ارائه یک الگوریتم چندمرحله‌ای برای شناسایی و تفکیک زون‌های دگرسانی گرمابی در محدوده استان کرمان ماهواره ای ASTER

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مهندسی معدن، پردیس دانشکده های فنی، دانشگاه تهران

2 دانشیار دانشکده مهندسی معدن، پردیس دانشکده های فنی، دانشگاه تهران

3 استادیار دانشگاه صنعتی اراک، دانشکده مهندسی معدن، اراک، ایران

چکیده

پردازش تصاویر سنجش از دور به منظور تفکیک دگرسانی‌های هیدروترمال، در صورت در دسترس نبودن طیف اولیه‌ی پیکسل‌ها، یکی از بحث‌های چالش برانگیز برای محققان است. تحقیق‌های قبلی نشان داده‌اند که تفکیک دقیق زون‌های دگرسانی‌های هیدروترمال از یکدیگر با استفاده از روش‌های مرسوم پردازش تصاویر مبتنی بر خصوصیات طیفی پیکسل‌ها، امکان‌پذیر نمی‌باشد. لذا این تحقیق با ارائه یک الگوریتم چند مرحله‌ای در تلاش است تا زون های دگرسانی هیدروترمال موجود در محدوده غربی استان کرمان را با دقت بالایی شناسایی و تفکیک نماید. جهت رسیدن به این هدف، روش آنالیز مولفه‌های اصلی، مدل فرکتال غلظت- مساحت و مدل زمین آماری کریجینگ شاخص کامل (FIK) به صورت ترکیبی به کار رفته‌اند. نتایج نشان دهنده دقت بالای مدل FIK در شناسایی و تفکیک هر کدام از دگرسانی‌های فیلیک، آرژیلیک و پروپیلیتیک در منطقه مورد مطالعه است. همچنین به‌منظور ارزیابی خطای طبقه‌بندی، ماتریس درهم آمیختگی بررسی شد. نتایج ماتریس در هم آمیختگی بیان‌گر آن است که مدل FIK عملکرد خوبی را در رابطه با طبقه‌بندی تصویر داشته است و صحت کل آن برابر با 30/89 درصد می‌باشد. همچنین با توجه به تعداد بالای پیکسل‌های آموزشی زون فیلیک، مدل FIK به خوبی توانسته است این نوع دگرسانی را شناسایی نماید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A multiple-stage algorithm to separate hydrothermal alteration zones by ASTER satellite data: A case study from Kerman province

نویسندگان [English]

  • Nastaran Ostadmahdi Aragh 1
  • Omid Asghari 2
  • saeed mojeddifar 3
  • sajjad talesh hosseini 1
1 Ph. D. Student, Department of Mining Engineering, University of Tehran
2 Associate Professor, Simulation and Data Processing Laboratory, Department of Mining Engineering, University of Tehran, Tehran, Iran
3 Assistant Professor, Department of Mining Engineering, Arak University of Technology, Arak,
چکیده [English]

Image processing of remote sensing for separation hydrothermal alteration, in the case of missing initial spectra of pixels, can be a challenge for the researcher. The previous researches has shown that accurate separation of hydrothermal alteration zones using Conventional methods of image processing based on Spectral Properties of pixels, is not possible. Therefore, this research is trying to present a multi-stage algorithm that identify and discriminate the hydrothermal alteration zones in western part of Kerman province with high accuracy. To achieve this goal, the principal component analysis method, Fractal Concentration-Area Model and Full Index Kriging (FIK) geostatistical model are used in combination. The results show the high accuracy of the FIK model in identifying and separating each of the phyllic, argillic and propylitic alterations in the study area. Also, to evaluate the classification error, the Confusion matrix was investigated. The results of the Confusion matrix showed that the FIK model performs well in terms of image classification. Also, given the high number of training pixels in the phyllic zone, the FIK model has been able to identify this type of alteration very well.

