Die Versorgung mit Rohstoffen, die unter Einhaltung ökologischer, ökonomischer und sozialer Normen gewonnen werden, ist ein zentrales Element für den Erhalt der Wettbewerbsfähigkeit und der Arbeitsplätze der deutschen/europäischen Industrie. Insbesondere angesichts der wachsenden Konkurrenz aus asiatischen Ländern und Handelskonflikten mit weitreichenden Folgen für die Rohstoffbeschaffung.

Die Erkundung neuer wirtschaftlicher Lagerstätten, die diese Kriterien erfüllen, ist aufgrund der hohen Misserfolgswahrscheinlichkeit und der hohen Kosten die riskanteste Phase von Bergbauprojekten. Allein im Jahr 2018 beliefen sich die Ausgaben für die Exploration von Nichteisenmetallen auf 10,1 Milliarden US-Dollar (S&P Global, 2019). Die weltweite Nachfrage nach mineralischen Rohstoffen, verbunden mit dem abnehmenden Materialgehalt der Primärlagerstätten (natürliche Mineralanreicherung), führt zu einem Versorgungsrisiko hinsichtlich der Verfügbarkeit von abbaubaren Ressourcen.

Wir haben vom BMBF Forschungsmittel erhalten, um die automatisierte Bewertung von Tailings (Abraumhalden) mit Hilfe von Satellitenbildern als neuen Ansatz für die Suche nach abbaubaren Ressourcen zu erforschen.

Warum sollten wir Abraumhalden mit Satellitendaten analysieren?

• Die Oberfläche ist oft weitgehend unbedeckt, was die Fernerkundung überhaupt erst möglich macht.

• In Abraumhalden und Teichen könnten große Mengen hochwertiger, wirtschaftlich strategischer Metalle liegen, da die Verarbeitungstechnologien in der Vergangenheit ineffizienter waren als heute.

• Sie können Metalle wie z. B. Seltene Erden enthalten, die bei der ursprünglichen Verarbeitung der Erze nicht als abbauwürdig galten, deren Wert und Verwendbarkeit aber inzwischen gestiegen sind.

• Minen befinden sich in der Regel an geografisch abgelegenen Orten, was sowohl zeit- als auch kostenaufwändige konventionelle Explorationsmethoden ausschließt.

Selbst in kostenpflichtigen Datenbanken fehlen genaue GPS-Standorte mit Volumenschätzungen und Daten über die gesamte mineralische Zusammensetzung von Halden und Teichen, so dass ein hoher manueller Aufwand und Expeditionen vor Ort erforderlich sind, um genaue Daten zu sammeln und vielversprechende Halden zu identifizieren.

Ziel dieses Projekts war es, eine Datenbank zu erstellen, die die notwendigen Informationen liefert, um vielversprechende Abraumhalden für weitere Explorationsbemühungen auszuwählen. Dies beinhaltet:

• Das Auffinden des Haldenobjekts und Abgrenzung seiner Form mithilfe eines Computer-Vision-Modells, das die Pixel in eine Haldenkategorie oder einen Hintergrund einordnet (Semantische Segmentierung)

• Ausgehend von der gefundenen Form wird das Volumen anhand von Höhendaten geschätzt.

• Die Elementkonzentrationen an der Oberfläche werden anhand der Satellitenpixel innerhalb der abgegrenzten Form geschätzt.

• Der Standort, das geschätzte Volumen und die Menge der Ressourcen pro Element werden zurückgegeben.

Aufgabe

Für das Training des semantischen Segmentierungsmodells müssen die genauen Abraumhaldenformen abgegrenzt werden. Da die Koordinaten in den Datenbanken oft ungenau sind, muss das Tailing-Objekt gefunden und von ähnlichen Nicht-Tailing-Objekten unterschieden werden.

Lösung

Unsere Partner vom MRE nutzten ihr Expertenwissen, um die Objekte in der Nähe der Datenbankkoordinaten zu identifizieren und eine entsprechende Form in Google Earth einzuzeichnen.

Aufgabe

Um die Ablagerungen und ihren Inhalt zu analysieren, müssen sie zunächst gefunden und ihre Umrisse erkannt werden. Auf der Grundlage von multispektralen Satellitendaten werden die Abraumhalden vom allgemeinen Hintergrund unterschieden und klassifiziert.

Daten

Der gelabelte Datensatz wies ein starkes Klassenungleichgewicht auf. Außerdem gab es regionale Biases.

Als Modellinput wurden mehrere Satellitenbilder kombiniert. Die multispektralen Sentinel-2-Daten bieten 12 Spektralkanäle sowie zusätzliche Masken wie Wolkenbedeckung. Darüber hinaus werden digitale Höhenmodelldaten der JAXA-Mission verwendet, um die unterschiedlichen Höhenprofile von Abraumhalden zu erkennen, und binäre Segmentierungsmasken aus dem weltweiten Siedlungsgebiet von 2019, um einige falsch-positive Ergebnisse auszusortieren.

Eine wichtige Ergänzung des Datensatzes, die die Ergebnisse verbessert, sind harte Negative. Dazu gehören als Hintergrund gekennzeichnete Objekte wie Seen, Dämme usw., die aufgrund ihrer Topografie und Form leicht mit Abraumhalden verwechselt werden können.

