fa نقشه‌برداری دگرسانی‌های مرتبط با کانسارهای مس پورفیری با استفاده از تصاویر چند طیفی استر بر مبنای یادگیری عمیق سنجش از دور RS پژوهشي Research یکی از کاربردهای سنجش از دور، بررسی نواحی دگرسانی و طبقه&rlm;بندی آن&rlm;ها است که یکی از سریعترین روش&rlm;ها برای اکتشاف سامانه مس پورفیری، تعیین مرکز تجمع آن و جانمایی نقاط حفاری هستند. هدف از این تحقیق شناسایی دگرسانی&rlm;های آرژیلیک، فیلیک و پروپیلیتیک (مرتبط با سامانه) در محدوده&rlm;&rlm;های اکتشافی با ابعاد کوچک و تعیین محدوده تجمع مس پورفیری است. در این راستا، یک الگوریتم برمینای شبکه&rlm;های عصبی&rlm; کانولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش&rlm;پردازش&rlm;&rlm;&rlm;&rlm;&rlm;&rlm;هایی نظیر تصحیح و ترمیم هندسی و طیفی و تقویت داده&rlm;های آموزشی برای آماده&rlm;سازی داده&rlm;های مادون قرمز طول موج کوتاه (<span dir="LTR">SWIR</span>) و رنگی (<span dir="LTR">RGB</span>) سنجنده استر (<span dir="LTR">ASTER</span>) برای ورود به شبکه انجام شد. شبکه عصبی&rlm; کانوولوشنی (<span dir="LTR">CNN</span>) پیشنهادی دارای ساختاری کدگذار<span dir="LTR">-</span>کدگشا می&rlm;باشد که در مرحله کدگذاری ویژگی&rlm;های مختلف و کارآمد در مقیاس&rlm;های متفاوت استخراج شده و در مرحله کدگشایی ویژگی&rlm;های تولید شده برای تخمین مناطق دگرسانی با یکدیگر تلفیق می&rlm;گردند. سپس شبکه مورد نظر برای تصاویر محدوده اکتشافی مورد مطالعه به نام &quot;دهانه گمرکان&quot; واقع در شهرستان جیرفت اجرا شده و مناطق دگرسانی منطقه استخراج شد. برای ارزیابی میدانی نتایج بدست آمده از روش سنگ&rlm;&rlm;شناسی و ژئوشیمیایی روی 84 نمونه استفاده شد. با ادغام نتایج شبکه و استخراج ساختار هندسی دگرسانی&rlm;ها، مکان آن روی نقشه درونیابی عیاری مس و طلای منطقه جانمایی شد. در نتیجه، شناسایی دگرسانی&rlm;های منطقه با دقت آماری پارامترحساسیت: 0_.943 ، امتیاز <span dir="LTR">F1</span>: 0_.472 ، شاخص اشتراک روی اجتماع (<span dir="LTR">IoU</span>): 0_.896 و دقت تشخیص سنگ92 درصد و میانگین عیاری مس بالای 4 درصد در منطقه مورد مطالعه، انجام شد. بر اساس محل حلقه&rlm;های دگرسانی&rlm;های شناسایی شده، نقشه ترانشه&rlm;&rlm;های حفاری جهت استخراج مواد معدنی بدست آمد. <em>One of the applications of remote sensing is to study and classify the alteration areas, which is one of the fastest methods to explore the porphyry copper deposit, determine its accumulation center and location of drilling points. The aim of this study is to identify argillic, phyllite, and propylitic alterations in small exploration ranges and to determine porphyry copper accumulation area as well. In this regard, an algorithm on the basis of deep convolutional cane crusts was designed. In the proposed algorithm, first, preprocessings such as geometric and spectral correction and repairing and training data amplification were performed in order to prepare RGB and SWIR data of the ASTER sensor to enter the chip. The proposed convolutional shear chip (CNN) has a coder-decoder structure that in the coding stage different and efficient features are extracted at different scales and in the decoding stage the generated features are combined to estimate the alteration regions. Then, the desired network was implemented for the images of the studied exploratory area called &quot;Customs Mouth&quot; located in Jiroft city, and the alteration areas of the region were extracted. For field evaluation of the results, lithological and geochemical methods were used on 84 samples. By merging the network results, extracting the geometric structure of the alterations and locating it on the fine copper and gold interpolation map of the region, and examining the lithological results, the alterations of the region with a statistical accuracy of sensitivity parameters: 0.943, F1 score: 0.472, IoU: 0.896 and lithographic detection accuracy 92% and an average copper grade above 4% were identified in these areas.</em><em> The digging trenches map to extract mineral deposits was obtained on the basis of the detected alterations.</em> کانسار مس پورفیری, ساختارهای هندسی, دگرسانی, سنجش‌ازدور, یادگیری عمیق Porphyry copper deposit, Geometric structures, Alteration, Remote sensing, Deep Learning 63 85 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-124-16&slc_lang=fa&sid=1 Ahmad Rajabi احمد رجبی ah.rajabi@ut.ac.ir 10031947532846009265 10031947532846009265 No University of Tehran دانشگاه تهران Reza Shahhoseini رضا شاه حسینی rshahosseini@ut.ac.ir 10031947532846009266 10031947532846009266 Yes University of Tehran دانشگاه تهران