کلیدواژه‌ها [English]

  • hydrothermal alteration
  • multiple-stage algorithm
  • Principal Component Analysis
  • Fractal Concentration-Area Model
  • Full Index Kriging
#1. Abedi, M., Norouzi, G.H. and Fathianpour, N., 2015. Mineral potential mapping in Central Iran using fuzzy ordered weighted averaging method. Geophysical Prospecting, 63(2), pp.461-477.# #2. Wambo, J.D.T., Pour, A.B., Ganno, S., Asimow, P.D., Zoheir, B., dos Reis Salles, R., Nzenti, J.P., Pradhan, B. and Muslim, A.M., 2020. Identifying high potential zones of gold mineralization in a sub-tropical region using Landsat-8 and ASTER remote sensing data: A case study of the Ngoura-Colomines goldfield, eastern Cameroon. Ore Geology Reviews, 122, p.103530.# #3. Fereydooni, H. and Mojeddifar, S., 2017. A directed matched filtering algorithm (DMF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data. International journal of applied earth observation and geoinformation, 61, pp.1-13.# #4. Fereydooni, H., Moradzadeh, A., Pahlavani, P. and Mojeddifar, S., 2020. Full unmixing hydrothermal alteration minerals mapping by integration of pattern recognition network and directed matched filtering algorithm. Earth Science Informatics, pp.1-15.# #5. Beygi, S., Talovina, I.V., Tadayon, M. and Pour, A.B., 2021. Alteration and structural features mapping in Kacho-Mesqal zone, Central Iran using ASTER remote sensing data for porphyry copper exploration. International Journal of Image and Data Fusion, 12(2), pp.155-175.# #6. Farahbakhsh, E., Shirmard, H., Bahroudi, A. and Eslamkish, T., 2016. Fusing ASTER and QuickBird-2 satellite data for detailed investigation of porphyry copper deposits using PCA; Case Study of Naysian Deposit, Iran. Journal of the Indian Society of Remote Sensing, 44(4), pp.525-537.# #7. Remy. N. Boucher. A. Wu. J. 2009. Applied geostatistics with SGeMS: a user's guide. New York: Cambridge University Press.# #8. Rossi. M. E. Deutsch. C. V. 2013. Mineral resource estimation. Dordrecht: Springer.# #9. Talesh Hosseini, S., Asghari, O. and Ghavami Riabi, S.R., 2018. Spatial modelling of zonality elements based on compositional nature of geochemical data using geostatistical approach: a case study of Baghqloom area, Iran. Journal of Mining and Environment, 9(1), pp.153-167.# #10. جلالی، محمد؛ رحیمی پور، غلام رضا؛ دیانتی، محمدرضا؛ تقوایی نژاد، مجتبی؛ 1390 "بررسی اعتبار برآوردگرهای کریجینگ خطی و غیرخطی در پهنه بندی بلوک های کانسنگ و باطله در معدن مس سرچشمه"، مجله علوم زمین، ش 79، ص 95 تا 100.# #11. Wang, G.; Pang, Zh.; B. Boisvert, J.; Hao, Y.; Cao, Y.; Qu, J.; 2013; "Quantitative assessment of mineral resources by combining geostatistics and fractal methods in the Tongshan porphyry Cu deposit (China)", Journal of Geochemical Exploration, 134, pp. 85-98.# #12. Journel. A. G. 1983. Nonparametric estimation of spatial distributions. Journal of the International Association for Mathematical Geology. 15(3). 445-468.# #13. Lantuéjoul C. 2013. Geostatistical simulation: models and algorithms. Springer Science & Business Media.# #14. Hajsadeghi, S., Asghari, O., Mirmohammadi, M., Meshkani, S.A., 2016. Indirect rock type modeling using geostatistical simulation of independent components in Nohkouhi volcanogenic massive sulfide deposit, Iran. Journal of Geochemical Exploration, 168, 137- 149.# #15. Rahimi, H., Asghari, O. and Hajizadeh, F., 2018. Selection of optimal thresholds for estimation and simulation based on indicator values of highly skewed distributions of ore data. Natural Resources Research, 27(4), pp.437-453.# #16. Hassanzadeh. J. )1993( Metallogenic and tectono-magmatic events in the SE sector of the Cenozoic active continental margin of Iran (Shahr-e-Babak area, Kerman province). University of California. Los Angeles. pp. 204 Unpublished Ph.D. Thesis.# #17. Dimitrijevic. M. D. 1973. Geology of the Kerman region. Geological Survey of Iran publication, Tehran. Rep. 52. 334.# #18. Soheili M. 1981. Geological Map of Anar, 1:250 000 Map. Geological Survey of Iran publication. Tehran.# #19. Abdi, H. and Williams, L.J., 2010. Principal component analysis. Wiley interdisciplinary reviews: computational statistics, 2(4), pp.433-459.