fa مدل‌سازی تعیین نقاط بهینه حفاری با بهره‌گیری از تصویر ماهواره‌ای Hyperion و شبکه‌های عصبی پژوهشي Research از اهداف اساسی و اولیه در مطالعات تفصیلی اکتشاف منابع معدنی، تفکیک آلتراسیون‌های معدنی به‌منظور مدل‌سازی شکل و موقعیت توده‌های معدنی و تهیه نقشه نقاط بهینه حفاری است. نخستین هدف این مقاله تفکیک آلتراسیون‌های معدنی در تصویر ماهواره‌ای فراطیفی Hyperion با استفاده از دو روش SAM و نسبت باندی است. در ادامه با استفاده از شبکه‌های عصبی پرسپترون چندلایه و تابع شعاع‌مبنا، به منظور تلفیق لایه‌های مؤثر بر کانی‌سازی مس پورفیری و لایه آتراسیون حاصل از طبقه‌بندی تصویر، هدف دوم که همان مدل‌سازی نقاط بهینه حفاری است، حاصل می‌گردد. نتایج طبقه‌بندی تصویر فراطیفی با استفاده از روش‌های مذکور، نشان می‌دهد که روش نسبت باندی که قبل از به‌کارگیری آن از تبدیل MNF استفاده شده است، دارای دقتی بالا و در حدود 2/94 درصد (دقت کلی به‌دست آمده از ماتریس خطا) است. نتایج بهره‌گیری از شبکه‌های عصبی در مدل‌سازی تعیین نقاط بهینه حفاری نیز نشان می‌دهد که بهترین ساختار شبکه‌های عصبی، شبکه عصبی MLP است و میزان انطباق گمانه‌ها با نقشه تهیه شده به‌وسیله این شبکه عصبی 54 درصد است. Among detailed mineral exploration studies, the alteration mapping has been proved to be the fundamental objective for identifying the deposits formation. This paper aims determining alteration zones in Hyperspectral images with the assist of SAM & Band Ratio methods at first. The second interest is integrating the output of determined alteration zones by other mineralization factors using different Neural Networks namely Multilayer pecreptrons, Radial Basis Function & Generalized Neural Network and using cross correlation method. This integration is performed for determining the position of boreholes of porphyry copper exploration in Nowchoun region. In the case of Hyperspectral classification, the best result have been achieved by the band ratio method, i.e. about 94.2 percent. Eventually, the degree of correlation between maps that produced by neural networks and operated exploration boreholes have been estimated. Comparison between the high potential points indicated by our maps with those previous drilled boreholes reveals that MLP network has the highest correlation. This correlation is about 54% in Nowchoun region. تصویر فراطیفی, آلتراسیون, مس پورفیری, شبکه عصبی, سنجنده Hyperion erspectral image, Alteration, Porphyry copper, Neural Networks, Hyperion 1 18 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-8&slc_lang=fa&sid=1 Amin Mehrmanesh امین مهرمنش amin1174@gmail.com 10031947532846004757 10031947532846004757 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Javad ValadanZouj محمدجواد ولدان‌زوج 10031947532846004758 10031947532846004758 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mahmood Reza Sahebi محمودرضا صاحبی 10031947532846004759 10031947532846004759 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Matin Forutan متین فروتن 10031947532846004760 10031947532846004760 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mahyar Soltani ماهیار سلطانی 10031947532846004761 10031947532846004761 No Advanced Information & Communication Technology Center, Sharif University of Technology مرکز فناوری اطلاعات و ارتباطات پیشرفته، دانشگاه صنعتی شریف