Die Idee
Jeder Explorateur kombiniert Datensätze. Üblicherweise legt man Karten übereinander und sucht nach Stellen, an denen Anomalien zusammenfallen. Die Prospektivitätskartierung tut dasselbe, nur mit aufgeschriebenen Regeln: welche Merkmale als Hinweis zählen, wie viel jedes zählt und wie sie kombiniert werden. Das Ergebnis ist eine Karte, in der jede Zelle einen Wert hat.
Die Regeln aufzuschreiben hat zwei Wirkungen. Das Ergebnis lässt sich wiederholen und aktualisieren, wenn neue Daten eintreffen, und man kann darüber streiten, weil jeder sieht, warum eine Fläche hoch bewertet wurde.
Vom Lagerstättenmodell ausgehen
Hinweise haben nur in Bezug auf die gesuchte Art von Lagerstätte eine Bedeutung. Ein porphyrisches Kupfersystem, ein orogener Goldgang und eine sedimentgebundene Zinklagerstätte hinterlassen unterschiedliche Spuren. Der Mineralsystem-Ansatz fragt, was jede Lagerstätte des gewählten Typs braucht, nämlich eine Quelle für Metall und Fluid, einen Transportweg, eine Falle und einen Ausfällungsmechanismus, und fragt dann, welche kartierbaren Merkmale für jedes davon stehen.
Typische Hinweisebenen sind der Abstand zu einer Klasse von Störungen oder Intrusionen, günstige Wirtsgesteine, geochemische Anomalien in Boden oder Bachsediment, magnetische oder radiometrische Signaturen und aus Satellitenbildern kartierte Alteration. Jede wird aus Rohdaten abgeleitet, und die Entscheidungen bei dieser Ableitung zählen ebenso viel wie die Methode, die sie kombiniert.
Zwei Methodenfamilien
Wissensbasierte Methoden legen die Gewichte nach Expertenurteil fest. Index-Overlay und Fuzzy-Logik sind die gängigen: Jede Ebene wird zwischen ungünstig und günstig skaliert, und die Ebenen werden mit offengelegten Operatoren kombiniert. Sie brauchen keine bekannten Lagerstätten, aus denen sie lernen, was zu Distrikten in der Frühphase passt. Ihre Schwäche ist, dass sie die Annahmen des Experten festschreiben, auch die falschen.
Datengetriebene Methoden lernen die Gewichte aus bekannten Mineralvorkommen. Weights of Evidence und logistische Regression sind die klassischen; Random Forests und andere Verfahren des maschinellen Lernens sind heute weit verbreitet. Sie können Zusammenhänge finden, die ein Experte nicht vorgeben würde. Ihre Schwäche ist, dass sie genügend bekannte Vorkommen brauchen und dass diese Vorkommen keine faire Stichprobe sind: Sie häufen sich dort, wo das Gestein gut aufgeschlossen ist, wo Straßen verlaufen und wo schon gesucht wurde.
Hybride Ansätze nutzen Expertenwissen, um die Ebenen auszuwählen und zu formen, und Daten, um die Gewichte abzustimmen. Bei einer Handvoll bekannter Vorkommen liegt die ehrliche Wahl meist am wissensbasierten Ende.
Wie eine Karte getestet wird
Eine ungetestete Prospektivitätskarte ist eine Meinung in Farbe. Der Standardtest besteht darin, einige bekannte Vorkommen zurückzuhalten, die Karte ohne sie zu erstellen und zu prüfen, ob sie auf hoch bewertete Flächen fallen. Erfasst das oberste Zehntel der Fläche die meisten zurückgehaltenen Vorkommen, leistet die Karte nützliche Arbeit.
Zwei Vorsichtsmaßnahmen sind nötig. Die zurückgehaltenen Punkte müssen räumlich von den Punkten getrennt sein, mit denen die Karte erstellt wurde, indem ganze Blöcke zurückgehalten werden, denn benachbarte Punkte teilen dieselbe Geologie und lassen jede Methode besser aussehen, als sie ist. Und der Test sollte mit seinen Zahlen berichtet und nicht als „validiert“ zusammengefasst werden.
Was der Wert bedeutet
Ein Prospektivitätswert ist eine Rangfolge, keine Entdeckungswahrscheinlichkeit. Eine Zelle mit dem Wert 0,9 hat unter dem genannten Modell mehr stützende Hinweise als eine Zelle mit 0,5. Sie hat keine neunzigprozentige Chance, eine Lagerstätte zu enthalten.
Mehrere weitere Grenzen folgen daraus, wie die Karte entsteht. Sie kann nur das gewählte Lagerstättenmodell abbilden; ein anderer Mineralisierungstyp wird niedrig eingestuft, so real er auch ist. Sie erbt die Abdeckung ihrer Eingangsdaten, sodass Flächen ohne geochemische Beprobung wegen fehlender Daten niedrig abschneiden, nicht wegen fehlenden Metalls. Und sie ist nur so fein wie ihre gröbste wichtige Ebene.
Der Einsatz in der Praxis
Für ein kleines Unternehmen sind die praktischen Anwendungen klar: entscheiden, welcher Teil einer großen Konzession zuerst bearbeitet wird, zwischen Projekten wählen, ein Probenraster platzieren und Investoren erklären, warum das Programm dort beginnt, wo es beginnt. In jedem Fall ist das nützliche Ergebnis nicht die Karte allein, sondern die Karte mit ihren Gründen: welche Ebenen jede hoch eingestufte Fläche tragen und welche fehlenden Daten das Bild am stärksten verändern würden.
Gossan erstellt Prospektivitätskarten auf diese Weise als Teil der Multiquellenanalyse und setzt die Rangfolge im Rahmen der Bohrziele in Bohrungen um.