# #20. Bro, R. and Smilde, A.K., 2014. Principal component analysis. Analytical methods, 6(9), pp.2812-2831.# #21. Kaiser, H.F., 1991. Coefficient alpha for a principal component and the Kaiser-Guttman rule. Psychological reports, 68(3), pp.855-858.# #22. امینی، جلال: 1388 "پردازش کامپیوتری تصاویر سنجش از دور"، ترجمه، موسسه انتشارات دانشگاه تهران، چاپ اول.# #23. Cheng. Q. Agterberg. F.P. Ballantyne. S.B. 1994. The separation of geochemical anomalies from background by fractal methods. journal of Geochemical Exploration. 51(2). pp. 109-130.# #24. Cheng. Q. Agterberg. F.P. Bonham-Carter G. F. A 1996. Special analysis method for geochemical anomaly separation. journal of Geochemical Exploration. 56(2). pp. 183- 195.# #25. Cheng. Q. Bonham-Carter. G. F. A. Hall. G. E. M Bajc. A. 1997. Statistical study of trace elements in the soluble organic and amorphous Fe-Mn phases of surficial sediments. Sudbury Basian. 1. Multivariate and spatial analysis. journal of Geochemical Exploration. 59(1). pp. 27-46.# #26. Goncalves. M. A. Vairinho. M. Oliveira. V. 1998. Study of geochemical anomalies in Mombeja area using multifractal methodology and geostatistics. Proceedings of International Association for Mathematical Geology Meeting(Vol. 2, pp. 590-595). 6-9 October. Ischia. Italy.# #27. Sim. B. L. Agterberg. F.P. Beaudry. C. 1998. Determining the cut-off between background and anomalous metal concentration in lake sediments for the Frotete area. Quebec. using multifractal methods. In A. Buccianti. G. Nardi. and R. Potenza(Eds). Proceedings of International Association for Mathematical Geology Meeting(Vol. 2. pp. 612-617). 6-9 October. Ischia. Italy.# #28. Cheng. Q. Xu. Y. Grunsky. E. 1999. Integrated spatial and spectrum analysis for geochemical anomaly separation. In S. J. Lippard. A. Naess, and R. Sinding –Larsen(Eds). Proceedings of International Association for Mathematical Geology Meeting(Vol. I, pp. 87-92). Trondheim. Norway.# #29. Cheng. Q. Xu. Y. Grunsky. E. 2000. Integrated spatial and spectrum analysis for geochemical anomaly separation. Natural Resources Research. 9(1). pp. 43-52.# #30. Cheng. Q. Li. Q. 2002. A fractal concentration-area method for assigning a color palette for image representation. Computers and Geosciences. 28(4). pp. 567-575.# #31. Isaaks. E. H. Srivsatava. R. M. 1989. Applied geostatistics. New York: Oxford University Press.# #32. Badel. M. Angorani. S. Panahi. M. S. 2011. The application of median indicator kriging and neural network in modeling mixed population in an iron ore deposit. Computers & geosciences. 37(4). 530-540.# #33. Liu. C.-W. Jang. C.-S. Liao. C.-M. 2004. Evaluation of arsenic contamination potential using indicator kriging in the Yun-Lin aquifer (Taiwan). Science of the Total Environment. 321(1). 173-188.# #34. Kechiched, R., Nezli, I.E., Foufou, A., Belksier, M.S., Benhamida, S.A., Djeghoubbi, R., Slamene, N. and Ameur-zaimeche, O., 2020. Fluoride-bearing groundwater in the complex terminal aquifer (a case study in Hassi Messaoud area, southern Algeria): hydrochemical characterization and spatial distribution assessed by indicator kriging. Sustainable Water Resources Management, 6, 1-14.# #35. Leuangthong. O. Khan. K. D. Deutsch. C. V. 2011. Solved problems in geostatistics. New Jersey: John Wiley & Sons.# #36. Sakata, Y., Katsura, T. and Nagano, K., 2020. Estimation of ground thermal conductivity through indicator kriging: Nation-scale application and vertical profile analysis in Japan. Geothermics, 88, 101881.# #37. Mojeddifar. S. Ranjbar. H. Nezamabadi-pour. H. 2013. Adaptive NeuroFuzzy Inference System application for hydrothermal alteration mapping using ASTER data. Journal of Mining & Environment. Vol. 4, No. 2 pp. 83-96.# #38. Honarmand. M. Ranjbar. H. Shahabpour. J. 2011. Application of Spectral Analysis in Mapping Hydrothermal Alteration of the Northwestern Part of the Kerman Cenozoic Magmatic Arc. Iran. Journal of Sciences.Vol. 22. pp. 221-238.# #39. Congalton. R. G. Green. K. 2009. Assessing the Accuracy of Remotely Sensed Data– Principles and Practices. 2nd ed. Lewis publishers. Boca Raton.#