نگاشت مناطق آلتراسیون با استفاده از مدل آمیخته ی گاوسی و نقشه بردار زاویه طیفی

در ایران باتوجه به وسعت زیاد کشور و گستردگی مناطق پتانسیل دار ذخایر معدنی، شناسایی و مدیریت صحیح ذخایر اهمیت بسیار بالایی دارد. از طرف دیگر به دلیل پیشرفت های فن آوری سنجش از دور و تولید داده های فراطیفی با اطلاعات طیفی فراوان، استفاده از این داده ها جهت مطالعه ی دقیق پدیده ها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیده های سطح زمین در بسیاری از علوم مرتبط با زمین مورد توجه قرار گرفته اند. از آن جایی که بسیاری از مواد معدنی در محدوده مادون قرمز کوتاه ویژگی های طیفی منحصر به فردی دارند، تشخیص و تفکیک آن ها به کمک تصاویر فراطیفی به جهت پهنای باندی بسیار کمی که دارند، بسیار حائز اهمیت است. در این پژوهش قصد داریم به تفکیک مناطق آلتراسیون مرتبط با مس پورفیری به کمک تصاویر فراطیفی هایپریون و با استفاده از دو الگوریتم نقشه بردار زاویه طیفی (sam) و طبقه بندی کننده مدل آمیخته گاوسی بپردازیم. شایان ذکر است که انجام پیش پردازش های لازم بر روی تصاویر فراطیفی هایپریون به دلیل داشتن نسبت سیگنال به نویز پایین، یکی از گام های بسیار ضروری به جهت رسیدن به نتایج مطلوب می باشد. به منظور مقایسه و ارزیابی صحت روش های پیشنهادی در این تحقیق، ابتدا داده تصویری از سنجنده هایپریون مورد استفاده قرار گرفت. همچنین یک داده شبیه سازی شده مورد استفاده قرار گرفت، تا کارایی الگوریتم های مورد استفاده در این تحقیق را نشان دهند. برای ارزیابی نتایج نیز از ماتریس خطا به کمک داده های زمینی استفاده شد و مولفه ها ی دقت کلی و ضریب کاپا به عنوان معیار ارزیابی مورد استفاده قرار گرفتند. دقت کلی و ضریب کاپا برای الگوریتم sam و آمیخته گاوسی به ترتیب معادل با 82% ، 0.75 و 80% ، 0.71 حاصل شد.

Mapping Alteration Zones using Gaussian Mixture Model and Spectral Angle Mapper

Due to the extent of mineral deposits, identification and proper management of resources is very important. According to the advent of remote sensing and specially producing hyperspectral remote sensing data which can get abundant spectral information, using this data for detailed study is rapidly expanding. Launch of the EO1 in November 2000 introduced hyperspectral sensing of the earth from space through the Hyperion system. Hyperion has a single telescope and two spectrometers in visible nearinfrared (VNIR) and shortwave infrared (SWIR). These spectral bands could provide abundant information about many important earthsurface minerals. Therefore one of the main aim of the present study was to examine the feasibility of the EO1 Hyperion data in discriminating and mapping alteration zones around porphyry copper deposits (PCDs). The study area is situated at the Central Iranian VolcanoSedimentary Complex, where the large copper deposits like Sarcheshmeh as well as numerous occurrences of copper exist. The visible near infrared and shortwave infrared (VNIRSWIR) bands of data were used for image classifying and specially alteration mapping. The Preprocessing which was implemented on the level 1R Hyperion data in order to remove noise and acquire surface reflectance includes five steps that named removing uncalibrated bands, spatial displacement correction, destriping, spectral curvature (smile) correction and at last atmospheric correction. It is noticeable that atmospheric correction, because of using the target detection algorithm, SAM, is one of the most important step in this study. Therefore the Fast Lineofsight Atmospheric Analysis of Spectral Hypercubes (FLAASH) algorithm, available in ENVI software, was implemented to obtain surface reflectance data. This algorithm is a MODTRAN4based atmospheric correction software package designed to eliminate atmospheric effects through derivation of atmospheric properties such as surface albedo, surface altitude, water vapor column, aerosol, and cloud optical depths, as well as surface and atmospheric temperatures from hyperspectral data. In this paper Spectral Angle Mapper (SAM) and Gaussian Mixture Model (GMM) were implemented on preprocessed and calibrated Hyperion dataset. For using SAM algorithm, introducing reference spectra is obligatory. Information extraction from a Hyperion data set involves several processes including extraction of scene spectral endmembers using an integration of MNF, pixel purity index (PPI), and ndimensional visualizer approaches. Then the extracted spectra which characterized using spectral analysis procedure available at ENVI and visual inspection, were used as reference for subsequent processing by SAM algorithm. On the other hand Gaussian mixture model (GMM) has been successfully used for HSI classification. It has also proved beneficial for a variety of classification tasks, such as speech and speaker recognition, clustering, etc. For estimating the parameters of GMM, the ExpectationMaximization (EM) algorithm was used. In order to compare and assess the accuracy of methods proposed in this study, a simulated data used to demonstrate the efficiency of algorithms which used in this study. Results revealed that Hyperion data prove to be powerful in discriminating and mapping various types of alteration zones while the data were subjected to adequate preprocessing. Overall accuracy and kappa coefficient for results of SAM and GMM are 82%, 0.75 and 80%, 0.71 respectively.