سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

استفاده هم زمان تصاویر لندست-۸ و سنتینل-۲ جهت بارزسازی دگرسانی های مس پورفیری (مسجدداغی)، شمال غرب ایران

Publish Year: 1404
Type: Journal paper
Language: Persian
View: 19

This Paper With 24 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

JR_ESRJ-16-1_006

Index date: 18 March 2025

استفاده هم زمان تصاویر لندست-۸ و سنتینل-۲ جهت بارزسازی دگرسانی های مس پورفیری (مسجدداغی)، شمال غرب ایران abstract

مقدمه سنجش از دور یکی از روش­های پرکاربرد در زمین­شناسی و اکتشافات ذخایر معدنی است و نقش مهمی در شناسایی دگرسانی­ها ایفا می­نماید. روش­های متفاوت سنجش از دور امکان بررسی و مطالعه بر روی یک محدوده گسترده را با دقت، سرعت و هزینه کم­تر میسر ساخته ­است. از آنجا که دگرسانی­های مرتبط با کانی­سازی پورفیری از گسترش مناسبی برخوردار هستند؛ لذا این نوع ذخایر می­توانند شاخص مناسبی در روش­های دورسنجی و اکتشافات ذخایر پورفیری باشند. محدوده مس پورفیری مسجدداغی در ۳۵ کیلومتری شرق شهرستان جلفا در استان آذربایجان شرقی واقع شده است. تشکیل رگه­های اپی­ترمال طلا بر روی کانسار پورفیری و ارتباط مکانی و زمانی این دو کانسار مورد بررسی قرار گرفته است. استفاده هم زمان سنجنده سنتینل-۲ و ماهواره لندست-۸ و روش­های طبقه­بندی کننده نظارت شده مبتنی بر یادگیری ماشین برای اولین بار در این تحقیق بر روی کانسار پورفیری مسجدداغی در شمال­غرب ایران انجام شد. هدف از این پژوهش تشخیص انواع دگرسانی­های مرتبط با ذخیره پورفیری با استفاده از تکنیک­های مختلف پردازش تصاویر سنجنده سنتینل-۲ و ماهواره لندست-۸ می­باشد؛ که می­تواند راهنمای اکتشافی مناسبی برای ذخایر مس پورفیری در ایران باشد. در این پژوهش از روش­های ترکیب باندی، نسبت باندی (BR) و روش کمترین مربعات رگرسیون شده (Ls-Fit) جهت تعیین موقعیت زون­های دگرسانی استفاده شده است. همچنین از روش­های طبقه­بندی کننده نظارت شده مبتنی بر یادگیری ماشین مانند: بیشترین شباهت (ML)، روش­های شبکه­های عصبی (ANN) و  ماشین بردار پشتیبان (SVM) و تلفیق این سه طبقه بندی با استفاده از روش رای گیری حداکثری (MV) جهت صحت و دقت استفاده از این تصاویر استفاده شده است که تاثیر و عملکرد مثبت این طبقه­بندی­ها در تفکیک لیتولوژی­ها در نقشه­های زمین­شناسی مورد بررسی و تائید قرار گرفته است (Farhadi et al, ۲۰۲۴). همچنین این روش­ها در توزیع شیمیایی عناصر در کانسار سرب و روی ایران کوه مورد بررسی قرار گرفته است و نتایج این تحقیق نشان داد، این روش­ها برای پیش­بینی توزیع عنصری مواد معدنی امیدوار کننده بوده است (Farhadi et al, ۲۰۲۲). در این تحقیق نتایج به­دست آمده با استفاده از شواهد صحرایی و مطالعات زمین­شناسی مورد راستی آزمایی و تایید قرار گرفت. استفاده هم زمان سنجنده سنتینل-۲ و ماهواره لندست-۸ و روش­های طبقه ­بندی کننده نظارت شده مبتنی بر یادگیری ماشین برای اولین بار در این تحقیق بر روی کانسار پورفیری در شمال­غرب ایران انجام شد. همچنین استفاده از خروجی روش های نسبت باندی و ترکیب باندی و کمترین مربعات رگرسیون شده به عنوان ورودی های اولیه به صورت داده های آموزشی و آزمایشی جهت استفاده در روش های یادگیری ماشین و تلفیق سه طبقه­بندی با روش رای گیری حداکثری در ماهواره لندست-۸ و سنجنده سنتینل-۲ برای اولین بار مورد استفاده قرار گرفت که نتایج خوبی را به ­همراه داشته است. مواد و روش­ها مطالعات دقیقی بر روی دگرسانی­های منطقه مسجدداغی صورت گرفته است و بر مبنای آن شش دگرسانی در منطقه تشخیص داده شده است. این دگرسانی­ها شامل پتاسیک، فیلیک، آرژیلیک حدواسط، آرژیلیک پیشرفته، سیلیسی و پروپیلیتیک است. دگرسانی­های سیلیسی، آرژیلیک پیشرفته، آرژیلیک حدواسط و پروپیلیتیک با کانی­سازی طلا اپی­ترمال مرتبط بوده و به ترتیب از داخل رگه به سمت خارج گسترش دارد. دگرسانی­های مرتبط با کانی­سازی مس پورفیری شامل پتاسیک، فیلیک، آرژیلیک حدواسط و پروپیلیتیک است.  