نقشه‌برداری دگرسانی‌های مرتبط با کانسارهای مس پورفیری با استفاده از تصاویر چند طیفی استر بر مبنای یادگیری عمیق

یکی از کاربردهای سنجش از دور، بررسی نواحی دگرسانی و طبقه‏بندی آن‏ها است که یکی از سریعترین روش‏ها برای اکتشاف سامانه مس پورفیری، تعیین مرکز تجمع آن و جانمایی نقاط حفاری هستند. هدف از این تحقیق شناسایی دگرسانی‏های آرژیلیک، فیلیک و پروپیلیتیک (مرتبط با سامانه) در محدوده‏‏های اکتشافی با ابعاد کوچک و تعیین محدوده تجمع مس پورفیری است. در این راستا، یک الگوریتم برمینای شبکه‏های عصبی‏ کانولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش‏پردازش‏‏‏‏‏‏هایی نظیر تصحیح و ترمیم هندسی و طیفی و تقویت داده‏های آموزشی برای آماده‏سازی داده‏های مادون قرمز طول موج کوتاه (swir) و رنگی (rgb) سنجنده استر (aster) برای ورود به شبکه انجام شد. شبکه عصبی‏ کانوولوشنی (cnn) پیشنهادی دارای ساختاری کدگذار-کدگشا می‏باشد که در مرحله کدگذاری ویژگی‏های مختلف و کارآمد در مقیاس‏های متفاوت استخراج شده و در مرحله کدگشایی ویژگی‏های تولید شده برای تخمین مناطق دگرسانی با یکدیگر تلفیق می‏گردند. سپس شبکه مورد نظر برای تصاویر محدوده اکتشافی مورد مطالعه به نام دهانه گمرکان واقع در شهرستان جیرفت اجرا شده و مناطق دگرسانی منطقه استخراج شد. برای ارزیابی میدانی نتایج بدست آمده از روش سنگ‏‏شناسی و ژئوشیمیایی روی 84 نمونه استفاده شد. با ادغام نتایج شبکه و استخراج ساختار هندسی دگرسانی‏ها، مکان آن روی نقشه درونیابی عیاری مس و طلای منطقه جانمایی شد. در نتیجه، شناسایی دگرسانی‏های منطقه با دقت آماری پارامترحساسیت: 0.943 ، امتیاز f1: 0.472 ، شاخص اشتراک روی اجتماع (iou): 0.896 و دقت تشخیص سنگ92 درصد و میانگین عیاری مس بالای 4 درصد در منطقه مورد مطالعه، انجام شد. بر اساس محل حلقه‏های دگرسانی‏های شناسایی شده، نقشه ترانشه‏‏های حفاری جهت استخراج مواد معدنی بدست آمد.

mapping alterations associated with porphyry copper ores using aster multispectral imaging based on deep learning

one of the applications of remote sensing is to study and classify the alteration areas, which is one of the fastest methods to explore the porphyry copper deposit, determine its accumulation center and location of drilling points. the aim of this study is to identify argillic, phyllite, and propylitic alterations in small exploration ranges and to determine porphyry copper accumulation area as well. in this regard, an algorithm on the basis of deep convolutional cane crusts was designed. in the proposed algorithm, first, preprocessings such as geometric and spectral correction and repairing and training data amplification were performed in order to prepare rgb and swir data of the aster sensor to enter the chip. the proposed convolutional shear chip (cnn) has a coder-decoder structure that in the coding stage different and efficient features are extracted at different scales and in the decoding stage the generated features are combined to estimate the alteration regions. then, the desired network was implemented for the images of the studied exploratory area called customs mouth located in jiroft city, and the alteration areas of the region were extracted. for field evaluation of the results, lithological and geochemical methods were used on 84 samples. by merging the network results, extracting the geometric structure of the alterations and locating it on the fine copper and gold interpolation map of the region, and examining the lithological results, the alterations of the region with a statistical accuracy of sensitivity parameters: 0.943, f1 score: 0.472, iou: 0.896 and lithographic detection accuracy 92% and an average copper grade above 4% were identified in these areas. the digging trenches map to extract mineral deposits was obtained on the basis of the detected alterations.