Modell

Als zentrale Deep-Learning-Architektur wird ein Ensemble von UNet++-Modellen verwendet. Jedes UNet++ verwendet einen SK ResNet-Encoder-Backbone, der auf Imagenet als Featureextractor mit räumlicher und channel-bezogener Squeeze & Excitation-Attention, Batch Norm und ELU Activation trainiert wurde. Als Loss wurde als Summe unterschiedlich gewichteter Kombinationen von Dice und Focal-Loss mit angepassten Gewichten für verschiedene Channels benutzt.

Aufbereitung

The soft segmentation predictions from the deep learning architecture are subjected to an elaborate post-processing algorithm customized for the best possible detection of tailings. The post-processing consisted several steps.

1. A combination of classical image processing algorithms such as the SLIC (Simple Linear Iterative Clustering) algorithm for finding superpixels and edge detection using Sobel filters

2. Extraction of polygons from the pixel wise segmentation probabilities

3. Filtering polygons, which area is smaller than a predetermined threshold

4. Polygon smoothing

5. Removing "holes" from polygons

6. Removal of obvious False Positives with respect to settlement data.

Die Segmentierungen der Deep-Learning-Architektur werden einem Aufbearbeitungsalgorithmus unterzogen, der für die bestmögliche Erkennung von Abraumhalden angepasst ist. Das Post-Processing bestand aus mehreren Schritten.

• Eine Kombination aus klassischen Bildverarbeitungsalgorithmen wie dem SLIC-Algorithmus (Simple Linear Iterative Clustering) zum Auffinden von Superpixeln und der Kantenerkennung mit Sobel-Filtern

• Extraktion von Polygonen aus den pixelweisen Segmentierungswahrscheinlichkeiten

• Filtern von Polygonen, deren Fläche kleiner als ein vorgegebener Schwellenwert ist

• Glättung von Polygonen

• Entfernen von "Löchern" aus Polygonen

• Beseitigung von offensichtlichen False Positives in Bezug auf Siedlungsdaten.

Ergebnis

Ein Tailing gilt als gefunden, wenn ein überwiegender Teil des vorhergesagten Polygons das Objektgebiet abdeckt.

Aufgrund des ungleichgewichtigen Trainingsdatensatzes führt eine Performance-Kategorisierung auf der Basis von Ökoregionen zu starken Ergebnissen für Wüstenregionen, akzeptablen Ergebnissen für gemäßigte und mediterrane Regionen, während die Tropen eine besondere Herausforderung darstellen.

Aufgabe

Um zu verstehen, welche Menge an Ressourcen potenziell aus den Abraumhalden gewonnen werden kann, ist eine Volumenanalyse erforderlich.

Problem

Anhand von Satellitendaten allein lässt sich das Volumen einer Halde nicht genau bestimmen. Auch in der Praxis enthalten Datenbanken Schätzwerte.

Besonders ungünstig für eine Modellbewertung ist die erhebliche Streuung der Volumenschätzungen in verschiedenen Datenbanken.

Lösung

Auf der Grundlage von Satellitendaten über die vorgefundene Halde und das umliegende Gebiet wird das Volumen automatisch geschätzt. Die allgemeine Lösung besteht darin, den Boden unter der Haldenstruktur zu schätzen.

Je nach Art der Abraumhalde, die im Segmentierungsschritt klassifiziert wird, werden unterschiedliche Methoden angewandt. Wird die Halde als auf einer ebenen Fläche aufgeschüttet klassifiziert, wird eine Ebene an die umgebende ebene Fläche angepasst, um den Boden darunter zu ermitteln.

Wird die Halde in ein Tal geschüttet, wird die darunter liegende Fläche mit Hilfe von kubischen Splines trianguliert, die an die umgebende Fläche angepasst werden.

Nach der Schätzung des Bodens wird dessen Höhe von der Oberfläche der Halde abgezogen, um das Volumen zu berechnen.

Ergebnis

Mit dieser Methode wird ein durchschnittlicher relativer Fehler von etwa 30 % erreicht, während die relative Einordnung der Tailings nach ihrer Größe sehr konsistent ist.

Aufgabe

Bestimmung der Elementkonzentrationen in den Abraumhalden, so dass unter Berücksichtigung des Volumens eine Schätzung der Mengen an relevanten Ressourcen vorgenommen werden kann.

Daten

Als Modellinput benötigt man Satellitenbilder mit möglichst hohem spectralen Informationsgehalt. Der hyper-spektrale Satellit Prisma wurde verwendet.

Leider gibt es keine ausreichend große, öffentlich zugängliche Datenbank, die Punktkoordinaten auf einem Tailing mit den an dieser Koordinate gefundenen Elementkonzentrationen in Beziehung setzt. Dies würde ein direktes Modelltraining ermöglichen. Was die Halden betrifft, hatten wir nur Zugang zu Konzentrationen bezogen auf eine gesamte Halde. Diese Werte sind jedoch nicht konsistent, es gibt keine einheitliche Methodik, und es ist unklar, wie sich die reduzierten Konzentrationen auf das Oberflächenmaterial beziehen.

Die gefundene Lösung besteht darin, die Datenbanken von USGS und GeoROC zu verwenden und unser Modell anhand von Punktproben zu trainieren, die nicht von Tailings stammen.

Modell

Da Tailings häufig von Teichen oder Vegetation bedeckt sind, werden die Input-Pixel in einem ersten Schritt anhand der NDVI- and NDWI-Indizes gefiltert.

Dann wird auf jeden zulässigen Input-Pixel ein eindimensionales neuronales Faltungsnetzwerk angewendet.

Die ermittelten Elementkonzentrationen werden über alle Pixel gemittelt, um eine endgültige Schätzung für die gesamte Abraumhalde zu erhalten.