Tiedeblogi: GisSOM-sovellus malmiesiintymiin liittyvien piirteiden tunnistuksessa ja kultaesiintymien prospektiivisuusmallinnuksessa Suomen Rajapalojen projektialueella

GisSOM on Geologian tutkimuskeskuksen kehittämä itsenäinen ohjelmistosovellus moniulotteisen aineiston analysointiin itseorganisoituvien karttojen (SOM, self-organizing maps) ja k-means-klusteroinnin avulla. Blogissa esitellään GisSOM-sovelluksen käyttöä Rajapalojen kulta-kobolttiesiintymäalueelta Fennoskandian kilveltä kerättyjen geotieteellisten aineistojen yhdistämiseen ja tulkintaan. GisSOM-sovelluksen tuottamia tietoja käytettiin edelleen malmiesiintyminen prospektiivisuusmallinnuksessa ja kairauskohteiden tunnistuksessa keinotekoisten neuroverkkojen avulla.

Malmiesiintymien prospektiivisuusanalyysi

Malmiesiintymien prospektiivisuusanalyysillä pyritään erottamaan malmiesiintymiä todennäköisesti sisältävät alueet niistä alueista, joilla esiintymiä ei todennäköisesti ole. Tuloksena saatavilla prospektiivisuuskartoilla näkyy tutkitun alueen ennustettu malmipotentiaali. Karttoja käytetään esimerkiksi (i) kaivosyhtiöiden malminetsinnän kohdistamiseen ja (ii) julkisen sektorin maankäytön suunnitteluun. Yleiskuvaus malmiesiintymien prospektiivisuusanalyysin vaiheista on esitetty kuvassa 1. Ensimmäisessä vaiheessa muodostetaan rasterimuotoisia paikkatietoaineistoja geofysikaalisista, geokemiallisista ja geologisista suureista, jotka liittyvät malmiesiintymään. Kutsutaan näitä aineistoja vaikkapa evidenssirastereiksi ja niiden edustamia suureita evidenssisuureiksi, koska ne ovat todisteita mineralisaatiosta. Evidenssisuureet on johdettu mitattavista tai havaittavista geotieteellisistä aineistoista, kuten kallioperän geologiasta (litologia, poimut, siirrokset, lineamentit jne.), geofysikaalisista mittauksista ja geokemiallisesta aineistosta. Esimerkiksi laskemalla kullekin rasterin hilapisteelle etäisyys lähimpään siirrokseen saadaan evidenssirasteri, joka edustaa läheisyyttä siirroksiin. Nämä etäisyydet ilmoitetaan maantieteellisissä mittayksiköissä, kuten metreissä tai kilometreissä, mittakaavan ja tietojen spatiaalisen resoluution mukaisesti. Muita esimerkkejä evidenssirasterien edustamista suureista ovat geokemialliset pitoisuudet, magneettiset poikkeamat ja siirrosten risteyskohtien tiheydet. Kaikki nämä evidenssirasterit muodostavat yhdessä moniulotteisen aineiston, jossa kukin evidenssisuure on yksi malliin syötettävä muuttuja. Näin siis jokaista pikseliä vastaa yksi piirrevektori, jonka elementit kuvaavat kaikkia eri evidenssisuureita. Yleensä malmiesiintymien prospektiivisuutta määritettäessä muodostetaan noin 10–15 evidenssirasteria. Niin monen eri suureen visualisointi samalla kertaa kolmikaistaisena RGB-värikarttana ei ole mahdollista. SOM-karttoja käytetään tietojen integrointimenetelmänä, jonka avulla evidenssisuureista ja -rastereista pystytään tunnistamaan malmiesiintymiin liittyviä piirteitä nopeasti ja tehokkaasti.

Prospektiivisuusanalyysin vaiheet.
Kuva 1. Prospektiivisuusanalyysin vaiheet.

