Exploration mineralischer Rohstoffvorkommen mittels Fernerkundung

Unter Fernerkundung versteht man die Gewinnung von Informationen über einen Bereich auf der Erdoberfläche durch Messung der reflektierten elektromagnetischen Strahlung mit Hilfe eines Satelliten oder eines Flugzeugs. Als Beispiel werden wir uns auf Bilder konzentrieren, die vom Sentinel-2-Satelliten der ESA aufgenommen wurden. Wir haben bereits mehrere Fernerkundungsprojekte durchgeführt, z. B. die automatische Erkennung von Kleinbergbau und die automatische Klassifizierung von Kulturpflanzenarten.

Die elektromagnetische Strahlung, um die es geht, wird überwiegend von der Sonne emittiert. Die Sonne als Lichtquelle strahlt nicht gleichmäßig über das Spektrum, sondern lässt sich eher als Schwarzkörperstrahlung annähern. Wenn das Sonnenlicht auf den Boden trifft, wird das Spektrum in einer Weise verändert, die wertvolle Informationen über die verschiedenen vorhandenen Materialien liefert. Diese Veränderung ist es, die wir aus dem aufgenommenen Bild extrahieren müssen.

Strahlungsfenster

Eine weitere Komplikation ist jedoch, dass das Licht durch die Erdatmosphäre reisen muss - vom Weltraum zum Boden und vom Boden zum Satelliten. Auf dem Weg dorthin interagiert es mit den Molekülen in der Luft, hauptsächlich Wasserdampf, Kohlendioxid und Ozon. Dabei werden bestimmte Wellenlängen gestreut, so dass sie den Satelliten nicht mehr erreichen und wir sie kaum noch erfassen können. Dadurch entstehen Fenster, innerhalb derer wir die reflektierte Strahlung aufnehmen können. In der Abbildung unten sind sie dort zu erkennen, wo die Intensität der Strahlung, die durch die Atmosphäre durchgelassen wird, einen beträchtlichen Teil der Intensität der extraterrestrischen Strahlung ausmacht.

Sie können sehen, wie die Spektralbänder des Sentinel-2-Satelliten innerhalb der Fenster des Spektrums verteilt sind. Die Abbildung zeigt auch, welche absolute Intensität jedes der Bänder mit der Sonne als Lichtquelle maximal aufnehmen kann. Man kann sie auch strategisch außerhalb der Fenster platzieren, um die Konzentrationen von wechselwirkenden Molekülen entlang des Lichtweges zu erfassen.

Reflexionsspektren und Absorptionsmerkmale

Schließlich hat das Licht den Satelliten erreicht. Bei der Aufnahme des Bildes wird für jedes hier gezeigte Band ein ankommender Intensitätspegel pro Pixel aufgezeichnet. Da uns bei der Mineralienerkundung weder die Besonderheiten des Sonnenspektrums noch die Konzentrationen der Atmosphärenbestandteile interessieren, möchten wir diese Zahlen korrigiert haben. Im Fall von Sentinel-2 gibt es glücklicherweise Bilder, für die dies bereits herausgerechnet wurde. Das ist nicht bei allen Satelliten oder Datenverarbeitungsstufen der Fall. Man muss sich also über den Zustand der Daten im Klaren sein und sie eventuell transformieren.

Wie würden wir anhand des korrigierten Bildes die gesuchten Mineralien finden? Lassen Sie uns ein Beispiel betrachten. Wir sind daran interessiert, Abbaustätten für Eisen zu erkunden. Als eisenhaltiges Mineral werden wir das Sulfat Jarosit analysieren. Zunächst benötigen wir sein Reflexionsspektrum, das den prozentualen Anteil des Lichts angibt, der bei einer bestimmten Wellenlänge reflektiert wird. Glücklicherweise gibt es Spektralbibliotheken, wie die USGS-Spektralbibliothek, die gebrauchsfertige Spektren enthalten. Es ist möglich, Absorptionsmerkmale im Reflexionsspektrum zu bestimmen, die für Jarosite einzigartig sind. Sie treten bei Wellenlängen auf, bei denen das Mineral einen größeren Teil der einfallenden Photonen absorbiert als bei benachbarten Wellenlängen. Das Ergebnis ist ein sichtbarer Abfall der reflektierten Lichtintensität. In der Abbildung unten sind diese Absorptionsmerkmale rot markiert. Zur Veranschaulichung nehmen wir an, dass die gesamte Fläche, die ein Pixel des Bildes abdeckt, mit Jarosite bedeckt ist. Dann können wir mit Fug und Recht behaupten, dass unser gigantisches Eisenpixel so aussehen wird:

