نقشه‌برداري دگرساني‌هاي مرتبط با كانسارهاي مس پورفيري با استفاده از تصاوير چند طيفي استر بر مبناي يادگيري عميق

Mapping Alterations associated with Porphyry Copper Ores using ASTER Multispectral Imaging Based on Deep Learning

يكي از كاربردهاي سنجش از دور، بررسي نواحي دگرساني و طبقه بندي آنها است كه يكي از سريعترين روش ها براي اكتشاف سامانه مس پورفيري، تعيين مركز تجمع آن و جانمايي نقاط حفاري هستند. هدف از اين تحقيق شناسايي دگرساني هاي آرژيليك، فيليك و پروپيليتيك (مرتبط با سامانه) در محدوده هاي اكتشافي با ابعاد كوچك و تعيين محدوده تجمع مس پورفيري است. در اين راستا، يك الگوريتم برميناي شبكه هاي عصبي كانولوشني عميق طراحي شد. در الگوريتم پيشنهادي ابتدا پيش پردازش هايي نظير تصحيح و ترميم هندسي و طيفي و تقويت داده هاي آموزشي براي آماده سازي داده هاي مادون قرمز طول موج كوتاه (SWIR) و رنگي (RGB) سنجنده استر (ASTER) براي ورود به شبكه انجام شد. شبكه عصبي كانوولوشني (CNN) پيشنهادي داراي ساختاري كدگذار-كدگشا مي باشد كه در مرحله كدگذاري ويژگيهاي مختلف و كارآمد در مقياس هاي متفاوت استخراج شده و در مرحله كدگشايي ويژگي هاي توليد شده براي تخمين مناطق دگرساني با يكديگر تلفيق مي گردند. سپس شبكه مورد نظر براي تصاوير محدوده اكتشافي مورد مطالعه به نام "دهانه گمركان" واقع در شهرستان جيرفت اجرا شده و مناطق دگرساني منطقه استخراج شد. براي ارزيابي ميداني نتايج بدست آمده از روش سنگ شناسي و ژئوشيميايي روي 84 نمونه استفاده شد. با ادغام نتايج شبكه و استخراج ساختار هندسي دگرساني ها، مكان آن روي نقشه درونيابي عياري مس و طلاي منطقه جانمايي شد. در نتيجه، شناسايي دگرساني هاي منطقه با دقت آماري پارامترحساسيت: 0.943 ، امتياز F1: 0.472 ، شاخص اشتراك روي اجتماع (IoU): 0.896 و دقت تشخيص سنگ92 درصد و ميانگين عياري مس بالاي 4 درصد در منطقه مورد مطالعه، انجام شد. بر اساس محل حلقه هاي دگرساني هاي شناسايي شده، نقشه ترانشه هاي حفاري جهت استخراج مواد معدني بدست آمد.

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.