مطالعات دورسنجی با استفاده از آنالیز طیفی در محدوده معدنی کائولن زنوز به منظور تعیین گستره ماده معدنی

معرفی مناطق امیدبخش جدید در اطراف کانسارهای شناخته شده، یکی از اهداف مهم برای مدیران و صاحبان معادن فعال می باشد. در این راستا، استفاده از داده‌های دورسنجی مالتی اسپکترال به دلیل در دسترس بودن و هزینه‌های پایین آنها در مطالعات زمین شناسی، اکتشاف کانی‌ها و به نقشه در آوردن آلتراسیونها از طرف مهندسین اکتشاف از اولویت برخوردار است. در این مطالعه گسترش ماده معدنی در اطراف ذخیره اصلی کائولن زنوز با استفاده از دو نوع داده لندست 8 و استر بررسی می شود. معدن کائولن زنوز به عنوان بزرگترین معدن کائولن خاورمیانه، در شهرستان مرند استان آذربایجانشرقی واقع شده است. در این مطالعه همچنین سعی شده است مقایسه‌ای بین نتایج داده لندست 8 و استر انجام گیرد. در مطالعه حاضر، ابتدا پیش پردازش داده ها شامل تصحیح اتمسفری و تصحیح توپوگرافی و حذف اثر پوشش گیاهی انجام شد. سپس با استفاده از آنالیز طیفی، طیف کانی‌های اصلی در منطقه شناسایی شد و در نهایت با استفاده از روش کلاس بندی شبکه عصبی، به عنوان یک روش غیرخطی و نظارت شده فراوانی کانی‌ها به نقشه در آمد. جهت اعتبار سنجی نتایج از دو روش اعتبار سنجی مجازی و نمونه برداری صحرایی استفاده شد. نتایج به دست آمده بیانگر آنست که استفاده از داده‌های به کار برده شده در اکتشاف کائولن بسیار موفقیت آمیز بوده و همچنین چند منطقه پر پتانسیل برای مطالعات تفصیلی پیشنهاد شد.

Mineral Mapping in Zonouz Region Using MultiSpectral Remote Sensing Data to Identify the Kaolin Extension

AbstractExploration of the new mineral deposits around the existing mines is an important objective in mining industry. Using multispectral remote sensing images, due to their diversity and vast availability is a useful tool to meet this purpose. In this research, the Zonouz region was investigated for discovering new high potential kaolinite mineralization areas using Landsat8 and ASTER data. Zonouz kaolin mine which is located in Marand county, EastAzarbaijan, is the biggest kaolin deposit in the MiddleEast. In the current research, the capability of Landsat8, as a new generation multispectral data, and ASTER data were examined in mineral detection. At first, the preprocessing of data, i.e. atmospheric and topographic corrections and elimination of the vegetation cover were carried out. Then, the spectral profiles of the endmembers of the study area datasets were extracted. Identification of the extracted endmembers was done by comparison of the unknown spectra with reference spectra of the USGS spectral library, and 3 minerals including kaolinite, quartz, and Febearing minerals were identified. Finally, the distribution maps of the identified minerals were extracted by using of the artificial neural networks, as a nonlinear supervised method. To the best of our knowledge, the applied neural networks structure has not been implemented on LANDSAT 8 and ASTER data earlier. This research is also the first implementation of LANDSAT 8 and ASTER data in Zonouz kaolin region for extension mapping of the kaolin. Two different approaches including virtual verification and field sampling were applied for validation of the results. According to the Findings of this research, both of ASTER and Landsat8 datasets proved successfulness for identifying the kaolinite; but the Landsat 8 data exhibited better performance in detecting and mapping of the quartz and hematite. Finally, 6 promising areas were determined as high potential zones of kaolinite mineralization for future studies.