مقایسه الگوریتم‌های ماشین برداری پشتیبان و نقشه‌بردار زاویه طیفی در جداسازی دگرسانی‌های منطقه پاریز، استان کرمان

نویسندگان

1 کارشناسی ارشد اکتشاف معدن، دانشگاه صنعتی امیرکبیر، تهران

2 دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران

3 استادیار، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران

چکیده

یکی از روش‌های اکتشاف منابع معدنی، استفاده از نقشه‌های پتانسیل کانی‌زایی است، این نقشه‌ها عمدتا با استفاده از تلفیق نقشه‌های نشانگر حاصل از داده‌های سنجش از دور، ژئوشیمی و ژئوفیزیک تهیه می‌‌شوند. نقشه‌های نشانگر حاصل از داده‌های سنجش از دور عمدتا با توجه به پراکندگی دگرسانی‌های موجود در منطقه تهیه می‌شوند، به همین دلیل مشخص کردن نوع و پراکندگی دگرسانی‌های موجود در منطقه نقش مهمی را در تهیه نقشه‌های پتانسیل کانی‌زایی ایفا می‌کند و با توجه به استفاده روز­افزون ذخایر مس پورفیری در صنعت و همچنین اهمیت مناطق دگرسانی مرتبط با کانسارهای پورفیری در اکتشاف این تیپ از کانسارها، در این مطالعه به بررسی روش‌های نقشه‌برداری و تفکیک مناطق دگرسانی با استفاده از الگوریتم‌های ماشین برداری پشتیبان و نقشه‌بردار زاویه طیفی در ذخایر مس پورفیری پرداخته شد. تفکیک مناطق دگرسانی در ذخیره‌های معدنی با توجه به مقایسه بین نمودار طیفی آزمایشگاهی کانی‌های مشخصه مناطق دگرسانی، با نمودار طیفی آن‌ها که از تصاویر سنجنده‌ها به دست آمده است، انجام می‌شود. در این مطالعه از اطلاعات سنجنده استر برای کلاسه‌بندی و جداسازی مناطق دگرسانی استفاده شده است که پس از انجام پیش‌پردازش‌ها بر روی اطلاعات و تصاویر سنجنده، از روش‌های نسبت باندی و آنالیز مولفه‌های اصلی برای نمایش و مشخص کردن مناطق دگرسانی استفاده و بعد از مشخص کردن مناطق دگرسانی، از الگوریتم‌های ماشین برداری پشتیبان و نقشه‌بردار زاویه طیفی برای جداسازی و طبقه‌بندی مناطق دگرسانی استفاده شد. از نتایج مربوط به روش نسبت ‌باندی برای آموزش و طبقه‌بندی الگوریتم‌های ماشین برداری پشتیبان با تابع هسته پایه شعاعی و الگوریتم نقشه‌بردار زاویه طیفی استفاده شد، سپس برای مقایسه دو مدل و طبقه‌بندهای انجام شده با الگوریتم‌ها، از نتایج روش آنالیز مولفه‌های اصلی استفاده شد. مقایسه انجام شده بین مدل‌های ماشین برداری پشتیبان و نقشه‌بردار زاویه طیفی نشان داد که مدل تهیه شده با الگوریتم نقشه بردار زاویه طیفی دارای میزان مشابهت 89 درصد و الگوریتم ماشین برداری پشتیبان دارای میزان شباهت 81 درصد است. در نهایت با توجه به نتایج به دست آمده، برای تهیه نقشه‌های نشانگر حاصل از دگرسانی‌های پروپلیتیک و آرژیلیک از مناطق مشخص شده به وسیله الگوریتم ماشین برداری پشتیبان و برای تهیه نقشه نشانگر حاصل از دگرسانی فیلیک از مناطق مشخص شده با الگوریتم نقشه‌بردار زاویه طیفی استفاده شد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of support vector machines and spectral angle mapper algorithms for Alteration mapping in Pariz area, Kerman province

نویسندگان [English]

  • P. Javandel 1
  • H. Hassani 2
  • A. Maghsodi 3
1 M.Sc Student, Amirkabir University of Technology, Tehran
2 Associate Professor, Amirkabir University of Technology, Tehran
3 Assistant Professor, Amirkabir University of Technology, Tehran
چکیده [English]

Exploration of mineral resources by using remote sensing techniques is done in different ways. One way is to use alteration mapping. In this study, Spectral angle mapper and Support vector machine algorithms were used to separate alterations of porphyry copper deposit. ASTER is an advanced multispectral imager that covers a wide spectral region from the visible to the thermal infrared with high spatial, spectral and radiometric resolution. In this study Aster data and spectral angle mapper and support vector machine algorithms were used to classify the alteration zones. The support vector machine (SVM) is a supervised classification increasingly used in geological mapping. It aims to assign the pixels of the image to classes through an optimal hyperplane and separating them, so that the margin between the two classes becomes maximal. Band ratio and principal component methods used to highlight the alteration zones. Th results of the band ratio method were used as training data and the result of principal component analysis were used as testing data . The similarities of support vector machine and spectral angle mapper algorithm with principal component analysis results are equal to 81% and 89%, respectively.

