Применение свёрточных нейронных сетей для гиперспектральной классификации медно-никелевых руд в арктических условиях
С.Е. Прокофьев, О.В. Панина, Н.Л. Красюкова, С.Г. Еремин, Т.В. Бутова
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №1/ 2026 стр. 114-121
Резюме: Классификация медно-никелевых руд в арктических месторождениях представляет критическую задачу для горнодобывающей промышленности в условиях экстремального климата и ограниченной доступности территорий. Традиционные методы геохимического опробования требуют значительных временных затрат и становятся экономически неэффективными при крупномасштабном картировании рудных тел. Гиперспектральное дистанционное зондирование в сочетании с архитектурами глубокого обучения открывает перспективы для автоматизированной классификации типов руд без необходимости массового пробоотбора. В исследовании проанализированы возможности применения свёрточных нейронных сетей для обработки гиперспектральных данных медно-никелевых месторождений арктической зоны, включая Норильский рудный район (Россия), месторождение Izok Lake (Канадская Арктика) и Olympic Dam (Австралия). Выполнен сравнительный анализ архитектур одномерных и гибридных 3D-2D CNN для классификации сульфидных руд по спектральным данным в диапазоне 400–2500 нм. Обзор современных исследований показал, что оптимизированные архитектуры 3D-2D CNN достигают точности классификации 95,73% на эталонных датасетах минералов, тогда как одномерные модели демонстрируют точность 93,86%. Для количественной оценки содержаний элементов регрессионные CNN-модели показывают коэффициент детерминации R2 = 0,73–0,86 при прогнозировании концентраций меди и никеля. Проанализированы специфические факторы арктических условий, влияющие на качество гиперспектральных данных: снежный покров, поверхностное окисление сульфидов, короткий период безоблачной съёмки. Для Норильского района, производящего 425 тыс. т меди ежегодно, предложена методология интеграции спутниковых данных Gaofen-5 и PRISMA с архитектурами CNN для оперативного картирования рудных зон. Результаты свидетельствуют о применимости технологии для мониторинга содержания полезных компонентов в масштабе месторождений площадью более 1000 км2.
Ключевые слова: свёрточная нейронная сеть, гиперспектральное зондирование, медно-никелевые руды, арктические месторождения, минеральная классификация, Норильск, глубокое обучение
Для цитирования: Прокофьев С.Е., Панина О.В., Красюкова Н.Л., Еремин С.Г., Бутова Т.В. Применение свёрточных нейронных сетей для гиперспектральной классификации медно-никелевых руд в арктических условиях. Горная промышленность. 2026;(1):114–121. https://doi.org/10.30686/1609-9192-2026-1-114-121
Информация о статье
Поступила в редакцию: 24.10.2025
Поступила после рецензирования: 16.12.2025
Принята к публикации: 16.01.2025
Информация об авторах
Прокофьев Станислав Евгеньевич – доктор экономических наук, профессор кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Панина Ольга Владимировна – кандидат экономических наук, доцент кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Красюкова Наталья Львовна – доктор экономических наук, профессор кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Еремин Сергей Геннадьевич – доктор юридических наук, доцент кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Бутова Татьяна Витальевна – доктор экономических наук, доцент кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Ahmad M., Distefano S., Khan A.M., Mazzara M., Li C., Li H. et al. A comprehensive survey for Hyperspectral Image Classification: The evolution from conventional to transformers and Mamba models. Neurocomputing. 2025;644:130428. https://doi.org/10.1016/j.neucom.2025.130428
2. Esmaeili M., Fathianpour N., Soltani-Mohammadi S. PRISMA hyperspectral imagery for mapping alteration zones associated with Kuhpanj porphyry copper deposit, Southern Iran. European Journal of Remote Sensing. 2024;57(1):2299369. https://doi.org/10.1080/22797254.2023.2299369
3. Prado E.M.G., de Souza Filho C.R., Carranza E.J.M. Ore-grade estimation from hyperspectral data using convolutional neural networks: A case study at the Olympic dam iron oxide copper-gold deposit, Australia. Economic Geology. 2023;118(8):1899–1921. https://doi.org/10.5382/econgeo.5023
4. Choros K.A., Job A.T., Edgar M.L., Austin K.J., McAree P.R. Can hyperspectral imaging and neural network classification be used for ore grade discrimination at the point of excavation? Sensors. 2022;22(7):2687. https://doi.org/10.3390/s22072687
5. Richards B. Mapping minerals remotely: how hyperspectral imaging can support exploration. Mine Magazine. July 2024. Issue 142. Available at: https://mine.h5mag.com/mine_jul24/hyperspectral-imaging-remote-mineral-exploration (accessed: 27.02.2025).
6. Боярко Г.Ю., Лаптева А.М., Болсуновская Л.М. Минерально-сырьевая база меди России: состояние, возможности развития. Горные науки и технологии. 2024;9(4):352–386. https://doi.org/10.17073/2500-0632-2024-05-248
7. Jansen K., Mohr C., Lügger K., Heller C., Siemens J., Mulder I. Widespread occurrence of quaternary alkylammonium disinfectants in soils of Hesse, Germany. Science of The Total Environment. 2023;857(1):159228. DOI: https://doi.org/10.1016/j.scitotenv.2022.159228
8. Laakso K., Rivard B., Peter J.M., White H.P., Maloley M., Harris J., Rogge D. Application of airborne, laboratory, and field hyperspectral methods to mineral exploration in the Canadian Arctic: Recognition and characterization of volcanogenic massive sulfide-associated hydrothermal alteration in the Izok lake deposit area, Nunavut, Canada. Economic Geology. 2015;110(4):925–941. https://doi.org/10.2113/econgeo.110.4.925
9. Clark R.N. Spectroscopy of rocks and minerals, and principles of spectroscopy. Manual of Remote Sensing. 1999;(3):3–58.