دگرسانی پتاسیک: این دگرسانی با گسترش کم (۲۰۰۰ مترمربع) در اطراف و حاشیه رودخانه آرپاچای قابل مشاهده است (شکل ۲). مطالعات نشان می­دهد، دگرسانی پتاسیک تحت­تاثیر دگرسانی­های فیلیک و آرژیلیک قرارگرفته و باعث همپوشانی بین این دگرسانی­ها شده است. کانی­شناسی این دگرسانی شامل پتاسیم فلدسپار، بیوتیت و مگنتیت همراه با مقادیری سریسیت، کلریت و رس می­باشد. دگرسانی فیلیک: این دگرسانی بخش وسیعی از سطح منطقه را در بر می­گیرد و در اطراف و حاشیه رودخانه آرپاچای به ­صورت هاله­هایی دگرسانی پتاسیک را پوشانده است (شکل ۲). مطالعات کانی­شناسی نشان می­دهد، کانی­های سیلیکاته مانند پلاژیوکلاز، پتاسیم فلدسپار و کانی­های فرومنیزین (هورنبلند و بیوتیت) در سنگ اولیه دگرسان شده و به کانی­های سریسیت و کوارتز به عنوان کانی­های اصلی و کلریت به عنوان کانی فرعی همراه با کانی­های سولفیدی جانشین شده­اند. این دگرسانی به­طور گسترده توسط دگرسانی آرژیلیک همپوشانی شده است. همچنین رگچه­های سیلیسی استوک­ورکی همراه با مواد معدنی در سطح منطقه و در زون فیلیک گسترش نسبتا خوبی را نشان می­دهد. دگرسانی آرژیلیک پیشرفته: این دگرسانی به­طور محدود و در مجاورت رگه­های سیلیسی طلادار تشکیل شده است. این دگرسانی بر روی سنگ میزبان (تراکی آندزیت) تاثیر زیادی داشته و پلاژیوکلاز موجود در سنگ میزبان را به کانی­های رسی تبدیل کرده و بافت اولیه سنگ را از بین برده است. کانی­های تشکیل دهنده این دگرسانی شامل کوارتز، کائولینیت، آلونیت هیپوژن، باریت، پیریت و تورمالین است. دگرسانی آرژیلیک متوسط: با گسترش نسبتا زیاد در بخش میانی محدوده کانی­سازی گسترش دارد و در بسیاری موارد با دگرسانی فیلیک همپوشانی حاصل کرده است (شکل ۲). ترکیب کانی­شناسی این دگرسانی شامل کائولینیت، ایلیت، کوارتز و کربنات است. دگرسانی پروپیلیتیک: این دگرسانی با گسترش نسبتا محدود خارجی­ترین زون دگرسانی است که در حاشیه شرقی منطقه مشاهده شده است. کانی­های شاخص این دگرسانی اپیدوت، کلریت و کلسیت است که هورنبلند و پیروکسن به کلریت و کلسیت تبدیل شده و پلاژیوکلاز توسط کلسیت، اپیدوت، کلریت و هم چنین کانی­های رسی جایگزین شده است. دگرسانی سیلیسی: این نوع دگرسانی در اطراف رگه­ های مینرالیزه یافت می شود که محیط و شرایط مناسبی برای کانی­ سازی طلا را فراهم کرده است. مقادیر بالای سیلیس در منطقه، بیان­گر اشباع بودن محلول­های هیدروترمال از سیلیس می­باشد. زون دگرسانی سیلیسی یکی از مهم­ترین دگرسانی­های موجود در منطقه است که به­صورت رگه و رگچه نمایان می­شود، این نوع دگرسانی­ها میزبان اصلی کانی­سازی طلا هستند. در این پژوهش از تصاویر ماهواره لندست-۸ و سنتینل-۲ برای بارزسازی و مشخص کردن دگرسانی­های موجود در منطقه استفاده شده است. در این پژوهش از روش­های ترکیب باندی، نسبت باندی (BR) و روش کمترین مربعات رگرسیون شده (Ls-Fit) جهت تعیین موقعیت زون­های دگرسانی استفاده شده است. همچنین از روش­های طبقه­بندی کننده نظارت شده مبتنی بر یادگیری ماشین مانند: بیشترین شباهت (ML)، روش­های شبکه­های عصبی (ANN) و ماشین بردار پشتیبان (SVM) و تلفیق این سه طبقه بندی با استفاده از روش رای گیری حداکثری (MV) جهت صحت و دقت استفاده از این تصاویر استفاده شده است. نتایج و بحث کانی­سازی مس- طلا مسجدداغی در شرق شهرستان جلفا و در استان آذربایجان شرقی واقع شده است. قدیمی­ترین واحد سنگی منطقه، شامل مجموعه­ای از نهشته­های تخریبی فلیش مرتبط به زمان ائوسن یا قدیمی­تر است که گسترش زیادی در شرق و جنوب محدوده دارد. نهشته­های فلیش متشکل از ماسه­سنگ، آهک، شیل