Journal of Geospatial Information Technology

fa تمایز واحدهای سنگ شناسی براساس تصاویر ماهواره ای مبتنی بر روش های یادگیری ماشین و یادگیری عمیق در منطقه هندودر استان مرکزی Distinguishing Lithological Units Based on Satellite Imagery Using Machine Learning and Deep Learning Methods in the Hendudar Region, Markazi Province سنجش از دور RS كاربردي Applicable تصاویر سنجش از دور در کاربردهای مختلف زمی نشناسی نظیر شناسایی انواع سنگها مورد استفاده قرار می گیرند. در این پژوهش، از روشهای هوش مصنوعی شامل جنگل تصادفی، یادگیری عمیق، XGBoost وLightGBM  در تمایز چهار واحد زمینشناسی فیلیت، تراسهای آبرفتی قدیمی، گرانیت تا گرانودیوریت و میگماتیت در منطقه هندودر استان مرکزی استفاده شده است. ورودی مدلهای هوش مصنوعی شامل اطلاعات مستخرج از تصاویر ماهوارهای نظیر لندست، استر و سنتینل-2، داده‌های توپوگرافی حاصل از مدل رقومی ارتفاع شامل ارتفاع، شیب، شاخص رطوبت توپوگرافی و جهت شیب، به‌همراه داده‌های مکانی و نمونه‌های صحرایی مربوط به واحدهای زمین‌شناسی منطقه است. به‌منظور آماده سازی داده‌های ورودی، پیش‌پردازش‌های لازم شامل تصحیحات رادیومتریک و اتمسفری، پردازش و طبقه‌بندی اولیه تصاویر ماهواره‌ای انجام شد. سپس، مجموعه‌ای از ویژگی‌ها براساس باندهای طیفی تصاویر ماهواره‌ای و نیز تصاویر حاصل از اعمال روش‌های تحلیل مؤلفه‌های اصلی و حداقل نویز کسری استخراج گردید. نتایج ارزیابی نشان داد که بهترین عملکرد مربوط به الگوریتم جنگل تصادفی است که با استفاده از داده های طیفی تصاویر استر، به‌همراه اطلاعات ارتفاعی و مکانی، به دست آمده است؛ به‌طوری‌که مقادیر ضریب کاپا (Kappa)، صحت کلی (Overall Accuracy) و امتیاز (F-score) به‌ترتیب برابر با 0.74، 0.82 و 0.82 حاصل شدند. Remote sensing imagery is widely used in various geological applications, including the identification and discrimination of different rock types. In this study, artificial intelligence methods, including Random Forest, Deep Learning, XGBoost, and LightGBM, were employed to distinguish four geological units, Phyllite, Ancient Alluvial Terraces, Granite to Granodiorite, and Migmatite, in the Hendudar area, Markazi Province, Iran. The input data for the AI models consisted of features extracted from satellite imagery such as Landsat, ASTER, and Sentinel-2, along with topographic data derived from a Digital Elevation Model (DEM), including elevation, slope, Topographic Wetness Index (TWI), and aspect. In addition, spatial data and field samples of the geological units were incorporated into the analysis. To prepare the input datasets, necessary preprocessing steps, including radiometric and atmospheric corrections, as well as initial image processing and classification, were performed. Subsequently, a set of features was generated based on spectral bands of satellite imagery, as well as transformed datasets derived from Principal Component Analysis (PCA) and Minimum Noise Fraction (MNF) techniques. The evaluation results indicate that the Random Forest algorithm achieved the best performance. Using spectral information from ASTER imagery combined with topographic and spatial data, the model attained Kappa, Overall Accuracy, and F-score values of 0.74, 0.82, and 0.82, respectively. زمین شناسی, سنگ شناسی, تصاویر ماهواره ای, یادگیری ماشین, یادگیری عمیق Geology, Lithological mapping, Satellite imagery, Machine learning, Deep learning 83 104 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-350-3&slc_lang=fa&sid=1 Mehrtash Manafifard مهرتاش منافی فرد mehrtash64@yahoo.com 100319475328460010804 100319475328460010804 Yes Arak University of Technology دانشگاه صنعتی اراک Mostafa Yousefirad مصطفی یوسفی راد m.yousefirad@arakut.ac.ir 100319475328460010805 100319475328460010805 No Arak University of Technology دانشگاه صنعتی اراک