کلیدواژه‌ها [English]

  • Porphyry copper
  • Classification and Separation
  • Support vector machine
  • Spectral angle mapper
  • Alteration zone
[1]     Sillitoe, R. (2010). “Porphyry Copper Systems”. Economic Geology, 105: 3-41.

[2]     Berger, B. R., Ayuso, R. A., Wynn, J. C., and Seal, R. R. (2008). “Preliminary Model of Porphyry Copper Deposits”. U.S.Geological Survey Open-File Report 2008–1321, p. 55.

[3]     علوی‌پناه، ک.؛ 1385؛ "کاربرد سنجش از دور در علوم زمین". تهران، انتشارات دانشگاه تهران.

[4]     یوسفی‌زاده، ا.، نوروزی، غ.، دولتی، ف.، ضیایی، م.؛ 1391؛ "استفاده از روشهای MFوLS-Fit جهت بارزسازی مناطق دگرسانی گرمابی مرتبط با کانیسازی مس پورفیری در منطقه جبالبارز". علوم زمین.

[5]     Rowan, L. C., Schmidt, R. G., and Mars, J. C. (2006). “Distribution of hydrothermally altered rocks in the Reko Diq, Pakistan mineralized area based on spectral analysis of ASTER data”. Remote Sensing of Environment, 104: 74–87.

[6]     Beiranvand Pour, A., and Hashim, M. (2012). “Identifying areas of high economic-potential copper mineralization using ASTER data in the Urumieh–Dokhtar Volcanic Belt, Iran”. Advances in Space Research, 49: 753-769.

[7]     Di Tommaso, I., and Rubinstein, N. (2007). “Hydrothermal alteration mapping using ASTER data in the Infiernillo porphyry deposit, Argentina”. Ore Geology Reviews, 32: 275–290.

[8]     Rowan, L. C., and Mars, J. (2003). “Lithologic mapping in the Mountain Pass, California area using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data”. Remote Sensing of Environment, 84(3): 350-366.

[9]     Mars, J. C., and Lawrence, R. C. (2010). “Spectral assessment of new ASTER SWIR surface reflectance data products for spectroscopic mapping of rocks and minerals”. Remote Sensing of Environment, 114: 2011–2025.

[10]  Moghtaderi, A., Moore, F., and Mohammadzadeh, A. (2007). “The application of advanced space-borne thermal emission and reflection (ASTER) radiometer data in the detection of alteration in the Chadormalu paleocrater, Bafq region, Central Iran”. Journal of Asian Earth Sciences, 30: 238–252.

[11]  Beiranvand Pour, A., and Hashim, M. (2014). “ASTER, ALI and Hyperion sensors data for lithological mapping and ore minerals exploration”. springerplus, 3: 1-19.

[12]  Ahmad, T., and Posht Kuhi, M. (1993). “Geochemistry and petrogenesis of Urumiah- Dokhtar volcanic belt around Nain and Rafsanjan areas: a preliminary study”. Iranian Ministry of Mines (Report), Tehran.

[13]  Berberian, F., and Berberian, M. (1981). “Tectono-Plutonic Episodes in Iran. Zagros, Hindu Kush, Himalaya: Geodynamic Evolution”. American Geophysical Union & Geological Society of America, 3: 5-32.

[14]  Hassanzadeh, J. (1993). “Metallogenic and Tectonomagmatic Events in the SE Sector of the Cenozoic active continental margin of central Iran (Shahr e Babak area, Kerman Province)”. University of California, Los Angeles.

[15]  Abedi, M., Norouzi, G. -H., and Fathianpour, N. (2013). “Fuzzy outranking approach: A knowledge-driven method for mineral”. International Journal of Applied Earth Observation and Geoinformation, 21: 556-567.

[16]  Abedi, M., Torabi, S., Norouzi, G. -H., Hamzeh, M., and Elyasi, G. -R. (2012). “PROMETHEE II: A knowledge-driven method for copper exploration”. Computers & Geosciences, 46: 255-263.

