شناسایی پتانسیل‌های معدنی مرتبط با ساختارهای زمین شناسی با تکیه بر یادگیری عمیق

امروزه هوش مصنوعی به عنوان یکی از ابزارهای قدرتمند در صنایع مختلف مورد استفاده قرار می گیرد. در سال های اخیر استفاده از آن در جنبه‌های گوناگون علوم زمین رشد چشم گیری داشته است. ساختارهای زمین شناسی نقش انکار ناپذیری در تشکیل پتانسیل های معدنی دارند. بررسی نقش این ساختارها بر مبنای مشاهدات تصاویر و داده های ماهواره ای و همین طور نظر متخصص انجام می گیرد که فرایندی بسیار زمان بر می باشد. هوش مصنوعی می‌تواند ابزاری مفید جهت کوتاه شدن این زمان و افزایش دقت شناسایی پتانسیل‌های معدنی، به شمار آید. در این مقاله یک مدل جدید بر اساس شبکه های عصبی عمیق جهت شناسایی پتانسیل های معدنی ارائه می‌شود. ویژگی خاص روش پیشنهادی استفاده از داده‌های توپوگرافی در کنار تصاویر ماهواره‌ای چند طیفی است. به منظور ارزیابی روش پیشنهادی تصاویر ‌ماهواره‌ای استر مربوط به منطقه ای در جنوب شرق ایران استفاده شده است. نتایج به دست آمده نشان دهنده افزایش دقت روش پیشنهادی در مقایسه با روش‌های مشابه می‌باشد.

identifying mineral potentials related to geological structures based on deep learning

artificial intelligence nowadays is being used as a powerful tool in various industries. in recent years, its application in different aspects of earth sciences has had remarkable growth. geological structures play an undeniable role in the formation of mineral potentials. the investigation of these structures is carried out based on observations of satellite images, satellite data, and expert opinions, which is a time-consuming process. artificial intelligence can be a useful tool to shorten this time and increase the accuracy of mineral potential identification. in this article, a new model based on deep neural networks is proposed for identifying mineral potentials. the particular feature of the proposed method is the use of topographic data alongside multispectral satellite images. in order to evaluate the proposed method, satellite images related to a specific area in southeast iran are used. the obtained results demonstrate an increase in the accuracy of the proposed method compared to similar approaches.