10. NorNickel. Staying Strong: Annual Report 2023/PJSC MMC Norilsk Nickel. Moscow; 2024. 297 p. Available at: https://ar2023.nornickel.com/download/full-reports/ar_en_annual-report_pages_nornickel_2023.pdf (accessed: 04.12.2025).
11. Attallah Y., Zigh E., Adda A.P. Optimized 3D-2D CNN for automatic mineral classification in hyperspectral images. Reports on Geodesy and Geoinformatics. 2024;118:82–91. https://doi.org/10.2478/rgg-2024-0017
12. Peyghambari S., Zhang Y., Heidarian H., Sekandari M. One-dimensional-mixed convolution neural network and covariance pooling model for mineral mapping of porphyry copper deposit using PRISMA hyperspectral data. Photogrammetric Engineering & Remote Sensing. 2024;90(8):511–522. https://doi.org/10.14358/PERS.24-00006R2
13. Zhong Q., Eziz M., Sawut R., Ainiwaer M., Li H., Wang L. Application of a hyperspectral remote sensing model for the inversion of nickel content in urban soil. Sustainability. 2023;15(18):13948. https://doi.org/10.3390/su151813948
14. Lin Y., Gao J., Tu Y., Zhang Y., Gao J. Estimating low concentration heavy metals in water through hyperspectral analysis and genetic algorithm-partial least squares regression. Science of The Total Environment. 2024;916:170225. https://doi.org/10.1016/j.scitotenv.2024.170225
15. Popadyuk N.К., Bratarchuk T.V., Babayan L.К., Laffakh А.М. The green transition and development problems of fuel and energy sector in Russia. Eurasian Mining. 2024;(2):46–49. https://doi.org/10.17580/em.2024.02.10
16. Bedini E. The use of hyperspectral remote sensing for mineral exploration: a review. Journal of Hyperspectral Remote Sensing. 2017;7(4):189–211. https://doi.org/10.29150/jhrs.v7.4.p189-211
17. Rajendran S., Sadooni F.N., Al-Kuwari H.A.-S., Anisimov O., Govil H., Nasir S., Vethamony P. Monitoring oil spill in Norilsk, Russia using satellite data. Scientific Reports. 2021;11:3817. https://doi.org/10.1038/s41598-021-83260-7
18. Jiang G., Zhou S., Cui S., Chen T., Wang J., Chen X. et al. Exploring the potential of HySpex hyperspectral imagery for extraction of copper content. Sensors. 2020;20(21):6325. https://doi.org/10.3390/s20216325
19. Zhang J., Wang M., Yang K., Li Y., Li Y., Wu B., Han Q. The new hyperspectral analysis method for distinguishing the types of heavy metal copper and lead pollution elements. International Journal of Environmental Research and Public Health. 2022;19(13):7755. https://doi.org/10.3390/ijerph19137755
20. Шедько Ю.Н., Харченко К.В., Зуденкова С.А., Москвитина Е.И., Бабаян Л.К. Синергетический подход к управлению карьерами с применением больших данных и интеллектуальных систем предиктивной аналитики. Горная промышленность. 2025;(1):154–160. https://doi.org/10.30686/1609-9192-2025-1-154-160
21. Рождественская И.А., Беляев А.М., Лукичев К.Е., Зубенко А.В., Лаффах А.М. Разработка интеллектуальных распределённых систем хранения и анализа данных для оптимизации горного производства и управления угольной добычей. Горная промышленность. 2025;(2):56–64. https://doi.org/10.30686/1609-9192-2025-2-56-64
22. Харченко К.В., Зубец А.Ж., Москвитина Е.И., Бабаян Л.М., Лаффах А.М. Анализ эффективности внедрения предиктивного обслуживания горнодобывающего оборудования на основе технологий Индустрии 4.0. Горная промышленность. 2024;(4):130–138. https://doi.org/10.30686/1609-9192-2024-4-130-138
23. Харченко К.В., Зубец А.Ж., Разумова Е.В., Москвитина Е.И., Воронова Е.И. Интеграция распределённых облачных вычислений для повышения эффективности угольной добычи и мониторинга горных процессов. Горная промышленность. 2025;(2):82–90. https://doi.org/10.30686/1609-9192-2025-2-82-90
24. Abzhanova A., Bykov A., Surzhik D., Mukhamejanova A., Orazbayev B., Svirina A. Methods for assessing the layered structure of the geological environment in the drilling process by analyzing recorded phase geoelectric signals. Mathematics. 2024;12(14):2194. https://doi.org/10.3390/math12142194
25. Новоселова И.Ю., Новоселов А.Л. Экономико-пространственные задачи освоения новых месторождений углеводородных ресурсов в Арктической зоне Российской Федерации. Экономика. Налоги. Право. 2024;17(2):95–105. https://doi.org/10.26794/1999-849X-2024-17-2-95-105
26. Мокрышев И.С. Пространственная классификация регионов России по потенциалу распределенной генерации на основе возобновляемых источников энергии. Экономика. Налоги. Право. 2025;18(2):107–118. https://doi.org/10.26794/1999-849X-2025-18-2-107-118