[17]  Abedi, M., Norouzi, G. -H., and Bahroudi, A. (2012). “Support vector machine for multi-classification of mineral prospectivity areas”. Computers & Geosciences, 46: 272-283.

[18]  Abedi, M., and Norouzi, G. -H. (2012). “Integration of various geophysical data with geological and geochemical data to determine additional drilling for copper exploration”. Journal of Applied Geophysics, 83: 35-45.

[19]  Abedi, M., Torabi, S., Norouzi, G. -H., and Hamzeh, M. (2012). “ELECTRE III: A knowledge-driven method for integration of geophysical data with geological and geochemical data in mineral prospectivity mapping”. Journal of Applied Geophysics, 87: 9-18.

[20]  Abedi, M., Norouzi, G. -H., and Fathianpour, N. (2015). “Mineral potential mapping in Central Iran using fuzzy ordered weighted averaging method”. Geophysical Prospecting, 63: 461-477.

[21]  Agard, P., Omrani, J., Jolivet, L., and Mouthereau, F. (2005). “Convergence history across Zagros (Iran): constraints from collisional and earlier deformation”. International Journal of Earth Sciences, 94: 401-419.

[22]  Bedini, E. (2011). “Mineral mapping in the Kap Simpson complex, central East Greenland, using HyMap and ASTER remote sensing data”. Advances in Space Research, 47: 60-73.

[23]  Beiranvnd pour, A., and Hashim, M. (2011). “Identification of hydrothermal alteration minerals for exploring of porphyry copper deposit using ASTER data, SE Iran”. Journal of Asian Earth Sciences, 42(6): 1309-1323.

[24]  Gabr, S., Ghulam, A., and Kusky, T. (2010). “Detecting areas of high-potential gold mineralization using ASTER data”. Ore Geology Reviews, 38: 59-69.

[25]  Abedi, M., Norouzi, G. -H., and Bahroudi, A. (2012). “Support vector machine for multi-classification of mineral prospectivity areas”. Computers & Geosciences, 46: 272-283.

[26]  Zuo, R., and Carranza, E. M. (2011). “Support vector machine: A tool for mapping mineral prospectivity”. Computers & Geosciences, 37: 1967-1975.

[27]  Yu, L., Porwal, A., Holden, E. -J., and Dentith, M. C. (2012). “Towards automatic lithological classification from remote sensing data using support vector machines”. Computers & Geosciences, 45: 229-239.

[28]  Honarmand, M., Ranjbar, H., and Shahabpour, J. (2011). “Application of Principal Component Analysis and Spectral Angle Mapper in the Mapping of Hydrothermal Alteration in the Jebal–Barez Area, Southeastern Iran”. Resource Geology, 62: 119-139.

[29]  Mars, J. C., and Rowan, L. C. (2006). “Regional mapping of phyllic- and argillic-altered rocks in the Zagros magmatic arc, Iran, using Advanced Spaceborne Thermal Emission and Refl ection Radiometer (ASTER) data and logical operator algorithms”. U.S. Geological Survey, 2(3): 161-186.

[30]  Shahriari, H., Honarmand, M., and Ranjbar, H. (2015). “Comparison of multi-temporal ASTER images for hydrothermal alteration mapping using a fractal-aided SAM method”. International Journal of Remote Sensing, 36(5): 1271-1289.

[31]  Salimi, A., Ziaii, M., Hosseinjani Zadeh, M., Amiri, A., and Sadegh, K. (2015). “High performance of the support vector machine in classifying hyperspectral data using a limited dataset”. International Journal of Mining and Geo-Engineering (IJMGE), 49(2): 253-268.

[32]  YAJIMA, T. (2014). ASTER Data Analysis Applied to Mineral Resource Exploration and Geological Mapping ”. Nagoya University, Nagoya, p. 20.

[33]  Adiri, Z., El Harti, A., Jellouli, A., Maacha, L., and Bachaoui, E. (2016). “Lithological mapping using Landsat 8 OLI and Terra ASTER multispectral data in the Bas Drâa inlier, Moroccan Anti Atlas”. Journal of Applied Remote Sensing, 10: 50-62.

[34]  Mountrakis, G., Im, J., and Ogole, C. (2011). “Support vector machines in remote sensing: A review”. ISPRS Journal of Photogrammetry and Remote Sensing, 66: 247-259.

[35]  Abedi, M., Gholami, A., and Nourozi, G. -H. (2013). “A stable downward continuation of airborne magnetic data: A case study for mineral prospectivity mapping in Central Iran”. Computers & Geosciences, 52: 269-280.