:: دوره 1، شماره 1 - ( 9-1392 ) ::
جلد 1 شماره 1 صفحات 18-1 برگشت به فهرست نسخه ها
مدل‌سازی تعیین نقاط بهینه حفاری با بهره‌گیری از تصویر ماهواره‌ای Hyperion و شبکه‌های عصبی
امین مهرمنش* ، محمدجواد ولدان‌زوج ، محمودرضا صاحبی ، متین فروتن ، ماهیار سلطانی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (5720 مشاهده)
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.
واژه‌های کلیدی: تصویر فراطیفی، آلتراسیون، مس پورفیری، شبکه عصبی، سنجنده Hyperion
متن کامل [PDF 1399 kb]   (1946 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1393/11/30 | پذیرش: 1393/11/30 | انتشار: 1393/11/30
فهرست منابع
1. [1] خودرس حقيقي، ا.، 1385، پتانسيل‌يابي مس-طلا پورفيري در انديس سربيشه جنوب بيرجند. پايان¬نامه کارشناسي ارشد، دانشکده فني- گروه نقشه‌برداري، دانشگاه تهران.
2. [2] Ranjbar, H., Shahriari, H. & Honarmand, M., 2004. Integration of ASTER and Airborne Geophysical Data for Exploration of Copper Mineralization: A Case Study of Sar Cheshmeh Area. XXth International Society for Photogrammetry and Remote Sensing Congress, 4, 701-706.
3. [3] Frank, J.A. & Ruitenbeek, V., 2006. Mapping White Mica and Their Absorption Wavelengths Using Hyperspectral Band Ratios. Remote Sensing of Environment, 102, 211-222. [DOI:10.1016/j.rse.2006.02.012]
4. [4] Kruse, F. A., 1988. Use of Airborne Imaging Spectrometer Data to Map Minerals Associated with Hydrothermally Altered Rocks in the Northern Grapevine. Mountains, Nevada, and California. Remote Sensing of Environment, 24(1), 31-51. [DOI:10.1016/0034-4257(88)90004-1]
5. [5] نگهباني، س.، 1385. شناسايي اهداف در تصاوير فراطيفي با تأكيد بر مواد معدني. پايان¬نامه کارشناسي ارشد، دانشكده نقشه‌برداري، دانشگاه صنعتي خواجه نصيرالدين طوسي.
6. [6] Carranza, J., 2002. Geographically-Constrained Mineral Potential Mapping. Ph.D. Thesis, Delft University of Technology, The Netherlands, 480 pp.
7. [7] Sahoo, N.R., Jotimani, P. and Tripathy, G.K., 1995. Multi-Criteria Analysis in GIS Environment for Natural Resource Development: A Case Study on Gold Exploration. Tata Infotech ltd.
8. [8] Singer, D.A. and Kouda, R., 1997. Classification of Mineral Deposits into Types Using Mineralogy with a Probabilistic Neural Network. UNonrenewable ResourcesU, 6, 27-32. [DOI:10.1007/BF02816922]
9. [9] Singer, D.A. and Kouda, R.A., 1999. Comparision of the Weights-of-evidence Method and Probabilistic Neural Networks. Natural Resources ResearchU, 8(4), 287-298. [DOI:10.1023/A:1021606417010]
10. [10] Hosseinali, F. and Alesheikh, A.A., 2008. Weighting Spatial Information in GIS for Copper Mining Exploration. Ujournal of Applied ScienceU, 5(9) , 1187-1198. [DOI:10.3844/ajassp.2008.1187.1198]
11. [11] عادلي سرچشمه، ا.، 1388. تهيه نقشه پتانسيل معدني مس با استفاده از GIS در مقياس تفصيلي در يکي از محدوده‌هاي اکتشافي استان کرمان. پايان¬نامه کارشناسي ارشد، دانشکده فني- گروه نقشه‌برداري، دانشگاه تهران.
12. [12] الياسي، غ.، 1388. پتانسيل¬يابي مس در مقياس تفصيلي با استفاده از GIS در يکي از محدوده¬هاي اکتشافي استان کرمان. پايان¬نامه کارشناسي ارشد، دانشکده فني- گروه نقشه برداري، دانشگاه تهران.
13. [13] Sanchez, J.P. et al., 2003. Artificial Neural Network as a Tool for Mineral Potential Mapping with GIS. Journal of Remote Sensing, 24 (5), 1151-1156.
14. [14] Porwal, A. et al., 2004. A Hybrid Neuro – Fuzzy Model for Mineral Potential Mapping. journal of Mathematical Geology, 36(7), 803-826.
15. [15] Girouard, G., 2004. Validated Spectral Angle Mapper Algorithm for Geological Mapping Comparative Study between Quickbird and Landsat-TM. ISPRS conferences.
16. [16] فهيم‌نژاد، ح.، 1384. ارزيابي تفکيک نوع محصولات کشاورزي با استفاده از داده‌هاي سنجش از دور، پايان‌نامه کارشناسي ارشد، دانشکده نقشه‌برداري، دانشگاه صنعتي خواجه نصيرالدين طوسي.
17. [17] Jacob, T., 2007. Partial Unmixing of Hyperspectral Imagery: Theory and Methods. ASPRS Annual conference.
18. [18] مهناج، م.ب.، 1381. مباني شبكه‌هاي عصبي، مركز نشر دانشگاه صنعتي اميركبير.
19. [19] Hagan, M.T., Demuth, H.B. & Beale, M.H., 1996. Neural Networks Design. PWS Publishing Company, Boston.
20. [20] شرکت ملي صنايع مس ايران، 1378. طرح تحقيق و توسعه سيستم اطلاعات جغرافيايي؛ تدوين متدولوژي تعيين نقاط حفاري با استفاده از GIS.
21. [21] Beck, R., 2003. EO-1 User Guide v. 2.3. Department of Geography University of Cincinnati.
22. [22] http:\eo-1.gsfc.nasa.gov, 2001. EO-1 Technology Validation Extended Mission Questionnaire Background Data and Operation Assumptions.
23. [23] حسني‌پاك، ع.ا.، 1379. مدلسازي كانسارهاي فلزي- غيرفلزي و كاربرد اكتشافي آنها. انتشارات دانشگاه تهران.
24. [24] Bishop, C.M., 1995. Neural Networks for Pattern Recognition. 1st edition. Oxford Clarendon.
25. [25] Yugoslavia report, 1972. Report on Explorations for Copper in Now Chun Area. Institute for geological and mining exploration Beograd-Yugoslavia , 1-39.
26. [26] فروتن مقدم، م.، 1388. مکان‌يابي معادن با استفاده از شبکه‌هاي عصبي. پايان‌نامه کارشناسي ارشد، دانشکده نقشه‌برداري، دانشگاه صنعتي خواجه نصيرالدين طوسي.



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 1، شماره 1 - ( 9-1392 ) برگشت به فهرست نسخه ها