Itseorganisoituvat kartat prospektiivisuusanalyysissa Rajapalojen alueella

Demonstroimme SOM-karttojen hyödyntämistä malmiesiintymien prospektiivisuusanalyysissa käyttämällä esimerkkinä kultaesiintymien prospektiivisuusmallinnusta. Tutkimusalueena on Rajapalojen kulta-kobolttiprojekti Suomen Lapissa, 35 kilometriä Rovaniemeltä länteen. Alueelta on saatu prospektiivisuusanalyysin kannalta erittäin laadukkaita aineistoja. Tässä tutkimuksessa pyrimme tunnistamaan kairauskohteita Rajapalojen alueella. Muodostimme geotieteellisistä mittausaineistoista viisitoista evidenssirasteria, joista jokainen kuvaa joko kuljetusväyliä tai mineralisaatioansaa tutkimusalueella olevissa epigeneettisissä hydrotermisissä kultamalmisysteemeissä.

Kuvassa 2 esitetään kaikki viisitoista evidenssirasteria, jotka muodostettiin kuvaamaan tutkimusalueella oleviin malmiesiintymiin liittyviä geologisia piirteitä. Pienet mustat pisteet rastereissa ovat pintaan projisoituja kairausnäytteitä, joissa on poikkeavan suuri kultapitoisuus. Puhumme näistä näytteistä mineralisoituneina kairausnäytteinä. Määrittämällä erikseen kunkin evidenssirasterin ja mineralisoituneiden kairausnäytteiden välinen suhde ei anna luotettavaa tietoa prospektiivisuusmallinnuksen tueksi, minkä vuoksi käytimme SOM-menetelmää kuvaamaan tätä monen muuttujan kokonaisuutta (15 muuttujaa) kaksiulotteisessa SOM-hilassa ja paljastamaan aineistoissa esiintyviä piirteitä.

Evidenssirasterit – (a) magneettikentän kokonaisintensiteetti, (b) jäännösmagnetismi ja (c) etäisyys geologisista kontaktipinnoista. Litologisten kontaktipintojen tiheys painotettuna (d) kestävyyskontrastilla ja (e) reaktiivisuuskontrastilla. (f) Suhteellinen johtavuus lentogeofysikaalisista sähkömagneettisista mittauksista, (g) magneettiset poikkeamat luode-kaakkosuunnassa, (h) magneettiset poikkeamat lounas-koillissuunnassa, (i) magneettikentän kaltevuuden tasa-arvokäyrien tiheys, (j) rakenteiden risteyskohtien tiheys, (k) rakenteiden tiheydet painotettuina niiden mutkaisuudella. Läheisyys rakenteisiin – (l) antiformeihin, (m) synformeihin, (n) myöhäissiirroksiin ja (o) hiertovyöhykkeisiin. Väritys sinisestä punaiseen kuvaa rastereissa (a) – (k) uudelleenskaalattuja arvoja matalasta (0) korkeaan (1) ja rastereissa (l) – (o) etäisestä läheiseen. (Chudasama et al. 2021)
Kuva 2. Evidenssirasterit – (a) magneettikentän kokonaisintensiteetti, (b) jäännösmagnetismi ja (c) etäisyys geologisista kontaktipinnoista. Litologisten kontaktipintojen tiheys painotettuna (d) kestävyyskontrastilla ja (e) reaktiivisuuskontrastilla. (f) Suhteellinen johtavuus lentogeofysikaalisista sähkömagneettisista mittauksista, (g) magneettiset poikkeamat luode-kaakkosuunnassa, (h) magneettiset poikkeamat lounas-koillissuunnassa, (i) magneettikentän kaltevuuden tasa-arvokäyrien tiheys, (j) rakenteiden risteyskohtien tiheys, (k) rakenteiden tiheydet painotettuina niiden mutkaisuudella. Läheisyys rakenteisiin – (l) antiformeihin, (m) synformeihin, (n) myöhäissiirroksiin ja (o) hiertovyöhykkeisiin. Väritys sinisestä punaiseen kuvaa rastereissa (a) – (k) uudelleenskaalattuja arvoja matalasta (0) korkeaan (1) ja rastereissa (l) – (o) etäisestä läheiseen. (Chudasama et al. 2021)

