Abstract
<jats:p>The paper summarizes studies of the Kalba-Narym Belt of the Altai accumulated over more than 70 years of research into the ore potential of rare-metal granites. Ore-formation features of rare-metal mineralization are analyzed, and key groups of ore indicators and criteria are identified. Metallogenic zoning was used to delineate prospective areas for discovering new occurrences and assessing the potential of known deposits. Source materials were systematized into a database of 280 occurrences and deposits integrated into the ArcGIS geospatial environment using regional geophysical data and remote sensing (Landsat, Sentinel-2). Machine learning improves the reliability of predictive modeling</jats:p> <jats:p>Мақалада Алтайдағы Қалба-Нарым белдеуі бойынша сирекметалды граниттердің рудалылығын зерттеудің 70 жылдан астам уақыт ішінде жинақталған нәтижелері қорытындыланған. Сирекметалды минералдану көріністерінің рудно-формациялық ерекшеліктері қарастырылып, негізгі белгілер мен рудалылық критерийлері айқындалған. Металлогендік аудандастыру негізінде жаңа нысандарды анықтауға және белгілі кен орындарының әлеуетін бағалауға перспективалы аумақтар бөлінген. Бастапқы материалдар 280 нысанды қамтитын деректер базасына жүйеленіп, ArcGIS геоақпараттық ортасына геофизикалық және ЖҚЗ (Landsat, Sentinel-2) деректерімен біріктірілген. Машиналық оқыту болжам нәтижелерінің сенімділігін арттырады</jats:p> <jats:p>Обобщены результаты исследований Калба-Нарымского пояса Алтая, накопленные за более чем 70-летний период изучения рудоносности редкометальных гранитов. Рассмотрены рудно-формационные особенности проявлений редкометальной минерализации, выделены основные группы признаков и критериев рудоносности. На основе металлогенического районирования определены перспективные площади для выявления новых объектов и оценки потенциала известных месторождений. Исходные материалы систематизированы в базе данных (280 проявлений и месторождений), интегрированной в геопространственную среду ArcGIS с привлечением региональных геофизических данных и материалов ДЗЗ (Landsat, Sentinel-2). Применение методов машинного обучения повышает достоверность прогнозных построений</jats:p>