اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,325 |
| تعداد مقالات | 9,502 |
| تعداد مشاهده مقاله | 9,474,518 |
| تعداد دریافت فایل اصل مقاله | 5,785,975 |
مقایسه روش‌های مختلف سنجش از دور و مدل‌های شبکه عصبی کانولوشن، ماشین بردار پشتیبان و درخت تصمیم جهت تعیین مناطق مستعد و امیدبخش کانی‌سازی در منطقه سیاه‌چشمه و دیزج، استان آذربایجان غربی | ||
| علوم و فنون سازندگی | ||
| دوره 5، شماره 3 - شماره پیاپی 16، آبان 1403، صفحه 41-60 اصل مقاله (3.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| داود بیکی حسن* 1؛ مسعود اسمعیل زاده2 | ||
| 1دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران | ||
| 2دانشکده مهندسی معدن، دانشگاه ارومیه، ارومیه، ایران | ||
| تاریخ دریافت: 17 اردیبهشت 1401، تاریخ بازنگری: 21 مرداد 1401، تاریخ پذیرش: 19 شهریور 1401 | ||
| چکیده | ||
| امروزه روش‌های مختلف سنجش از دور یکی از کاربردی‌ترین روش‌ها در حوزه اکتشافات معدنی در مناطق کوهستانی، مرزی و فاقد نمونه‌های ژئوشیمی و رسوبات آبراهه معتبر در مرحله شناسایی محسوب می‌گردد. روش‌های طیفی نظیر فیلتر تنظیم پیکسل‌های مخلوط همسان (MTMF)، نقشه بردار زاویه طیفی (SAM) و ناآمیختگی طیفی خطی (LSU) بر اساس طیف هر پیکسل تصویر عارضه‌های مختلف را شناسایی می‌کنند. این مطالعه به منظور تعیین مناطق آلتراسیون، تفکیک سنگ‌ها و کانی‌های مختلف، طبقه‌بندی تصاویر و در نهایت تعیین مناطق مستعد و امیدبخش کانی‌سازی افیولیتی، سرپانتینیت‌ها، هاربورژیت‌های سرپانتینی شده، لیستونیت‌ها، کرومیت و منگنز در محدوده سیاه‌چشمه و دیزج صورت گرفته است. در مرحله پردازش از روش نوین ساعت شنی اتوماتیک (ASH) مبتنی بر روش‌های طیفی مذکور به منظور تعیین مناطق دگرسان شده و تفکیک کانی‌ها استفاده شده است. به منظور طبقه‌بندی تصاویر نیز از روش‌های شبکه عصبی کانولوشن عمیق (CNN)، ماشین بردار پشتیبان (SVM) و درخت تصمیم J48 (DT) استفاده شده است. در نهایت نیز عملکرد مدل‌های مختلف براساس معیارهای ارزیابی مختلف مقایسه و مدل CNN با دقت و صحت 98% نسبت به دو مدل SVM و DT با دقت و صحت 96% به عنوان بهترین مدل برای تهیه نقشه کلاسه‌بندی استفاده شده است. | ||
| کلیدواژه‌ها | ||
| دورسنجی؛ ساعت شنی اتوماتیک؛ شبکه عصبی کانولوشن؛ ماشین بردار پشتیبان؛ درخت تصمیم | ||
| عنوان مقاله [English] | ||
| Comparison of different methods of Remote Sensing and Convolutional Neural Network, Support Vector Machine and Decision Tree to determine high-potential mineralization areas in Siyah-Cheshmeh and Dizaj, West-Azerbaijan province | ||
| نویسندگان [English] | ||
| Davud Beikihassan1؛ Masoud Esmailzadeh2 | ||
| 1department of mining engineering, Isfahan University of Technology, Isfahan, Iran. | ||
| 2Department of mining engineering, Urmia University, Urmia, Iran | ||
| چکیده [English] | ||
| Nowadays, different Remote Sensing methods are one of the most practical methods in the field of mineral exploration in mountainous, border areas and without valid geochemical samples and waterway sediments in recognition phase. Spectral methods such as Mixture Tuned Matched Filtering, Spectral Angle Mapper and Linear Spectral Unmixing. The spectrum of each pixel in the image identifies different effects. This study was conducted to determine the areas of alteration, separation of different rocks and minerals, classification of images and finally to determine high potential areas of Ophiolite mineralization, Serpentinites, serpentinized harbors, Listvenites, Chromite and Manganese in Siahcheshmeh and Dizajj areas. In the processing stage, the new Automated Spectral Hourglass method based on spectral methods has been used in order to determine the altered areas and separate the minerals. In order to classify the images, Deep Convolutional Neural Network (CNN), Support Vector Machine (SVM) and Decision Tree J48 (DT) have been used. Finally, the performance of different models was compared based on different evaluation criteria and the CNN model with 98% accuracy compared to the two SVM and DT models with 96% accuracy has been used as the best model for preparing the classification map. | ||
| کلیدواژه‌ها [English] | ||
| Remote sensing, Automated Spectral Hourglass, Convolutional Neural Network, Support Vector Machine, Decision Tree | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 231 تعداد دریافت فایل اصل مقاله: 287 |
||