جزوه رنگی و تایپ شده نقشه برداری معدنی
احمد قربانی دانشگاه پیام نور علمی کاربردی رحمت الله استوار دانشگاه آزاد الهام ساعينيا کارشناسی ارشد محم جزوه ضا
ً - ()، () – - ٪ :؛ ; ؛ () [ 1 ، 2 ]، [ 3 ، 4 ]، [ 5 ، 6 ]، [ 7 ، 8 ]، [ 9 ] ] [ 14 , 15 , 16]. ً، [ 17 ، 18 ، 19 ]. -[ 20 ].
[ 21 ] [ 22 ] ً، () [ 23 ، 24 ]. [ 25 ، 26 ، 27 ].
()، () (). [ 28 ]، ً [ 29 ]. () () [ 30 ، 31 ]. : ( ). [ 32 ]، [ 33 ] : -( ) [ 33 ]. ( ) [ 33 ].
( ). [ 34 ، 35 ].
[ 35 ].
[ 36 ، 37 ، 38 ، 39 ]. —-[ 32 ، 1 ، 4 ، 4 ، 4 ، 4 ، 4 ، 4 و 4 ] . [ 42 ، 46 ]]. [ 47 ، 48 ]. [ 21 ].
ً -() () ()، [ 49 ] () () ().
()، -() :() [ 50 ]، [ 51 ] -[ 52 ، 53 ]. () ()
-ً -[ 44 ]. [ 37 ، 54 ] ( ) [ 10 , 55] [ 56 ]. ً ( ) () [ 57 ] [ 25 ] است.
مواد معدنی 10 00967 g004 550شکل 4. نقشه های حداقل جذب مخلوط های تهیه شده در آزمایشگاه (فراوانی نشان داده شده در جدول 1 ). اعداد نمونه به جدول 1 مراجعه کنید .
سه تکنیک طبقه بندی مقایسه شدند. Spectral Angle Mapper (SAM) پیکسل های تصویر را با در نظر گرفتن هر پیکسل و طیف مرجع (عضو انتهایی) به عنوان یک بردار در فضایی با ابعاد برابر با تعداد باندهای تصویر طبقه بندی می کند [ 58 ]. زاویه بین هر بردار پیکسل و بردار مرجع برای تولید یک تصویر طبقه بندی بر اساس یک آستانه تعریف شده توسط کاربر استفاده می شود. این تکنیک نسبتا ساده است و می تواند از داده های آموزشی از منابع مختلف استفاده کند. زمان محاسبات معمولاً کوتاه است.
ماشین بردار پشتیبان (SVM) تکنیکی است که از تئوری یادگیری آماری مشتق شده است، که طبقات را با سطح تصمیم گیری جدا می کند که مرز بین کلاس ها را به حداکثر می رساند [ 59 ، 60 ، 61 ]. بردارهای پشتیبان یا نقاط داده نزدیک به سطح تصمیم، عناصر مجموعه آموزشی هستند. مطالعات قبلی گزارش میدهند که این تکنیک نتایج قابل اعتمادی را با دادههای پر سر و صدا به همراه میآورد، اگرچه زمان آموزش بسته به مقدار دادههای آموزشی ورودی میتواند طولانی باشد [ 62 ]. یک اشکال در الگوریتم SVM عملکرد ضعیف گزارش شده آن در طبقه بندی داده های فراطیفی با مدلی است که از داده های آموزشی مستقل [ 63 ] آموخته شده است، به طور بالقوه به دلیل تفاوت در روشنایی [ 64 ]]. یک تابع هسته برای تعیین وزن نقاط نزدیک برای طبقه بندی استفاده می شود. برای مطالعه حاضر از تابع پایه شعاعی استفاده شد. یک آستانه احتمال 0.5 برای این مثال ها تعیین شد، به طوری که حداقل 50٪ از باندها باید با کلاسی که قرار است اختصاص داده شود مطابقت داشته باشد.