Bandquotienten

Die Pixeldaten enthalten 12 Werte - einen für jedes Band - mit dem Reflexionsgrad von Jarosit bei der bandspezifischen Wellenlänge (der Mitte des Bandes). Für unser Beispiel wäre ein einfacher Weg, um zu bestimmen, wie wahrscheinlich es ist, dass wir Jarosit gefunden haben, die Berechnung eines Bandquotienten. Eine gute Wahl sind die grün markierten Bänder 9 und 5. Das Band 9 liegt in der Nähe des Minimums eines Absorptionsmerkmals und das Band 5 liegt am Rand desselben Absorptionsmerkmals. Wenn dieses Verhältnis einen bestimmten Schwellenwert überschreitet, gehen wir davon aus, dass Jarosit vorhanden ist:

Beachten Sie, dass wir Glück hatten, dass das Spektrum von Jarosit tatsächlich ein einzigartiges Absorptionsmerkmal in einem Spektralbereich aufwies, in dem es ausreichend viele Spektralbänder gibt, um den Abfall der Reflexion zu erkennen. Wenn man sich die Abbildung noch einmal ansieht, kann man leicht erkennen, wie schwer es wäre, Jarosit mit den anderen Absorptionsmerkmalen und Sentinel-2-Bändern zu erkennen.

Sieht man einmal von all den Annahmen ab, die uns das Leben erleichtert haben, erfordert die Mineralienexploration mittels Fernerkundung eine sorgfältige und aufwendige Analyse. Hier ist ein Überblick über die Herausforderungen, die man bei der Analyse von Fernerkundungsdaten für die Mineralienexploration lösen muss.

• Vermischung der Spektren: Zunächst einmal ist das Spektrum, das der Satellit für jedes Pixel aufnimmt, nicht nur das eines Minerals, sondern ein Gemisch aus allen konstituierenden Mineralen. Um dann eine Chance zu haben, Rückschlüsse auf die Bestandteile zu ziehen, ist es zwingend notwendig, möglichst viel des zugänglichen Spektrums abzudecken und mit hoher spektraler Auflösung zu beproben. Zusätzlich sollte die Fläche pro Pixel so klein wie möglich sein, um ein möglichst wenig verfälschtes Signal zu erhalten (räumliche Auflösung).

• Rauschen: Es gibt mehrere Faktoren, die zum Rauschen in der spektralen Bildgebung beitragen, aber eine detaillierte Diskussion würde den Rahmen dieses Artikels sprengen. Der Einfachheit halber sagen wir einfach, je höher das Verhältnis zwischen dem tatsächlichen Signal und dem Rauschen (SNR), desto besser.

• Vegetationsbedeckung: Die Vegetation macht es meist unmöglich, Rückschlüsse auf die darunter liegende mineralische Signatur zu ziehen. Allerdings kann man von bestimmten Pflanzen auf die Bodenzusammensetzung schließen.

• Wasser: Die Erde ist ein wasserreicher Ort. Und sicher wird Wasser seinen Weg in unsere Satellitenbilder finden. Wolken können den Bereich des Interesses bedecken. Wasserdampfsäulen werden wertvolle Teile des Spektrums absorbieren. Und der Feuchtigkeitsgehalt des Bodens hat großen Einfluss auf die Reflexion der Oberfläche.

• Reflektionsunterschiede: Die Oberflächen sind zerklüftet und die Sonne wandert ständig über den Himmel. Dadurch ergibt sich ein recht schlecht definierter Winkel, in dem das Sonnenlicht auf die Oberfläche trifft. Und das führt zu Unterschieden bezüglich des Reflexionsgrads (genauer: Albedo), die berücksichtigt werden müssen.

