Abstract
Мақалада Ақтоғай мыс-порфирлі кен орнын мысалға ала отырып, гидротермалды өзгерген аймақтарды жіктеу үшін машиналық оқыту алгоритмдерін қолдану нәтижелері қарастырылады. Зерттеу ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) спутнигінің мультиспектралды деректері, сондай-ақ далалық және зертханалық зерттеу нәтижелері негізінде жүргізілді. Жіктеу нәтижелері бойынша максималды ықтималдық әдісі ең жоғары тиімділікті көрсетті: жалпы дәлдік – 84,12%, Каппа коэффициенті – 0,79. Ал минималды қашықтық әдісінің дәлдігі 54%-ды, Каппа коэффициенті 0,39-ды құрады. Бұл нәтижелер гидротермалды өзгерген аймақтарды автоматты түрде карталауда машиналық оқыту алгоритмдерінің әлеуетін растайды This article presents the results of applying machine learning algorithms to classify hydrothermally altered zones, using the Aktogay porphyry copper deposit as a case study. The research is based on multispectral data from the ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) satellite, as well as field and laboratory investigations. According to the classification results, the maximum likelihood algorithm demonstrated the highest effectiveness, with an overall accuracy of 84.12% and a Kappa coefficient of 0.79. The minimum distance algorithm showed an accuracy of 54%, with a Kappa coefficient of 0.39. These findings confirm the potential of machine learning algorithms for the automated mapping of hydrothermally altered zones В статье рассматриваются результаты применения алгоритмов машинного обучения для классификации гидротермально измененных зон на примере медно-порфирового месторождения Актогай. Исследование выполнено на основе мультиспектральных данных спутника ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer), а также данных полевых и лабораторных исследований. По результатам классификации наивысшую эффективность показал метод максимального правдоподобия: общая точность составила 84,12%, коэффициент Каппа – 0,79. Метод минимального расстояния продемонстрировал точность 54%, при коэффициенте Каппа – 0,39. Полученные результаты подтверждают потенциал алгоритмов машинного обучения для автоматизированного картографирования гидротермально измененных зо