تعيين لبه داده هاي ميدان گراني با استفاده از روش آماري CCMS

Edge detection of gravity anomalies using CCMS statistical method

تعيين لبه يك تفسير كيفي و روشي سريع براي بدست آوردن اطلاعات از بي هنجاري‌هاي مولد ميدان گراني است. در تعيين لبه دقت در برآورد مرز بي هنجاري‌ها و تفكيك بي هنجاري‌هاي كه دامنه آنها با هم تداخل دارد بسيار مهم است. از جمله معايب روش‌هاي تعيين لبه، حساس بودن به نوفه؛ حساس بودن به عمق بي هنجاري، برآورد لبه بزرگتر از مقدار واقعي، عدم تفكيك بي هنجاري‌ها و .. است. به همين دليل روش‌هاي متنوعي براي تعيين لبه معرفي شده است. بيشتر روش‌هاي تعيين لبه بر پايه گراديان‌ها قرار دارند. گراديان‌ها به نوفه حساس هستند. به منظور افزايش دقت در تعيين لبه از روش‌هاي آماري استفاده شده است. روش نيمه آماري NSTD و روش‌ كاملا آماري CCMS از جمله آنها هستند. در اين مقاله از روش‌هاي بر پايه گراديان مشهور زوايه تتا (Theta)، گراديان كل افقي (THD)، زوايه تيلت (Tilt angle)، زوايه تيلت هذلولوي (HTA)، روش نوين برپايه گراديان NTHD، روش نيمه آماري NSTD و روش‌ كاملا آماري CCMS در تعيين لبه داده‌هاي مصنوعي و واقعي استفاده شده است. قضاوت اينكه كدام روش جواب بهتري در همۀ داده‌ها گراني دارد، كمي دشوار است اما در اين مقاله با در نظر گرفتن شرايطي مانند نوفه‌اي، بي هنجاري‌هاي تداخل يافته، دقت لبه برآوردي و تاثير عمق بي هنجاري در تعيين لبه توانايي روش‌هاي مختلف بررسي و مقايسه شده است. نتايج تعيين لبه داده‌ها مصنوعي نشان مي‌دهد كه روش‌هاي تنها بر پايه گراديان قرار دارند به تداخل دامنه بي هنجاري‌ها و نوفه حساس هستند و در روش‌هاي كه از تعداد گراديان‌هاي كمتري استفاده مي‌كنند نوفه كمتري وجود دارد. روش‌هاي NTHD، NSTD و CCMS كه از حركت پنجره‌ها حاصل مي‌شوند به نوفه حساسيت كمتري دارند. اين روش‌ها مرز بي هنجاري با دامنه-هاي مختلف را آشكار مي‌كنند و بي هنجاري‌هاي كه دامنه آنها باهم تداخل داشته را به خوبي تفكيك مي‌كنند. در همۀ روش‌هاي تعيين لبه اين مقاله افزايش عمق بي هنجاري باعث شده است كه دقت تعيين لبه كاهش يابد. در مجموع بررسي‌ها نشان مي‌دهد كه CCMS نتايج بهتري در تعيين لبه داده‌هاي مصنوعي ارائه داده است. در داده‌هاي واقعي نيز نتايج روش CCMS بهتر از ساير روش‌ها است. نتايج تعيين لبه اين روش در داده‌هاي واقعي برروي نقشه بوگه نشان داده شده است اين نحوه نمايش پيچيدگي‌هاي نقشه تعيين لبه را كاهش مي‌دهد كه مي‌تواند براي مفسر بسيار مفيد باشد.

Edge detection is a fast and qualitative interpretation method to achieve information from potential field (e.g. gravity) anomalies. In the edge detection methods, the separation of overlapping amplitudes of anomalies and accuracy of edge detection are very important. There are various methods for edge detection. Most of these methods are based on the gradients of the potential field data. The gradients are sensitive to noise. Statistical methods have been used to increase the accuracy of edge detection. Normalized standard deviations (NSTD) and correlation coefficient of multidirectional standard deviations (CCMS) are among these methods.