ارائه یک الگوریتم چندمرحله‌ای برای شناسایی و تفکیک زون‌های دگرسانی گرمابی در محدوده استان کرمان ماهواره ای aster

پردازش تصاویر سنجش از دور به منظور تفکیک دگرسانی‌های هیدروترمال، در صورت در دسترس نبودن طیف اولیه‌ی پیکسل‌ها، یکی از بحث‌های چالش برانگیز برای محققان است. تحقیق‌های قبلی نشان داده‌اند که تفکیک دقیق زون‌های دگرسانی‌های هیدروترمال از یکدیگر با استفاده از روش‌های مرسوم پردازش تصاویر مبتنی بر خصوصیات طیفی پیکسل‌ها، امکان‌پذیر نمی‌باشد. لذا این تحقیق با ارائه یک الگوریتم چند مرحله‌ای در تلاش است تا زون های دگرسانی هیدروترمال موجود در محدوده غربی استان کرمان را با دقت بالایی شناسایی و تفکیک نماید. جهت رسیدن به این هدف، روش آنالیز مولفه‌های اصلی، مدل فرکتال غلظت مساحت و مدل زمین آماری کریجینگ شاخص کامل (fik) به صورت ترکیبی به کار رفته‌اند. نتایج نشان دهنده دقت بالای مدل fik در شناسایی و تفکیک هر کدام از دگرسانی‌های فیلیک، آرژیلیک و پروپیلیتیک در منطقه مورد مطالعه است. همچنین به‌منظور ارزیابی خطای طبقه‌بندی، ماتریس درهم آمیختگی بررسی شد. نتایج ماتریس در هم آمیختگی بیان‌گر آن است که مدل fik عملکرد خوبی را در رابطه با طبقه‌بندی تصویر داشته است و صحت کل آن برابر با 89.30 درصد می‌باشد. همچنین با توجه به تعداد بالای پیکسل‌های آموزشی زون فیلیک، مدل fik به خوبی توانسته است این نوع دگرسانی را شناسایی نماید.

A multiplestage algorithm to separate hydrothermal alteration zones by ASTER satellite data: A case study from Kerman province

Image processing of remote sensing for separation hydrothermal alteration, in the case of missing initial spectra of pixels, can be a challenge for the researcher. The previous researches has shown that accurate separation of hydrothermal alteration zones using Conventional methods of image processing based on Spectral Properties of pixels, is not possible. Therefore, this research is trying to present a multistage algorithm that identify and discriminate the hydrothermal alteration zones in western part of Kerman province with high accuracy. To achieve this goal, the principal component analysis method, Fractal ConcentrationArea Model and Full Index Kriging (FIK) geostatistical model are used in combination. The results show the high accuracy of the FIK model in identifying and separating each of the phyllic, argillic and propylitic alterations in the study area. Also, to evaluate the classification error, the Confusion matrix was investigated. The results of the Confusion matrix showed that the FIK model performs well in terms of image classification. Also, given the high number of training pixels in the phyllic zone, the FIK model has been able to identify this type of alteration very well.