و سیلت همراه با لایه­هایی از کنگلومرای خاکستری و سبز رنگ است و به دلیل فرسایش­پذیری غیرهمگن مورفولوژی ملایم تا خشن ایجاد کرده است. ترکیبات سنگ­شناسی منطقه شامل واحد تراکی­آندزیتی ائوسن و توده نفوذی کوارتز مونزودیوریت الیگوسن است که به داخل سنگ­های آتشفشانی منطقه نفوذ کرده است و در سطح رخنمون کمی دارد. سیستم کانی­سازی مسجدداغی از دو نوع کانی­سازی مس پورفیری و طلای اپی ترمال تشکیل شده است. مهم­ترین کانی­سازی موجود در کانسار پورفیری مسجدداغی شامل کانی­های روتیل، مولیبدنیت، منیتیت، پیریت، کالکوپیریت، بورنیت، اسفالریت، کالکوسیت و کوولیت می­باشد. کانی­سازی طلای اپی­ترمال شامل پیریت، کالکوپیریت، بورنیت، گالن، اسفالریت و طلا همراه با کوارتز، باریت و انیدریت است. تصاویر ماهواره لندست-۸ سه طبقه بندی نظارت شده ANN،  MLو SVM به ترتیب از دقت ۷۱/۷۷ درصد، ۴۸/۷۰ درصد و ۲۳/۷۹ درصد برخوردار است. در سنجنده سنتینل-۲ نیز سه طبقه بندی نظارت شده ANN، ML و SVM در محدوده مسجد داغی به ترتیب از دقت ۶۹/۷۸ درصد، ۱۶/۵۹ درصد و ۵۷/۷۹ درصد برخوردار است. نتایج به دست آمده نشان از برتری سنجنده سنتینل-۲ نسبت به لندست-۸ در بارزسازی دگرسانی های موجود در محدوده مطالعاتی مسجد داغی دارد. هم چنین با مقایسه ضرایب کاپا به دست آمده از لندست-۸ و سنتینل-۲ بر این برتری سنتینل-۲ تاکید دارد. در بین طبقه بندی های اعمال شده بر روی تصاویر طبقه بندی SVM در هر دو ماهواره و سنجنده از دقت بالاتری برخوردار است؛ که این نکته نشان دهنده عملکرد بهتر الگوریتم ماشین بردار پشتیبان (SVM) است. اما طبقه بندی ML در لندست-۸ نسبت به سنتینل-۲ دارای عملکرد بهتری است، که نتایج ضریب کاپا نیز این موضوع را تایید خواهد کرد. نتایج خروجی دقت کلی (OA) برای روش رای گیری حد اکثری (MV) نسبت به روش الگوریتم ماشین بردار پشتیبان (SVM)، در ماهواره لندست-۸ حدود ۷۵/۳ % افزایش یافته است. رای گیری حد اکثری با دقت کلی ۳۸/۸۲ % و ضریب کاپا ۶۸۶۸/۰ برای ماهواره لندست-۸ نشان دهنده این است؛ که تلفیق داده های خروجی طبقه بندی ها به روش رای گیری حد اکثری (MV) موجب بهبود در شناسایی دگرسانی ها است. هم چنین برای ماهواره سنتینل-۲ رویکرد رای گیری حد اکثری با دقت کلی ۰۷/۸۴ درصد و ضریب کاپا ۷۰۷۰/۰، نسبت به روش ماشین بردار پشتیبان، حدودا ۵/۴ درصد افزایش داشته است. نتیجه­گیری ۱: سنجنده سنتینل-۲ نسبت به ماهواره لندست-۸ در روش های ترکیب باندی، نسبت باندی، کمترین مربعات رگرسیون شده دارای دقت بهتر و بالا تری است. ۲: طبقه بندی ماشین بردار پشتیبان در ماهواره لندست-۸ و سنجنده سنتینل-۲ در محدوده مطالعاتی مسجد داغی از دقت و ضریب کاپا بالاتری برخورداراست و سنجنده سنتینل-۲ نسبت به ماهواره لندست-۸ دارای دقت و صحت بالاتری است. ۳: تلفیق داده های خروجی طبقه بندی ها به روش رای گیری حداکثری موجب بهبود در شناسایی های دگرسانی ها شده است. هم چنین برای سنجنده سنتینل-۲ رویکرد رای گیری حداکثری با دقت کلی ۰۷/۸۴ درصد و ضریب کاپا ۷۰۷۰/۰، نسبت به روش ماشین بردار پشتیبان حدودا ۵/۴ درصد افزایش داشته است.  ۴: ادغام دو سنجنده جهت مطالعات اکتشافی بسیار کار آمد و سودمند است، هم چنین سنجنده سنتینل-۲ به­ دلیل قدرت طیفی و مکانی بهتر دارای دقت بسیار بالایی در طبقه بندی های ارائه شده و در روش رای گیری حداکثری نسبت به ماهواره لندست-۸ دارد. کانی­ سازی: سیستم کانی ­سازی مسجدداغی از دو نوع کانی­سازی مس پورفیری و طلای اپی ترمال تشکیل شده است. مهم­ترین کانی­سازی موجود در کانسار پورفیری مسجدداغی شامل کانی­های روتیل، مولیبدنیت، منیتیت، پیریت، کالکوپیریت، بورنیت، اسفالریت، کالکوسیت و کوولیت می­ باشد. کانی­سازی طلای اپی­ترمال شامل پیریت، کالکوپیریت، بورنیت، گالن، اسفالریت و طلا همراه با کوارتز، باریت و انیدریت است.

