1. Введение

Билибинский и Чаунский районы Чукотского АО характеризиются крайне ограниченной транспортной сетью. Единственная круглогодичная автодорога «Билибино–Кепервеем» (≈32 км) обеспечивает регулярное пассажирское и грузовое сообщение [7]. Остальные наземные маршруты представлены грунтовыми дорогами и сезонными автозимниками, соединяющими район с морскими портами Певек, Зелёный Мыс, Эгвекинот и соседними регионами [3]. Железнодорожное сообщение полностью отсутствует [17], а речные и морские перевозки по сезонам ограничены ледовыми условиями [2], [14]. В межсезонье основной вид сообщения — авиация через аэропорт Кепервеем [19].

Экстремальные природные условия и социально-экономические факторы определяют слабую транспортную инфраструктуру региона. Субарктический климат (Tянв≈−32 °C) и многолетняя вечная мерзлота (300–500 м) требуют свайных оснований и теплоизоляции, что значительно удорожает строительство и содержание дорог. Демографическая убыль (сокращение населения на 68,5% в 1990–2002 гг.) и низкая плотность (≈0,047 чел./км²) снижают налоговую базу и привлекательность для крупных федеральных инвестиций, из-за чего проекты носят точечный характер [13], [15].

Регион обладает большим количеством потенциальных неразведанных месторождений, среди которых есть 17 нераспределённых месторождений с проявлениями золота, олова, угля, цинка и других металлов [10]. В Баимской медно-порфировой зоне выявлено до 12 перспективных медно-рудиных проявлений с сопряжёнными запасами золота и серебра, оценёнными в миллионы тонн руды [11]. Выявлены крупные проявления на месторождениях Тенкергинское и Валькумейское с предварительными ресурсами в несколько тысяч тонн основных металлов [12]. В регионе много россыпных проявлений, сосредоточенных в более 30 локальных площадках (Гремучинская, Лунотое, ручей Скрытый, река Оленья и др) [8]. Приоритетные для разработки коренные рудные объекты: «Сухой ручей» и «Клён» (федеральные неиспользуемые запасы, 2015–2022 гг.) [9], [20]. А также дополнительные участки россыпного золота в районах Чаанай и Песчанка, которые недавно были выставлены на лицензионные торги.

Каждый потенциальный участок месторождений требует вложений в транспортную инфраструктуру, основная часть которых будет представлена грунтовыми или реже всесезонными автодорогами протяженностью от нескольких десятков до сотен километров. На данный момент в транспортной инфраструктуре региона реализуются следующие крупные проекты транспортной инфраструктуры: всесезонная автодорога «Билибино–мыс Наглёйнын» протяженностью около 200 км [16], внешние объекты Баимского ГОКа [16], реконструкция аэропорта Кепервеем [5], нацпроект «БКАД».

Из-за отсутствия развитой транспортной инфраструктуры использование местного щебня является приоритетным, так как снижает логистические издержки. Транспортировка щебня на 1000–2000 км удваивает его стоимость, что делает удалённые поставки экономически нецелесообразными [1]. Локальный материал уменьшает себестоимость земляных работ, снижает нагрузку на автозимники [18]. Глубина до скальной породы является одним из критериев при выборе площадок под карьер строительного щебня: при глубине до скальной породы более 10 м затраты на удаление вскрышных пород резко возрастают и становятся нецелесообразными [32]. Соотношение мощности вскрышных пород к мощности добываемого пласта не должно превышать 1:1, иначе расходы на вскрышу и транспортировку бесполезного материала становятся неконтролируемыми [32]. Цифровые модели мощности вскрыши и залегания коренной породы, построенные на основе бурения, обеспечивают точность <1 м и позволяют ранжировать участки по объему вскрышных пород [22]. Таким образом, результаты полученные при помощи градиентных моделей позволяют снизить капитальные вложения на разведку в условиях многолетней мерзлоты [23].

2. Методы и принципы исследования

Современные методы моделирования глубины до коренной скальной породы опираются на нелинейные зависимости между точечными измерениями глубины до коренной породы и пространственными показателями, основанными в первую очередь на цифровой модели рельефа, морфометрических характеристиках рельефа, литологических данных, а также индексе растительности, расстоянию до водных объектов. В глобальном масштабе была предложена методика определения глубины до коренной породы, основанная на более чем 200 000 профилей из мировой базы данных для обучения и генерации глобальной карты по глубине до коренной породы с разрешением 250 м [21]. В региональных исследованиях применялись модели для создания карт высокого разрешения глубины до коренной породы, основанные на конкретных данных бурения по региону, что позволило значительно увеличить точность результатов, по сравнению с глобальными значениями [24], [25], [26], [27].

Для построения модели использовались данные по бурению, а также экспертные данные по выходу скальной породы на поверхность, которые были разделены на тестовую и обучающую выборку, где тестовая предназначалась для оценки результатов по полученной модели, что отражено в таблице 1. Регион обладает преимущественно горным рельефом, поэтому в данных преобладают экспертные точки наблюдения, которые составляют 99% от всех данных, в то время как количество буровых скважин равно 5640 штук. Отношение тестовых данных к общему объему данных — 20/80.

