Territory Suitability Assessment for Conducting Detailed Geological and Mineralogical Mapping Based on Statistical Methods of Remote Sensing Data Processing Landsat-8: A Case Study in the Southeastern Transbaikalia, Russia

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The work considers the suitability of using multispectral satellite remote sensing data Landsat-8 for conducting regional geological and mineralogical mapping of the territory of south-eastern Transbaikalia (Russia) in conditions of medium- low-mountain relief and continental climate. The territory was chosen as the object of study due to its diverse metallogenic specialization (Au, U, Mo, Pb-Zn, Sn, W, Ta, Nb, Li, fluorite). Diversity in composition and age of ore-bearing massifs of intrusive, volcanogenic and sedimentary rocks are also of interest. Statistical processing algorithms to increase spectral information content of satellite data Landsat-8 were used; they include: principal component analysis (PCA); minimum noise fraction (MNF) and independent component analysis (ICA). Eigenvector matrices analysed on the basis of statistical processing results and two-dimensional correlation graphs were built to compare thematic layers with geological material classes: oxide/hydroxide group minerals containing transition iron ions (Fe3+ and Fe3+/Fe2+); a group of clay minerals containing A1–OH and Fe, Mg–OH; minerals containing Fe2+ and vegetation cover. Pseudo-coloured RGB composites representing the distribution and multiplication of geological materials classes was generated and interpreted. Integration of informative thematic layers with using fuzzy logic model was carried out to construct a prospectivity map. Received map was compared with geological information, and positive conclusions about territory suitability for further remote mapping research of hydrothermally altered zones and hypergenesis products in order to localize areas promising for identifying hydrothermal-metasomatic mineralization were made.