 

Aiemmassa blogikirjoituksessa GisSOM-ohjelmisto monimuuttuja-aineiston klusterointiin – Itseorganisoituvat kartat | GTK Johanna Torppa esitteli havainnollisesti manuaaliset SOM-kartat, jotka luotiin ämpärillisestä pieniä taikakiviä. Kivien väri, koko ja muoto vaihtelivat. Geologisiin tietoihin sovellettuina SOM-kartat toimivat samaan tapaan kuin tässä taikakiviesimerkissä. Ainoat erot ovat seuraavat:

1. ämpärin tilalla on paikkatietokanta
2. taikakivien tilalla ovat evidenssirasterien hilapisteet
3. taikakivien koko-, muoto- ja väriarvojen tilalla malliin syötettävät muuttujat ovat evidenssisuureita
4. ruudukkoa ei piirretä hiekkaan vaan tietokoneen näytöille.

Koska menetelmä on sama ja se on kuvattu jo aiemmissa blogikirjoituksissa (esimerkiksi: GisSOM-ohjelmisto monimuuttuja-aineiston klusterointiin ‒ Katsaus klusterointiin ja itseorganisoituviin karttoihin | GTK, GisSOM-ohjelmisto monimuuttuja-aineiston klusterointiin – Itseorganisoituvat kartat | GTK), voimme siirtyä suoraan tutkimuksessa saatuihin tuloksiin ja tunnistettujen piirteiden kuvaamiseen.

Ensisijainen SOM-menetelmällä saatu informatiivinen tulos on SOM-kartan U-matriisi (unified distance matrix) (Kuva 3a). U-matriisi on SOM-neuronien topologista suhdetta kuvaavan kvantitatiivisen suureen visualisointi. Se kuvaa SOM-neuronin ja sitä ympäröivien neuronien välisten euklidisten etäisyyksien keskiarvoa. Jokainen SOM-neuroni on ryhmä aineiston datapisteitä, ja kaikki tiettyyn SOM-neuroniin ryhmitellyt datapisteet ovat samankaltaisia. Kun lisäksi SOM-neuronien järjestäytyminen säilyttää aineiston topologian, SOM-hilassa toisiaan lähinnä olevien neuronien piirrevektorit muistuttavat yleensä enemmän toisiaan kuin toisistaan kaukana olevien neuronien piirrevektorit. Kaikki tämä voidaan esittää visuaalisesti U-matriisissa. Pienet U-matriisin arvot viittaavat toisiaan muistuttaviin datapisteisiin tietyssä lähiympäristössä. Nämä alueet voitaisiin erottaa toisistaan niillä SOM-neuroneilla, joiden U-matriisin arvot ovat suuremmat. Näin voitaisiin merkitä rajat eri populaatioiden välillä. Nämä rajat erottuvat helpommin SOM-kartan koon kasvaessa. Joka tapauksessa, SOM-kartan U-matriisin visuaaliset tulkinnat helpottavat malliin syötetyn aineiston tiettyjen populaatioiden tunnistamista. Rajapalojen tapaustutkimuksesta otetussa esimerkissä nähdään U-matriisi ja k-means-klusteroinnilla määritetyt klusterirajat kuvassa 3a. K-means-klusteroinnilla samanlaiset neuronit pystytään edelleen yhdistämään (kuva 3b). Huomaamme, että klustereihin 0 ja 2 liitettyjen neuronien U-matriisin arvot ovat pieniä. Klusteri 3 puolestaan ei ole yhtä yhtenäinen kuin klusterit 0 ja 2. Klusteriin 6 liitetyt neuronit ovat lähes täysin erilaisia keskenään.

