Метод трёхмерного пространственного представления семантических границ в цифровых моделях обнажений

Видеть каменные стены по‑новому

Скальные обнажения хранят подсказки о древних морях, залегающих ресурсах и прошлых землетрясениях, но считывание этих подсказок всё ещё во многом опирается на людей, которые зарисовывают увиденное на крутых, труднодоступных стенах. В этом исследовании показано, как дроны, интеллектуальный анализ изображений и 3D‑компьютерные модели могут объединиться, чтобы превратить неровную лицевую поверхность скалы в детальную интерактивную цифровую копию, где разные типы пород и скрытые границы картируются с точностью до сантиметра.

Почему обнажения важны для энергетики и оценки опасностей

В пустынях Синьцзяна (Китай) слои древнего морского дна обнажаются в высоких стенах породы, называемых обнажениями. Эти слои могут формировать подземные резервуары, задерживающие нефть, газ и воду, а также фиксируют, как регион складывался и разрушался в ходе длительной геологической истории. Точное знание, где один тип породы переходит в другой, помогает оценить, какие горизонты способны хранить флюиды, как разломы могут направлять или препятствовать их течению и где в будущем могут возникнуть оползни или трещины. При этом обход каждого метра с рулеткой и блокнотом остаётся медленной и рискованной работой, которой трудно соответствовать требованиям современной разведки ресурсов и мониторинга опасностей.

Летающие камеры над скалой

Команда сосредоточилась на обнажении Сяоэрбулаке — массиве мелководных карбонатов кембрийского периода. Они использовали профессиональный многороторный дрон с пятью камерами, смотрящими вертикально вниз и под четырьмя углами, собрав более 5200 перекрывающихся снимков с разрешением примерно два‑три сантиметра на пиксель. Тщательное планирование полёта поддерживало постоянную высоту с высоким продольным и поперечным перекрытием, а снимки затем корректировали по освещению и искажениям. Эти плотные, чётко детализированные фотографии фиксируют форму каждой полки, тонкие цветовые переходы между типами пород и линии складок и разломов, пересекающих стену.

Обучение сети трассировать границы пород

Чтобы превратить сырые снимки в осмысленные карты, исследователи обучили улучшенную версию популярной сети анализа изображений под названием U‑Net. Опытные геологи вручную размечали 850 участков изображений, отмечая три ключевых типа карбонатных пород и фон. Сеть была переработана с учётом особого внимания к краям: использовались многомасштабные фильтры, чтобы улавливать как широкие полосы, так и тонкие текстуры, а внутренний модуль внимания подчёркивает вероятные границы и подавляет шумные области. Пользовательская функция потерь придаёт дополнительный вес тонким зонам границы, чтобы модель училась чертить чёткие линии вместо размытых переходов. В тестах по сравнению с несколькими широко используемыми методами эта улучшенная сеть показала лучшие результаты, особенно в точности и резкости выделения контактов пород.

Построение интеллектуальной 3D‑скалы

Следующий шаг — переход от плоских изображений к полной 3D‑модели. С помощью стандартных методов «структура из движения» и многовидовой стереофотограмметрии команда реконструировала детализированную цифровую сетку обнажения с реалистичной текстурой поверхности. Зная точное положение и угол обзора каждой дрон‑снимка, они проецировали 2D‑метки пород обратно на 3D‑поверхность. Тест глубины удаляет виды, где точка скрыта за ближней породой, а схема взвешенного голосования отдаёт предпочтение меткам с углов камеры, смотрящих более перпендикулярно на поверхность. В результате получается цветная 3D‑скала, где каждому треугольнику присвоен тип породы, а проверки по контрольным точкам показали типичную ошибку картирования всего в несколько сантиметров.

Исследование цифровой скалы в разных масштабах

Чтобы сделать модель практичной, авторы создали веб‑просмотрщик на платформе 3D‑картографии Cesium. Они подготовили несколько уровней детализации — от облегчённых сеток, показывающих лишь основные полосы и структуры, до плотных версий, подходящих для близкого осмотра. Пользователи могут масштабировать изображение от общего регионального вида до отдельных полок, наблюдая, как разные тела пород связаны в пространстве, при этом производительность остаётся плавной. Цвета и прозрачность меняются в зависимости от масштаба, чтобы наиболее важные границы выделялись без загромождения.

Что это значит для будущей полевой работы

Для неспециалистов ключевая идея в том, что теперь обнажения можно превращать в точные интерактивные цифровые двойники, где типы пород и структурные линии трассируются автоматически, а не вручную. В случае Сяоэрбулаке метод явно превзошёл стандартные инструменты обработки изображений и удерживал погрешность 3D‑картирования в пределах нескольких сантиметров. Такой уровень детализации позволяет точнее оценивать места возможного залегания нефти, газа или воды и помогает учёным понять, как земля смещалась во времени. По мере улучшения дронов и искусственного интеллекта подобные системы могут стать рутинными инструментами для геологов, делая полевые работы быстрее, безопаснее и информативнее.

Цитирование: Dong, Z., Zhang, H., Qu, Y. et al. Three-dimensional spatial representation method for semantic boundaries in digital outcrop models. Sci Rep 16, 15170 (2026). https://doi.org/10.1038/s41598-026-45820-7

Ключевые слова: цифровое обнажение, геология дронов, 3D геологическое моделирование, семантическая сегментация, геологические границы