About the authors

I. O. Nafigin

Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry (IGEM) RAS

Author for correspondence.
Email: estera-st@mail.ru
Russia, Moscow

V. T. Ishmuhametova

Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry (IGEM) RAS

Email: estera-st@mail.ru
Russia, Moscow

S. A. Ustinov

Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry (IGEM) RAS

Email: estera-st@mail.ru
Russia, Moscow

V. A. Minaev

Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry (IGEM) RAS

Email: estera-st@mail.ru
Russia, Moscow

V. A. Petrov

Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry (IGEM) RAS

Email: estera-st@mail.ru
Russia, Moscow

References

  1. Андреева О.В., Петров В.А., Полуэктов В.В. Мезозойские кислые магматиты юго-восточного Забайкалья: петрогеохимия, связь с метасоматизмом и рудообразованием // Геология рудных месторождений. 2020. Т. 62. № 1. С. 76–104. https://doi.org/10.31857/S0016777020010013
  2. Ищукова Л.П., Игошин Ю.А., Авдеев Б.В., Губкин Г.Н., Филипченко Ю.А., Попова А.И., Рогова В.П., Макушин М.Ф., Хоментовский Б.Н., Спирин Э.К. Геология Урулюнгуевского рудного района и молибден-урановых месторождений Стрельцовского рудного поля / Под ред. Ищуковой Л.П., Наумовой С.С. М.: ЗАО “Геоинформмарк”. 1998. 529 с.
  3. Кирсанов А.А., Липияйнен К.Л., Смирнов М.Ю. Выявление площадей, перспективных на золотое оруденение, на основе результатов обработки аэро- и космических гиперспектральных данных // Региональная геология и металлогения. 2019. № 78. С. 82–90.
  4. Новикова М.С. Экономико-географические особенности освоения юго-восточных районов Забайкальского края / Под ред. В.Ф. Задорожного. Новосибирск: Академическое изд-во “Гео”, 2014.161 с.
  5. Петров В.А., Андреева О.В., Полуэктов В.В. Тектономагматические циклы и геодинамические обстановки формирования рудоносных систем Южного Приаргунья // Геология рудных месторождений. 2017. Т. 59. № 6. С. 445–469. https://doi.org/10.1134/S1075701517060034
  6. Сахновский М.Л, Бороздин А.П., Виноградов Л.А. Методические рекомендации по организации и проведению геолого-минерагенического картирования масштабов 1 : 500 000 и 1 : 200 000. СПб.: Изд-во ВСЕГЕИ, 2009. 280 с.
  7. 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.
  8. Шивохин Е.А., Озерский А.Ф., Артамонова Н.А., Духовский А.А., Карасев В.В., Куриленко А.В., Надеждина Т.Н., Павленко Ю.В., Раитина Н.И., Шор Г.М. Объяснительная записка: Государственная геологическая карта Российской Федерации. Масштаб 1 : 1 000 000 (третье поколение). Лист М–50 (Борзя). СПб.: Издательство картрофабрика ВСЕГЕИ, 2010. 553 с.
  9. Acharya T., Yang I. Exploring Landsat 8 // Int. J. Eng. Appl. Sci. 2015. № 4(4). P. 4–10.
  10. Adiri Z., Harti A.El., Jellouli A., Maacha L., Azmi, Zouhair M., Bachaoui M. Mineralogical mapping using Landsat-8 OLI, Terra ASTER and Sentinel-2A multispectral data in Sidi Flah Bouskour inlier, Moroccan Anti-Atlas // J. Spat. Sci. 2019. № 65. P. 147–171. https://doi.org/10.1080/14498596.2018.1490213
  11. Amer R., Kusky T., Ghulam A. Lithological mapping in the Central Eastern Desert of Egypt using ASTER data // J. Afr. Earth Sci. 2010. № 56(2). P. 75–82. https://doi.org/10.1016/j.jafrearsci.2009.06.004
  12. Berk A., Bernstein L.S., Robertson D.C. MODTRAN: a moderate resolution model for LOWTRAN. U.S.C. Geophys. Lab. tech. rep. 1989. № 89(122). P. 44.
  13. Bishta A. Lithologic Discrimination Using Selective Image Processing Technique of Landsat 7 Data, Um Bogma Environs Westcentral Sinai, Egypt // J. King Abdulaziz Univ. Mar. Sci. 2009. № 20(1). P. 193–213. https://doi.org/10.4197/Ear.20-1.10
  14. Bonham-Carter, G.F. Geographic information systems for geoscientists. Modeling with GIS. Pergamon. Elsiver. 1994. P. 402.
  15. Carranza E.J.M. Geochemical Anomaly and Mineral Prospectivity Mapping in GIS. Amsterdam. Elsiver. 2008. P. 347. https://doi.org/10.1016/s0168-6275(08)x0001-7