• Gestreute Strahlung: Die Erdatmosphäre absorbiert nicht nur einen Teil der von der Sonne ausgesandten Strahlung. Sie remittiert diese Strahlung auch als Streulicht, das ebenfalls in das Satellitenbild gelangt und berücksichtigt werden muss.

Now we understand why greenfield exploration with Remote Sensing data is difficult and what the challenges are. But how can we tackle them? There are several established methods to preprocess and correct the image and to draw conclusions about the constituent minerals.

Einfache Bandindizes

Wie wir bereits gesehen haben, sind die Bandquotienten ein nützliches Werkzeug, um Informationen aus dem Bild zu extrahieren. Ein erster Schritt bei der Verarbeitung des Bildes könnte darin bestehen, Vegetation und Gewässer auszuschließen. Es gibt wohlbekannte Kombinationen von Spektralbändern, die hier helfen. Der Normalized Difference Vegetation Index (NDVI) und der Normalized Difference Water Index (NDWI). Beide können mit den Spektralbändern berechnet werden, die von Sentinel-2 verfügbar sind:

Mit diesen Indizes kann man zuverlässig Pixel klassifizieren, die Vegetation oder Wasser enthalten. Indexwerte, die bestimmte Schwellenwerte überschreiten, werden als positiv eingestuft.

Die nächste Abbildung ist ein Bild der Fitwaola-Kupfermine im Copperbelt in Sambia. Mit Hilfe der beiden definierten Indizes können wir den Wasserkörper, der das Gelände füllt (gelb), und die ihn umgebende Vegetation (blau) klassifizieren. Da die für die Indizes verwendeten Bänder eine geringere Auflösung haben als das RGB-Bild, leiden die Masken unter der gleichen Einschränkung. In der Mitte des Bildes sind die 12 Spektralkanäle dargestellt, aus denen die Daten bestehen und die zur Berechnung der Indizes verwendet werden.

Mit dieser Klassifizierung kann man dann fortfahren, die Mineralsignatur aus dem Rest des Bildes zu extrahieren. In ähnlicher Weise wurden viele weitere Indizes definiert, um bestimmte Attribute innerhalb eines Pixels zu erkennen. Eine einigermaßen umfangreiche Liste finden Sie hier.

Extraktion von Mineralsignaturen

Für die Mineralsignatur-Extraktion stehen viele verschiedene Algorithmen und Arbeitsabläufe zur Auswahl. Ein wichtiger Hinweis ist, dass die Wahl stark von der Datenquelle und den Zielmineralen abhängt. Auch der Grad der Kenntnis über die Hintergrundspektren, aus denen ein Pixel zusätzlich zu den Zielspektren besteht, muss berücksichtigt werden. Zu den etablierten Techniken gehören die folgenden:

• Minimum Noise Fraction (MNF) kann verwendet werden, um Redundanz in Datenquellen mit vielen Spektralbändern auszunutzen. Sie reduziert die spektrale Dimensionalität und trennt die verrauschten Komponenten der Daten von den verwertbaren.

• Spectral Angle Mapper (SAM) wird verwendet, um zu bestimmen, wie gut das aufgenommene Spektrum mit dem Ziel-Referenzspektrum (z. B. aus einer Spektralbibliothek) übereinstimmt. Dazu wird jedes Pixel als Vektor mit so vielen Einträgen betrachtet, wie es Spektralbänder gibt, und dann der Winkel zwischen den resultierenden Vektoren berechnet. Je kleiner der Winkel ist, desto besser ist die Übereinstimmung. 

• Wenn die mineralischen Bestandteile eines Gebiets bekannt sind, können Algorithmen für maschinelles Lernen wie Convolutional Neural Networks oder Random Forests auf den Satellitendaten trainiert werden. Ein gut trainiertes Tool wird dann zur Analyse neuer Gebiete verwendet.

Greenfield-Exploration auf Basis von Fernerkundungsdaten kann potenziell Kosten sparen und unvorhergesehene Abbaustellen entdecken. Wie wir gesehen haben, ist der Prozess kompliziert und erfordert eine Menge Fachwissen.

Bei dida kombinieren wir langjährige Erfahrung mit Fernerkundungsdaten mit physikalischer Expertise und Kompetenz in der Softwareentwicklung. So können wir Lösungen entwickeln, die Bergbauvorhaben erfolgreicher machen.