پیادهسازی طبقهبندی شبکه عصبی در ENVI یک تکنیک طبقهبندی پیشخور لایهای با انتشار پسپشت خطا برای یادگیری نظارتشده است. وزن ها در گره به گونه ای تنظیم می شوند که تفاوت بین فعال سازی گره خروجی و ورودی به حداقل برسد. سهم آستانه تمرین برای تعیین اندازه سهم وزن داخلی تنظیم می شود و برای تنظیم تغییرات وزن داخلی استفاده می شود [ 65 ]. وزن بزرگتر منجر به تعمیم جزوه نقشه برداری معدنی اما طبقه بندی دقیق تر می شود. برای این کار، سهم آستانه آموزشی 0.95 پس از آزمایش چندین مقدار دیگر تعیین شد. طبقه بندی شبکه های عصبی غیرخطی حداقل به یک لایه پنهان نیاز دارد و تعداد لایه های پنهان مورد نیاز به پیچیدگی سطح تصمیم گیری برای طبقه بندی بستگی دارد.59 ]. حداقل آستانه فعال سازی خروجی روی 0.5 تنظیم شد، به طوری که اگر مقدار فعال سازی یک پیکسل برای هر کلاس معین کمتر از 0.5 باشد، طبقه بندی نشده باقی می ماند.
3. نتایج
نقشه برداری معدنی
3.1. سازند ادواردز، تگزاس مرکزی، ایالات متحده آمریکا
ارزیابی مخلوط های معدنی برای عمق جذب و حداقل مکان بین 2210 جزوه نقشه کشی اجرایی و 2400 نانومتر، روابط بین فراوانی مواد معدنی و ویژگی های طیفی را آشکار کرده است ( شکل 4 ). فراوانی بالاتر کلسیت با مرکز باند جذب در طول موجهای بلندتر ارتباط دارد و بیشترین فراوانی چرت مربوط به عمق جذب کمتر در این ناحیه طیفی است.
آستانه هایی برای فراوانی کلسیت، دولومیت و چرت از مخلوط های معدنی تهیه شده در آزمایشگاه تعیین شد ( جدول 1)) اینها برای طبقه بندی تراشه های سنگی بر اساس نسبت سنگ / مواد معدنی استفاده شدند. تفاوت فراوانی بین 0.2% تا 18% برای کلسیت، 1% تا 26% برای دولومیت و 0 تا 23% برای چرت متغیر است. چندین توضیح برای تفاوت در فراوانی بین ). ( )، ( ) ( ).
( ) ( ) اعداد نمونه به جدول 1 مراجعه کنید .
مواد معدنی 10 00967 g008 550شکل 8. تراشه های سنگی از سرریز دریاچه جورج تاون: ( 1 – 15a ) در کامپوزیت های رنگ کاذب RGB 2102، 2334 و 2397 نانومتر و ( 1-15b ) با موقعیت های حداقل طول موج نقشه برداری شده است. ( 1 – 15c ) نگاشت زاویه طیفی، ( 1 – 15d ) ماشین بردار پشتیبان و ( 1 – 15e ) طبقه بندی شبکه عصبی.
تصویر حداقل طول موج برای تولید یک نمونه تصادفی 300 پیکسل در هر کلاس برای آموزش طبقهبندیکنندههای SAM، SVM و شبکه عصبی استفاده شد. دقت طبقه بندی با استفاده از ماتریس های سردرگمی [ 66 ]، با تصویر مرکز نوار جذب به عنوان مرجع جزوه نقشه برداری معدنی شد. برای نمونههای Edwards Limestone، SVM نمونههای کربناته را با دقت بیشتر (84.4%) و ضریب کاپا (0.82) نسبت به SAM و Neural Network (به ترتیب 56.2%؛ 0.48 و 66.4%؛ 0.59) طبقهبندی کرد. هدف، تمایز موادی بود که از نظر طیفی متمایز نبودند و تنها با تفاوتهای جزئی در مکانهای جذب، و اشکال طیفی کلی مشابه تفاوت داشتند. زیرا SVM برای تعریف توابع بر اساس داده های آموزشی واقع در نزدیکی مرزهای تصمیم بهینه شده است [ 67 ]]، احتمالاً دقیقترین تکنیک از سه روشی است که برای جدا کردن کلاسهای مشابه طیفی تلاش شد. SVM قبلاً برای طبقهبندی خاکها و مواد کربناته در تصاویر فراطیفی [ 68 ] استفاده میشد و در سیاهههای مربوط به پتروفیزیک برای مشخص کردن رخسارههای مخزن کربناته استفاده میشد [ 69 ]. SAM کمترین دقت کلی را داشت، احتمالاً به دلیل تکیه آن بر شکل منحنی برای جداسازی طبقات.
HSI مبتنی بر آزمایشگاه میتواند تخمینهایی از فراوانی مواد معدنی ارائه دهد که با شمارش نقطهای قابل مقایسه است ( شکل 6 )، اگرچه هر دو تکنیک از کاستیهای خاصی رنج می[ 70 , 71 ]] [ 72 ]
فهرست مطالب