نقشه‌برداري گوسان‌هاي حقيقي در كانسارهاي اكسيدان با استفاده از تصاوير RGB و يادگيري عميق

گوسان‏‌ها ساده‌‏ترين و سريعترين روش براي اكتشاف منابع زيرسطحي بوده و در واقع نماينده زون‏‌هاي مواد معدني در روي سطح زمين هستند. آن دسته از گوسان‏‌ها كه داراي منابع معدني مهم مثل مس و طلا هستند، گوسان‏‌هاي حقيقي نام دارند. هدف از اين تحقيق شناسايي گوسان‌‏هاي حقيقي در محدوده‌‏هاي اكتشافي كوچك بود. در اين راستا، يك الگوريتم برمبناي شبكه‏‌هاي عصبي كانولوشني عميق طراحي شد. در الگوريتم پيشنهادي ابتدا پيش‌‏پردازش‌‏هايي نظير تصحيح و ترميم هندسي و طيفي، تقسيم تصاوير ماهواره‏اي ASTER و Google به تصاوير كوچكتر و تقويت داده‌‏هاي آموزشي براي آماده‏‌سازي تصاوير RGB براي ورود به شبكه انجام مي‌‏شود. شبكه عصبي كانوولوشني (CNN) پيشنهادي داراي ساختاري كدگذار-كدگشا است كه در مرحله كدگذاري ويژگي‌‏هاي مختلف و كارآمد در مقياس‌‏هاي متفاوت استخراج شده و در مرحله كدگشايي ويژگي‏‌هاي توليد شده براي تخمين مناطق گوساني با يكديگر تلفييق مي‌‏گردند. سپس شبكه مورد نظر براي تصاوير محدوده اكتشافي مورد مطالعه به نام تل بارگاه واقع در شهرستان داراب اجرا شده و مناطق گوساني منطقه استخراج شد. براي ارزيابي ميداني نتايج بدست آمده، نتايج شبكه و جانمايي آن روي نقشه درونيابي عياري مس منطقه و بررسي نتايج سنگ‌‏شناسي ادغام شده و گوسان‌‏هاي حقيقي منطقه با دقت آماري پارامترهاي حساسيت: 0.957 ، امتياز F1: 0/461 ، دقت تشخيص سنگي 92 درصد و ميانگين عياري مس بالاي 4درصد در اين مناطق، شناسايي شد.   [1] Convolutional neural network