مدل سازی اکتشاف چشمه های نفتی بر مبنای استخراج خصوصیات طیفی آن‌ها

در این پژوهش روشی برای استخراج خصوصیات طیفی چشمه‌های نفتی و اکتشاف آنها با بهره گیری از تصاویر سنجنده oli ماهواره لندست 8 واعمال الگوریتم‌های شبکه عصبی مصنوعی و بیشترین شباهت ارائه شده است. منطقه مطالعاتی محدوده ای از سه استان خوزستان، فارس وکهگیلویه و بویر احمد را در برمی گیرد.. از شاخص‌های طیفی گیاهی، آب، خاک و شاخص‌های تبدیل تسلدکپ در کنار باندهای بازتاب تصاویر بازتابی استفاده شد تا فضای ویژگی مورد نیاز برای اکتشاف چشمه‌های نفتی تولید گردند. برای شناسایی و اکتشاف چشمه‌های نفتی، از تمام عوارض و کاربری‌های موجود در منطقه در کنار چشمه‌های نفتی موجود و شناسایی شده توسط وزارت نفت، بصورت دستی نمونه‌برداری گردید. با استفاده از مقادیر و علامت ویژگی‌ها در نمونه‌های برداشت شده، قابلیت تفکیک‌پذیری چشمه‌های نفتی از سایر کاربری‌ها مورد بررسی قرار گرفت. در ادامه با استفاده از داده‌های آماری بخشی از نمونه ها، آموزش شبکه عصبی پیشخور با 8 لایه پنهان انجام و مورد ارزیابی قرار گرفت. همچنین برآورد پارامترهای مدل برای الگوریتم بیشترین شباهت توسط نمونه‌های استخراج شده انجام گرفت و در نهایت شبکه عصبی آموزش دیده و مدل بیشترین شباهت بر روی ویژگی‌های کل منطقه مطالعاتی اعمال گردید تا مکان‌های احتمالی چشمه‌های نفتی استخراج شوند. نتایج صحت‌سنجی بر اساس داده‌های آزمون نشان داد که شبکه عصبی با ضریب کاپای 92.07% و صحت کلی 99.53 %، چشمه‌های نفتی را از سایر کاربری‌ها تفکیک کرده است اما الگوریتم بیشترین شباهت در جداسازی چشمه‌های نفتی را از سایر کاربری‌ها بسیار ضعیف عمل کرده است بطوریکه ضریب کاپای و صحت کلی آن به ترتیب برابر با 22.93% و 73.35 % می‌باشد. در این پژوهش با بررسی تصویر طبقه‌بندی به دست آمده از شبکه عصبی، 15 نقطه جدید به عنوان مکان‌های احتمالی چشمه‌های نفتی استخراج گردید و بررسی این نقاط توسط تصاویر گوگل، وجود چشمه‌های نفتی در نقاط مشخص شده را تایید کرد.

modeling oil spring exploration based on their spectral characteristics

this research presents a method for extracting the spectral characteristics of oil springs (oil seepages) and their exploration by applying artificial neural networks and maximum likelihood algorithms on landsat 8 oli images. the study area covers three provinces: khuzestan, fars, kohkiluyeh, and boyar ahmad. vegetation, water, soil spectral indices, and tasseled cap transformation outputs along surface reflectance images generated the feature space required to explore oil springs. samples were manually collected from all the features of oil springs to identify and explore oil springs, including different land uses and the existing oil springs already recorded by the ministry of petroleum. the separability of oil spring samples was examined with the help of spectral values and signs of sample features. then, using the statistical data of a part of the samples, the feedforward neural network training with 8 hidden layers was carried out and evaluated. also, the model parameters for the maximum likelihood algorithm were estimated using the extracted samples. finally, the trained neural network and maximum likelihood algorithm were applied to the spectral characteristics of the entire study area to extract the probable locations of the oil springs. the results based on the test data showed that the neural network with a kappa coefficient of 92.07% and an overall accuracy of 99.53% separated the oil springs from other land uses. however, the maximum likelihood algorithm showed poor performance in separating the oil springs from other land uses. the kappa coefficient and its overall accuracy were equal to 22.93% and 73.35%, respectively. by examining the classified image obtained from the neural network, 15 new points were extracted as promising locations for oil springs. these points were verified and confirmed by google earth images.