  16. Clark R.N., Swayze G.A. Mapping minerals, amorphous materials, environmental materials, vegetation, water, ice, and snow, and other materials: The USGS Tricorder Algorithm // Summaries of the Fifth Annual JPL Airborne Earth Science Workshop. CO: U.S. Geological Survey. 1995. P. 39–40.
  17. Chukwu G.U., Ijeh B.I., Olunwa K.C. Application of Landsat imagery for Landuse/Landcover analyses in the Afikpo sub-basin of Nigeria // Int. Res. J. Geol. Min. 2013. № 3(2). P. 67–81.
  18. Colby J.D. Topographic normalization in rugged terrain // Photogramm. Eng. Remote Sens. 1991. № 57(5). P. 531–537.
  19. Cooley T., Anderson G.P., Felde G.W., Hoke M.L., Ratkowski A.J., Chetwynd J.H., Gardner J.A., Adler-Golden S.M., Matthew M.W., Berk A., Bernstein L., Acharya P.K., Miller D., Lewis P. FLAASH, a MODTRAN4-based atmospheric correction algorithm, its application and validation // Int. Geosci. Remote Sens. Symp. 2002. № 3. P. 1414–1418. https://doi.org/10.1109/IGARSS.2002.1026134.
  20. Comon P. Independent component analysis, A new concept // Signal Process. 1994. № 36(3). P. 287–314. https://doi.org/10.1016/0165-1684(94)90029-9
  21. Corumluoglu O., Vural A., Asri I. Determination of Kula basalts (geosite) in Turkey using remote sensing techniques // Arab. J. Geosci. 2015. № 8(11). P. 10105–10117. https://doi.org/10.1007/s12517-015-1914-4
  22. Gao B.C. NDWI – A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sens. Environ. 1996. № 58(3). P. 257–266. https://doi.org/10.1016/S0034-4257(96)00067-3
  23. Gabr S., Ghulam A., Kusky T. Detecting areas of high-potential gold mineralization using ASTER data // Ore Geol. Rev. 2010. № 38. P. 59–69. https://doi.org/10.1016/j.oregeorev.2010.05.007
  24. Ghanbari Y., Hezarkhani A., Ataei M., Pazand K. Mineral potential mapping with fuzzy models in the Kerman-Kashmar Tectonic Zone, Central Iran // Appl. Geomat. 2012. № 4. P. 173–186. https://doi.org/10.1007/s12518-012-0090-4
  25. Green A.A., Berman M., Craig M.D. A Transformation for ordering multispectral data in terms of image quality with implications for noise removal // IEEE Trans. Geosci. Remote Sens. 1988. № 26(1). p. 65–74. https://doi.org/10.1109/36.3001
  26. Hunt G.R., Ashley R.P. Spectra of altered rocks in the visible and near-infrared // Econ Geol. 1979. № 74(7). P. 1613–1629. https://doi.org/10.2113/gsecongeo.74.7.1613
  27. Inzana J., Kusky T., Higgs G., Tucker R. Supervised classifications of Landsat TM band ratio images and Landsat TM band ratio image with radar for geological interpretations of central Madagascar // J. Afr. Earth Sci. 2003. № 37(1–2). P. 59–72. https://doi.org/10.1016/S0899-5362(03)00071-X
  28. Irons J.R., Dwyer J.L., Barsi J.A. 2012. The next Landsat satellite; the Landsat Data Continuity Mission // Remote Sens. Environ. 2012. № 122. p. 11–21. https://doi.org/10.1016/j.rse.2011.08.026
  29. Kim Y.H., Choe K.U., Ri R.K. Application of fuzzy logic and geometric average: A Cu sulfide deposits potential mapping case study from Kapsan Basin, DPR Korea // Ore Geol. Rev. 2019. № 107. P. 239–247. https://doi.org/10.1016/j.oregeorev.2019.02.026
  30. Rouse J.W., Haas R.H., Schell J.A., Deering D.W. Monitoring vegetation systems in the Great Plains with ERTS // In Proceedings of the Third Earth Resources Technology Satellite-1 Symposium. 10–14 December 1973. Washington, USA, 1973. P. 309–317.
  31. Kruse F.A., Lefkoff A.B., Boardman J.W., Heidebrecht K.B., Shapiro A.T.; Barloon P.J., Goetz A.F.H. The spectral image processing system (SIPS) – interactive visualization and analysis of imaging spectrometer data // Remote Sens. Environ. 1993. № 44. P. 145–163. https://doi.org/10.1016/0034-4257(93)90013-N
  32. Lawrence R.C., Mars J.C., Simpson C.J. Lithologic mapping of the Mordor, NT, Australia ultramafic complex by using the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) // Remote Sens. Environ. 2005. № 99. P. 105–126. https://doi.org/10.1016/j.rse.2004.11.021