استفاده هم زمان تصاویر لندست-۸ و سنتینل-۲ جهت بارزسازی دگرسانی های مس پورفیری (مسجدداغی)، شمال غرب ایران Keywords:

استفاده هم زمان تصاویر لندست-۸ و سنتینل-۲ جهت بارزسازی دگرسانی های مس پورفیری (مسجدداغی)، شمال غرب ایران authors

مریم خانی الموتی

گروه اکتشاف معدن، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

سوسن ابراهیمی

گروه اکتشاف معدن، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

بهناز بیگدلی

گروه مهندسی راه و نقشه برداری، دانشکده مهندسی عمران و معماری، دانشگاه صنعتی شاهرود، شاهرود، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
Afzal, P., Gholami, H., Madani, N. and Tasrebi, A.B., ۲۰۲۳. ...
Ebrahimi, S., Alirezaei, S., Pan, Y. and Mohammadi, B., ۲۰۱۸. ...
Emamalipour, A., Khatamian, A., Oskooei, R. and Abdollahi Sharif, Ch., ...
Esa Earth Online. (nd.)., ۲۰۲۰. Retrieved January ۹ https://earth.esa.int/eogateway ...
European Space Agency, ۲۰۲۰. Sentinel Online-ESA. European Space Agency- Earth ...
Farhadi, S., Tatullo, S., Boveri Konari, M. and Afzal, P., ...
Farhadi, S., Afzal, P., Boveri Konari, M., Daneshvar Saein, L. ...
Gualtieri, J.A. and Cromp, R.F., ۱۹۹۹. Support Vector Machines for ...
Hsu, C.W. and Lin, C.J., ۲۰۰۲. A comparison pf methods ...
Joachims, T., ۱۹۹۹. Making large scale SVM learning practical. In ...
Moor, F., Rastmanesh, F., Asadi Harooni, H. and Modabberi, S., ...
Mohammadi, B., Aliakbari, H., Fard, M. and Samaee, A., ۲۰۰۵. ...
Pal, M. and Mather, P.M., ۲۰۰۴. Assessment of the effectiveness ...
Pourkaseb, H., Rangzan, K., Beyranvand, S., Zarasvandi, A. and Ranjbar, ...
Rosich, B. and Meadows, P., ۲۰۰۴. Absolute calibration of ASTER ...
Romer, H., Willroth, P., Kaiser, G., Vafeidis, A.T., Ludwig, R., ...
Rowan, L.C., Goetz, A.F.H., and Ashley, R.P., ۱۹۹۷. Discrimination of ...
Rouskov, K., Popov, K., Stoykov, S. and Yamaguchi, Y., ۲۰۰۵. ...
Shi, T. and Horvath, S., ۲۰۰۶. Unsupervised learning with random ...
Wang, Z., Ziou, D., Armenakis, C., Li, D. and Li, ...
نمایش کامل مراجع