.2025.2462225.
36. Pelta R., Ben-Dor E. The potential of multi- and hyperspectral air- and spaceborne sensors to detect crude oil hydrocarbon in soils long after a contamination event // Applied Sciences. 2019. V. 9. Article 5151. DOI: 10.3390/app9235151.
37. Pelta R., Carmon N., Ben-Dor E. A machine learning approach to detect crude oil contamination in a real scenario using hyperspectral remote sensing // Intern. J. Applied Earth Observation and Geoinformation. 2019. V. 82. Article 101901.
38. Pour A. B., Park T.-Y. S., Park Y. et al. Landsat-8, Advanced Spaceborne Thermal Emission and Reflection Radiometer, and WorldView-3 multispectral satellite imagery for prospecting copper-gold mineralization in the northeastern Inglefield Mobile Belt (IMB), Northwest Greenland // Remote Sensing. 2019. V. 11. Article 2430. DOI: 10.3390/rs11202430.
39. Sekandari M., Masoumi I., Pour A. B. et al. Application of Landsat-8, Sentinel 2, ASTER and WorldView-3 spectral imagery for exploration of carbonate-hosted Pb-Zn deposits in the Central Iranian Terrane (CIT) // Remote Sensing. 2020. V. 12. Article 1239. DOI: 10.3390/rs12081239.
40. Wang S., Zhou K., Wang J., Zhao J. Identifying and mapping alteration minerals using HySpex airborne hyperspectral data and random forest algorithm // Frontiers in Earth Science. 2022. V. 10. Article 871529. DOI: 10.3389/feart.2022.871529.