SOM-tulokset – a) SOM-kartan U-matriisi klusterirajoilla, b) SOM-kartassa tunnistetut k-means-klusterit. (Chudasama et al. 2021)
Kuva 3. SOM-tulokset – a) SOM-kartan U-matriisi klusterirajoilla, b) SOM-kartassa tunnistetut k-means-klusterit. (Chudasama et al. 2021)

 

SOM ja malmiesiintymiin liittyvät piirteet

Tähän mennessä olemme käyneet läpi aineiston piirrevektorien järjestäytymisen SOM-hilaan ja vastaavat klusterit. Tässä osiossa tarkastellaan seuraavaa kysymystä: Miten U-matriisi ja SOM-kartan klusterit voivat kertoa meille mitään niiden suhteesta malmiesiintymiin? Kysymykseen vastaaminen edellyttää seuraavia toimia:

1. SOM-neuronit siirretään maantieteellisille alueille k-means-klusteroinnin avulla saatujen ryhmittelyjen mukaisesti (kuva 4a).
2. Mineralisoituneiden kairausnäytteiden prosenttiosuus maantieteellisellä kartalla tunnistetaan (eli mustien pisteiden prosentuaalinen osuus) kussakin klusterissa (kuva 4b).

SOM-neuronien, k-means-klusterien ja mineralisoituneiden kairausnäytteiden välinen suhde maantieteellisellä kartalla. a) SOM-kartan klusterit siirrettynä vastaaviin maantieteellisiin paikkoihin. b) Mineralisoituneiden kairausnäytteiden klusterikohtainen prosenttiosuus. c) SOM-neuronien K-means-klusteroinnilla saadut SOM-klusterit. Mineralisoituneet kairausnäytteet voidaan ryhmitellä seuraaviin esiintymiin kuuluviksi: P – Palokas, EP – Etelä-Palokas, H – Hut, Ru – Rumajärvi, Ra – Raja. (Chudasama et al. 2021)
Kuva 4. SOM-neuronien, k-means-klusterien ja mineralisoituneiden kairausnäytteiden välinen suhde maantieteellisellä kartalla. a) SOM-kartan klusterit siirrettynä vastaaviin maantieteellisiin paikkoihin. b) Mineralisoituneiden kairausnäytteiden klusterikohtainen prosenttiosuus. c) SOM-neuronien K-means-klusteroinnilla saadut SOM-klusterit. Mineralisoituneet kairausnäytteet voidaan ryhmitellä seuraaviin esiintymiin kuuluviksi: P – Palokas, EP – Etelä-Palokas, H – Hut, Ru – Rumajärvi, Ra – Raja. (Chudasama et al. 2021)

 

SOM-neuroniin sijoitettujen datapisteiden esittäminen maantieteellisellä kartalla k-means-klusteroinnin mukaisesti helpottaa niiden spatiaalisen jakautumisen visualisointia. Pystymme arvioimaan edelleen, miten paljon SOM ja klusterit kertovat mineralisaatiolle suotuisista ympäristöistä, tarkistamalla kuhunkin klusteriin kuuluvien mineralisoituneiden kairausnäytteiden osuuden (kuva 4b).

Kuva 4b osoittaa, että klusterissa 0 mineralisoituneiden kairausnäytteiden prosenttiosuus on kaikkein suurin. Mineralisoituneita kairausnäytteitä on saatu 42 % alueelta, jonka pinta-ala on 14 %:a koko alueesta. Seuraavana on klusteri 3, jossa mineralisoituneista kairausnäytteistä 23 % alueella, joka vastaa 17 %:a koko alueesta. Klustereissa 1 ja 4 kairausnäytteiden osuus on kummassakin noin 12 %, ja jäljelle jäävät 11 % saadaan, kun klusterien 2, 5 ja 6 osuudet lasketaan yhteen. Edellä kuvatun yksinkertaisen tilaston perusteella pystymme helposti päättelemään, että klusterit 0 ja 3 ovat otollisimpia alueita malmin esiintymiselle ja, jos SOM-karttamme on oikeilla jäljillä, jopa malmiesiintymille. Paras keino tämän varmistamiseen olisi tutkia tarkemmin klustereihin 0 ja 3 kuuluvia alueita ja aloittaa alueilla kairaukset.

