© unsplash/@usgs
Detektion und Klassifizierung von Bergbaustätten
Hintergrund
Die Erkundung von Abbaustätten ist ein sehr zeitaufwändiger und teurer Prozess, wenn er manuell von Menschen durchgeführt wird. Daher kann die automatische Identifizierung und Klassifizierung von Minen für Bergbauunternehmen sehr kostensparend sein und hilft Regierungsorganisationen, illegale Bergbautätigkeiten zu vermeiden, insbesondere in abgelegenen Gebieten wie dem Regenwald.
Herausforderungen
Für Aufgaben in der Fernerkundung und Erdbeobachtung sind Open-Source-Satellitenbilder mit Daten im sichtbaren Wellenlängenbereich und Radardaten verfügbar, die von den Satellitensystemen der NASA oder ESA geliefert werden und die anhand bekannter Standorte von Abbaustätten gelabelt werden müssen, um "ground truth"-Daten zu erhalten. Dies ist jedoch nicht trivial, da vor allem kleine und handwerkliche Abbaustätten recht klein sind und leicht mit Straßen oder Häusern verwechselt werden können, besonders wenn die räumliche Auflösung begrenzt ist.
Wenn die Software auf verschiedene Länder angewendet werden soll, müssen außerdem Trainingsdaten aus diesen Ländern gesammelt werden, um Unterschiede in der Topographie und der Abbaumethode zu reflektieren und zu trainieren. Für die automatische Minenerkennung und -klassifizierung kann dann ein machine learning Modell trainiert werden, um Minen anhand ihrer Form, Farbe oder Wasserreflexion zu identifizieren und zu lokalisieren.
Lösungsansatz
Um den Trainingsdatensatz zu erzeugen, muss ein Labeling Modell entwickelt werden, um Kriterien für die Klassifizierung zu identifizieren. Beim hydraulischen Bergbau gibt es neben der Abbaustätte Wasserbecken, die mit dem Auge leicht zu erkennen sind.
Im Falle einer begrenzten räumlichen Auflösung müssen Beurteilungen mit weniger aktuellen, aber aus offenen Quellen stammenden hochauflösenden Bildern wie Bing oder Google Maps durchgeführt werden, um qualitativ hochwertige Bodenwahrheitsdaten zu generieren. Zur Identifizierung und Lokalisierung von Abbaustätten werden Bildsegmentierungs- und Klassifizierungsmodelle verwendet, bei denen es sich um spezielle Convolutional Neural Networks (CNN) handelt, wie z.B. U-Net oder Mask R-CNN Algorithmen.
Zusätzlich kann die mineralogische Klassifikation durch die Analyse von multispektralen Satellitendaten durchgeführt werden, da verschiedene Materialien unterschiedliche Bereiche des elektromagnetischen Spektrums absorbieren und emittieren.