  33. Loughlin W.P. Principal component analysis for alteration mapping // Photogramm. Eng. Remote Sens. 1991. № 9. P. 1163–1169.
  34. Mars J.C., Rowan L.C. ASTER spectral analysis and lithologic mapping of the Khanneshin carbonate volcano, Afghanistan // Geosphere. 2011. № 7. P. 276–289. https://doi.org/10.1130/GES00630.1
  35. Mwaniki M.W., Matthias M.S.M., Schellmann G. Application of remote sensing technologies to map the structural geology of central Region of Kenya // IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015. № 8(4). P. 1855–1867. https://doi.org/10.1109/JSTARS.2015.2395094
  36. Novák V., Perfilieva I., Mockor J. Mathematical Principles of Fuzzy Logic. New York. Kluwer Academic Publishers. 1999. P. 320. https://doi.org/10.1007/978-1-4615-5217-8
  37. Ourhzif Z., Algouti A. Lithological mapping using Landsat 8 OLI and Aster multispectral data in Imini-Ounilla district South high Atlas of Marrakech. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2019. XLII-2/W13. P. 1255–1262. https://doi.org/10.5194/isprs-archives-XLII-2-W13-1255-2019
  38. Pour B.A., Hashim M. Hydrothermal alteration mapping from Landsat-8 data, Sar Cheshmeh copper mining district, south-eastern Islamic Republic of Iran // J. Taibah Univ. Sci. 2015. № 9(2). P. 155–166. https://doi.org/10.1016/j.jtusci.2014.11.008
  39. Pour A.B., Hashim M., Park Y., Hong J.K. Mapping alteration mineral zones and lithological units in Antarctic regions using spectral bands of ASTER remote sensing data // Geocarto Int. 2018a. № 33(12). P. 1281–1306. https://doi.org/10.1080/10106049.2017.1347207
  40. Pour A.B., Park Y., Park T.S., Hong J.K., Hashim M., Woo J. Ayoobi I. Regional geology mapping using satellite-based remote sensing approach in Northern Victoria Land, Antarctica // Polar Sci. 2018b. № 16. P. 23–46. https://doi.org/10.1016/j.polar.2018.02.004
  41. Rajendran S., Nasir S. ASTER capability in mapping of mineral resources of arid region: A review on mapping of mineral resources of the Sultanate of Oman // Ore Geol. Rev. 2019. № 108. P. 33–53. https://doi.org/10.1016/j.oregeorev.2018.04.014
  42. Richards, J.A., Xiuping J. Remote Sensing Digital Image Analysis: An Introduction. Germany: Berlin. Springer. 2006. p. 440.
  43. Rockwell, B.W., Hofstra, A.H. Identification of quartz and carbonate minerals across Northern Nevada using ASTER thermal infrared emissivity data, implications for geologic mapping and mineral resource investigations in well-studied and frontier areas // Geosphere. 2008. № 4. P. 218–246. https://doi.org/10.1130/GES00126.1
  44. Ruiz-Armenta J.R., Prol-Ledesma R.M. Techniques for enhancing the spectral response of hydrothermal alteration minerals in Thematic Mapper images of Central Mexico // Int. J. Remote Sens. 1998. № 19(10). P. 1981–2000. https://doi.org/10.1080/014311698215108
  45. Sabins, F.F. Remote Sensing: Principles and Applications. Long Grove. Waveland Press. 2007.
  46. Sekandari M., Masoumi I., Pour A.B. 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 Sens. 2020. № 12(8). P. 1239. https://doi.org/10.3390/rs12081239
  47. Wambo J.D.T., Pour A.B., Sylvestre Gannon S., Asimow, P.D., Zoheir, B., Rodrigo dos ReisSalles, Nzenti J.P., Pradhan B., Muslim A.M. Identifying high potential zones of gold mineralization in a sub-tropical region using Landsat-8 and ASTER remote sensing data: A case study of the Ngoura-Colomines goldfield, eastern Cameroon // Ore Geol. Rev. 2020. № 122. P. 103530. https://doi.org/10.1016/j.oregeorev.2020.103530
  48. Zadeh L.A. Fuzzy sets // Inf. Control. 1965. № 8(3). P. 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X

Supplementary files


Copyright (c) 2023 И.О. Нафигин, В.Т. Ишмухаметова, С.А. Устинов, В.А. Минаев, В.А. Петров

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».