Eikö olekin mielenkiintoista, että ohjaamaton koneoppimisjärjestelmä on pystynyt ryhmittelemään 65 % mineralisoituneista kairausnäytteistä alueelle, joka kattaa noin 31 % tutkimusalueesta? Tämä voi herättää meissä seuraavia kysymyksiä: Oliko pelkkää sattumaa, että klusteri 0 sattui sisältämään 42 % mineralisoituneista kairausnäytteistä? Missä nämä piirteet ovat? Miten ylipäänsä pystymme näkemään malmiesiintymiin liittyvät piirteet, jos kairausnäytteiden tietoja ei edes käytetty SOM-laskennoissa? Uteliaisuus on ihmisen luontainen ominaisuus. Ja ihmisten kannalta on vain hyvä, että edes pisimmälle kehittyneellä ja kaikkein älykkäimmällä koneella ei ole uteliaisuuteen taipumusta.

Juuri tämä uteliaisuus saa meidät kuitenkin epäilemään tuloksia. Etenkin silloin, kun tulokset näyttävät olevan mustan laatikon tuottamia. Seuraavassa osiossa selitetään, miksi ja miten klusteriin 0 määritetyt SOM-neuronit pystyivät tunnistamaan mineralisoituneiden kairausnäytteiden sijainnit jopa ilman kairausnäytetietoja. Kaikki tämä perustuu matematiikkaan ja nykyaikaisten koneiden edistykselliseen tietojenkäsittelykykyyn. Lisäksi tässä on auttanut (i) avoimen lähdekoodin koneoppimiskirjastojen Python-kehittäjäyhteisö ja (ii) GTK:n sinnikäs ja omistautunut työ, jonka tuloksena on syntynyt avoimen lähdekoodin GisSOM-sovellus (https://github.com/gtkfi/gisSOM). Sovelluksen käyttöliittymä on tehty niin selkeäksi, että SOM-menetelmän käyttö onnistuu vaivatta.

Palataan siihen mustaan laatikkoon eli SOM-menetelmään. Yritetään purkaa tämä laatikko osiin ja korvata musta väreillä. Ensin tutkimme SOM-koodikirjan vektoripainoja k-means-klustereissa (kuva 5), jotta tunnistaisimme esiintymiin viittaavat piirteet. Käyttämällä klusterikohtaisia laatikko- ja viiksikaavioita (esim. kuva 5) kustakin malliin syötettävästä muuttujasta pystymme kollektiivisesti päättelemään SOM-neuronien tunnistamat piirteet. Klusteriin 0 kartoitettujen SOM-neuronien SOM-painot ovat suuret seuraavissa evidenssirastereissa: 1) geologisten kontaktipintojen tiheys (kuva 5a), 2) litologisten kontaktipintojen tiheys painotettuna suhteellisella kestävyyskontrastilla (kuva 5b) ja reaktiivisuuskontrastilla (kuva 5c), 3) rakenteiden risteyskohtien tiheydet (kuva 5d) ja 4) rakenteiden tiheydet painotettuina niiden mutkaisuudella (kuva 5e). Pieniä SOM-painoja esiintyy klusterin 0 evidenssirasterissa, joka ilmentää etäisyyksiä antiformeihin (kuva 5f). Vastaavien laatikko- ja viiksikaavioiden avulla klusteri 0 on helppo erottaa muista klustereista. Näiden evidenssirasterien arvot viittaavat (i) suotuisiin rakenteellisiin olosuhteisiin, kuten kuljetusväyliin ja fyysisiin mineralisaatioansoihin, sekä (ii) suotuisiin isäntäseurueisiin, kuten kullan rikastusta helpottaviin kemiallisiin mineralisaatioansoihin isäntäkivissä. Siten klusteriin 0 luokiteltujen SOM-neuronien katsotaan edustavan niin rakenteellisesti kuin kemiallisestikin suotuisia isäntäkiviä. Nyt olemme siis onnistuneet esittämään visuaalisesti ja tunnistamaan evidenssirasterien piirteet, jotka voivat selittää, miksi mineralisoituneiden kairausnäytteiden osuus on 42 % alueella, joka vastaa 14 %:a klusteriin 0 kartoitetusta tutkimusalueesta.

K-means-klusterien perusteella jaotellut SOM-painot ja laatikko- ja viiksikaaviot evidenssirastereista – a) geologisten kontaktipintojen tiheys, litologisten kontaktipintojen tiheys painotettuna b) kestävyyskontrastilla ja c) reaktiivisuuskontrastilla, d) rakenteiden risteyskohtien tiheys, e) rakenteiden tiheydet painotettuna niiden mutkaisuudella ja f) etäisyys antiformeihin. (Chudasama et al. 2021)
Kuva 5. K-means-klusterien perusteella jaotellut SOM-painot ja laatikko- ja viiksikaaviot evidenssirastereista – a) geologisten kontaktipintojen tiheys, litologisten kontaktipintojen tiheys painotettuna b) kestävyyskontrastilla ja c) reaktiivisuuskontrastilla, d) rakenteiden risteyskohtien tiheys, e) rakenteiden tiheydet painotettuna niiden mutkaisuudella ja f) etäisyys antiformeihin. (Chudasama et al. 2021)

 

Vastaavia päätelmiä voidaan tehdä muistakin klustereista, joita kaikkia (lukijoiden pettymykseksi) ei voida esitellä tässä blogissa. Kuitenkin kattava tutkimus (Chudasama et al. 2021) on toimitettu tieteelliseen julkaisuun nimeltä Ore Geology Reviews, ja lukijat saavat julkaisusta kaikki oleelliset tiedot artikkelin julkaisemisen jälkeen. SOM-neuroneista, k-means-klustereista, laatikko- ja viiksikaavioista ja kairausnäyteaineistojen jakautumisesta kuhunkin klusteriin tehtyjen kollektiivisten päätelmien perusteella laadittiin ennustekartan prototyyppi, joka sisälsi lingvistiset prospektiivisuusluokat (kuva 6a). Jotta prospektiivisuusarvoista voisi tehdä lisää laskelmia, opetimme keinotekoista neuroverkkoa (ANN) SOM-neuroneilla ja kairausnäytteiden mineralisaatiotiedolla. Lopputuloksena saimme suhteellisen ennustekartan kullan esiintymiselle Rajapalojen projektialueella (kuva 6b).

Ennustekartat a) SOM-neuronien k-means-klusteroinnista ja b) SOM-neuroneilla opetetun ANN:n tuottamana. Tällä hetkellä tunnetut esiintymät on merkitty seuraavasti: P – Palokas, EP – Etelä-Palokas, H – Hut, Ru – Rumajärvi ja Ra – Raja. (Chudasama et al. 2021)
Kuva 6. Ennustekartat a) SOM-neuronien k-means-klusteroinnista ja b) SOM-neuroneilla opetetun ANN:n tuottamana. Tällä hetkellä tunnetut esiintymät on merkitty seuraavasti: P – Palokas, EP – Etelä-Palokas, H – Hut, Ru – Rumajärvi ja Ra – Raja. (Chudasama et al. 2021)

 

Johtopäätökset

Edellä kuvatussa prospektiivisuusanalyysin tutkimuksessa olemme osoittaneet seuraavaa:

1. SOM on tehokas menetelmä tuottamaan (yleensä 1–3 ulotteisia) kuvauksia geotieteellisistä monimuuttuja-aineistoista.
2. Koska kyse on ohjaamattomasta menetelmästä, sen voi toteuttaa ilman tietoja tunnetuista malmiesiintymistä.
3. SOM-menetelmän avulla tunnistetaan aineiston piirteitä ainoastaan malliin syötettyjen geotieteellisten muuttujien jakautumisen perusteella ja jättämällä spatiaaliset sijainnit huomiotta.
4. SOM-painoja ja muita tiedon visualisointiin käytettäviä kaavioita, kuten laatikko- ja viiksikaavioita, voidaan käyttää yhdistämään nämä piirteet malmiesiintymiin ja siten tulkitsemaan evidenssirastereissa olevien prospektiivisten SOM-neuronien geologisia piirteitä.

Joitakin tärkeitä tietoja

Tähän blogikirjoitukseen liittyvä tutkimus on saanut rahoitusta Euroopan unionin Horizon 2020 -tutkimus- ja -innovaatio-ohjelmasta avustussopimuksen nro 776804 – H2020-SC5-2017 NEXT – New Exploration Technologies perusteella.

Mawson Gold Ltd:lle on myönnetty malminetsintälupa Rajapalojen projektialueella. Mawson toimitti suuren tarkkuustason aineiston tämän tutkimuksen käyttöön.

Tässä blogikirjoituksessa esitetyt luvut ja kuvat on otettu Ore Geology Reviews -julkaisuun toimitetusta käsikirjoituksesta, ja ne ovat tekijänoikeuden alaisia.

Ja vielä vähän lisää

Oletko kiinnostunut käsittelemään monimuuttuja-aineistojasi GisSOM-sovelluksessa? Voit ladata GisSOM-sovelluksen GitHubista.

Haluatko lukea aiempia blogikirjoituksia? Ne löytyvät täältä:
GisSOM-ohjelmisto monimuuttuja-aineiston klusterointiin ‒ Katsaus klusterointiin ja itseorganisoituviin karttoihin | GTK
GisSOM-ohjelmisto monimuuttuja-aineiston klusterointiin – Itseorganisoituvat kartat | GTK

Lähde

Chudasama, B., Torppa, J., Nykänen, V. & Kinnunen, J. 2021, arvioitavana. Target-scale prospectivity modeling for gold mineralization within the Rajapalot Au-Co project area in northern Fennoscandian Shield, Finland. Part 2: Application of self-organizing maps and artificial neural networks for exploration targeting. Lähetetty Ore Geology Reviews -julkaisuun.

Teksti: Bijal Chudasama ja Johanna Torppa

Bijal Chudasama toimii tutkijana Geologian tutkimuskeskuksen (GTK) Tietoratkaisut-yksikössä. Hän kirjoitti väitöskirjansa geneettisten, geokemiallisten malmiesiintymien prospektiivisuusmallinnuksesta kalkriitissa esiintyvissä uraanijärjestelmissä Namibiassa ja Länsi-Australiassa ja suoritti tohtorintutkintonsa vuonna 2019 Indian Institute of Technology Bombay -yliopistossa Intiassa. Samana vuonna hän aloitti GTK:ssa tutkijatohtorina. Hän tekee GTK:ssa monenlaista geoinformatiikkaan liittyvää tutkimusta, kuten geotieteellistä tietoanalyysia ja koneoppimisen menetelmien hyödyntämistä malmiesiintymien prospektiivisuusmallinnuksessa. Tutkimus on sekä alueellista että esiintymäkohtaista ja kattaa erilaisia malmiesiintymättyyppejä.

Johanna Torppa on erikoistutkija, joka toimii Geologian tutkimuskeskuksen (GTK) Tietoratkaisut-yksikössä. Hän suoritti tohtorintutkintonsa vuonna 2007 astronomiasta ja tutki asteroidien muotojen ja pyörimisominaisuuksien mallinnusta niiden kokonaiskirkkauden mittauksista saatujen aikasarjojen perusteella. Väiteltyään tohtoriksi hän toimi yksitoista vuotta freelancer-tutkijana erilaisissa biologiaan, astronomiaan ja geologiaan liittyvissä hankkeissa. Syksyllä 2018 hän aloitti erikoistutkijana GTK:lla. Tällä hetkellä hän kehittää monimuuttuja-aineistojen analysointimenetelmiä ja -työkaluja malmiesiintymien prospektiivisuusmallinnukseen ja pintamaatyyppeihin.