Для получения результатов по глубине до коренной породы была создана программа (рис. 1), которая реализовывает получение производных признаков из цифровой модели рельефа, а также сопутствующие параметры, например, индекс растительности. Основные морфометрические показатели включают: наклон, экспозицию, кривизну, индекс неровности, топографическую позицию, относительную высоту, индекс влажности. После происходит извлечение параметров для каждой точки входных данных и последующее обучение модели с оценкой результата на предварительно отобранной тестовой выборке.

В выборке присутствуют скважины, в которых коренная породы не была достигнута, в таком случае происходит построение дополнительной модели для заполнения значений глубины до коренной породы по этим скважинам. Дополнительная модель обучается на части основных параметров, после чего полученное значение складывается с известной глубиной скважины. Полученный результат в виде карты сглаживается медианным фильтром, для смягчения потенциальных выбросов.

Основная проблема заключается в большом количестве разреженных данных, которые необходимо корректно учесть при построении модели. Учитывая характер данных была выбрана модель, обеспечивающая эффективную обработку разреженных и высокоразмерных признаковых данных [28], [29], [30]. Основная идея алгоритма заключается в решающих деревьях: на каждом шаге строится новое дерево, минимизирующее ошибку предыдущей совокупности деревьев, что обеспечивает быстрый рост качества предсказаний при умеренном риске переобучения [31].

3. Основные результаты

Модель продемонстрировала высокую способность описывать вариацию глубины залегания скальной породы: на обучающей выборке коэффициент детерминации составил 0,9490, что указывает на объяснение примерно 95% дисперсии наблюдений, а среднеквадратичная ошибка не превысила 0,18 м. При проверке на отложенной тестовой выборке коэффициент детерминации снизился до 0,8142, что соответствует сохранению более 81% объясненной дисперсии в новых данных, а вырос до 0,33 м, оставаясь в пределах допустимой погрешности прогноза. 

На рисунке 2 представлена диаграмма рассеяния по осям «наблюдаемая глубина до коренной породы» (горизонтальная) и «прогнозируемая глубина» (вертикальная) с точечной группировкой обучающей выборки (синие маркеры) и тестовой (красные) прослеживается высокая степень согласия модели с фактическими данными. В области малых глубин (0–5 м) все группы точек почти стягиваются к биссектрисе y = x (пунктирная линия), что говорит об отличной точности предсказаний в зоне нулевой и малой глубины. Плотный «нулевой» кластер отражает значительный дисбаланс обучающих данных и подчёркивает способность алгоритма корректно воспроизводить отсутствие коренной породы на поверхности. По мере увеличения значения глубины до скальной породы до 10–20 м наблюдается умеренное расширение разброса прогнозов вокруг биссектрисы, однако средняя тенденция остаётся близкой к идеальной. Для глубин свыше 20 м разброс прогнозов становится более выраженным, причём точки тестовой выборки демонстрируют чуть большую дисперсию, что указывает на незначительное снижение обобщающей способности модели на наиболее редких, «глубоких» примерах.

4. Обсуждение

Полученные карты, представленные на рисунках 3–7, по расстоянию до коренной породы по Билибинскому и Чаунскому району, визуализированы при помощи QGIS 3.40 в системе координат Пулково 1942 ГК. Полученный результат можно использовать для совокупной оценки планируемого участка карьера, т.е. посчитать объем вскрыши по контуру карьера и выполнить предполагаемый подсчет запасов. За счет горного рельефа на картах (рис. 4–7) присутствует большое количество областей с глубиной до коренной породы ниже 1,17 метра, а также большое количество водных объектов, значение глубины до коренной породы в которых стремится к максимальным показателям, т.е. от 20 метров и выше. По сравнению с глобальной моделью глубины до коренной породы [21], построенная региональная имеет большую точность по метрикам, высокое разрешение, а также совокупную точность параметров за счет буровых данных по региону, ранее не использованных при построении глобальной модели глубины до коренной породы [21].

5. Заключение

Использование модели, основанной на решающих деревьях, позволило получить точность предсказания при доминировании разреженных данных. Были рассчитаны производные параметры из цифровой модели рельефа, а также корректирующие параметры, такие как индекс растительности и расстояние до водных объектов.

Оценка качества модели показала высокие результаты: коэффициент детерминации на обучающей выборке составил 0.9069, на тестовой — 0.8305, что свидетельствует о высокой объяснённости вариаций глубины залегания скальных пород моделью. Среднеквадратическая ошибка на обучении составила 0.1562 метра, на тестировании — 0.2071 метра. 

Таким образом, данные полученные по Билибинскому и Чаунскому району могут одним из оценочных критериев при подготовке к разведке карьеров строительных материалов для объекта транспортной инфраструктуры, что позволяет уменьшить экономические затраты на разведку, бурение и подобрать оптимальный участок на этапе проектирования строительных карьеров для обеспечения объекта инфраструктуры.

The additional file for this article can be found as follows: