نوع مقاله: علمی - پژوهشی

نویسندگان

1 استادیار دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران.

2 استادیار، گروه مهندسی معدن و مواد، دانشگاه صنعتی ارومیه، ارومیه، ایران

3 مدیر امور معادن، شرکت صنایع خاک چینی ایران

10.22034/ijme.2020.105315.1713

چکیده

چکیده
معرفی مناطق امیدبخش جدید در اطراف کانسارهای شناخته شده، یکی از اهداف مهم برای مدیران و صاحبان معادن فعال می باشد. در این راستا، استفاده از داده‌های دورسنجی مالتی اسپکترال به دلیل در دسترس بودن و هزینه‌های پایین آنها در مطالعات زمین شناسی، اکتشاف کانی‌ها و به نقشه در آوردن آلتراسیونها از طرف مهندسین اکتشاف از اولویت برخوردار است. در این مطالعه گسترش ماده معدنی در اطراف ذخیره اصلی کائولن زنوز با استفاده از دو نوع داده لندست 8 و استر بررسی می شود. معدن کائولن زنوز به عنوان بزرگترین معدن کائولن خاورمیانه، در شهرستان مرند استان آذربایجانشرقی واقع شده است. در این مطالعه همچنین سعی شده است مقایسه‌ای بین نتایج داده لندست 8 و استر انجام گیرد. در مطالعه حاضر، ابتدا پیش پردازش داده ها شامل تصحیح اتمسفری و تصحیح توپوگرافی و حذف اثر پوشش گیاهی انجام شد. سپس با استفاده از آنالیز طیفی، طیف کانی‌های اصلی در منطقه شناسایی شد و در نهایت با استفاده از روش کلاس بندی شبکه عصبی، به عنوان یک روش غیرخطی و نظارت شده فراوانی کانی‌ها به نقشه در آمد. جهت اعتبار سنجی نتایج از دو روش اعتبار سنجی مجازی و نمونه برداری صحرایی استفاده شد. نتایج به دست آمده بیانگر آنست که استفاده از داده‌های به کار برده شده در اکتشاف کائولن بسیار موفقیت آمیز بوده و همچنین چند منطقه پر پتانسیل برای مطالعات تفصیلی پیشنهاد شد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Mineral Mapping in Zonouz Region Using Multi-Spectral Remote Sensing Data to Identify the Kaolin Extension

نویسندگان [English]

  • Tohid Nouri 1
  • Rashed Poormirzaee 2
  • Fereydoun Mollaei Koshki 3

1 Assistant Professor at Faculty of Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.

2 Assistant Professor,, Department of Mining and Materials Engineering, Urmia University of Technology, Band Road, Urmia, Iran.

3 Mining Dept. Manager, Iran China Clay Industries

چکیده [English]

Abstract
Exploration of the new mineral deposits around the existing mines is an important objective in mining industry. Using multispectral remote sensing images, due to their diversity and vast availability is a useful tool to meet this purpose. In this research, the Zonouz region was investigated for discovering new high potential kaolinite mineralization areas using Landsat8 and ASTER data. Zonouz kaolin mine which is located in Marand county, East-Azarbaijan, is the biggest kaolin deposit in the Middle-East. In the current research, the capability of Landsat8, as a new generation multispectral data, and ASTER data were examined in mineral detection. At first, the preprocessing of data, i.e. atmospheric and topographic corrections and elimination of the vegetation cover were carried out. Then, the spectral profiles of the endmembers of the study area datasets were extracted. Identification of the extracted endmembers was done by comparison of the unknown spectra with reference spectra of the USGS spectral library, and 3 minerals including kaolinite, quartz, and Fe-bearing minerals were identified. Finally, the distribution maps of the identified minerals were extracted by using of the artificial neural networks, as a non-linear supervised method. To the best of our knowledge, the applied neural networks structure has not been implemented on LANDSAT 8 and ASTER data earlier. This research is also the first implementation of LANDSAT 8 and ASTER data in Zonouz kaolin region for extension mapping of the kaolin. Two different approaches including virtual verification and field sampling were applied for validation of the results. According to the Findings of this research, both of ASTER and Landsat8 datasets proved successfulness for identifying the kaolinite; but the Landsat 8 data exhibited better performance in detecting and mapping of the quartz and hematite. Finally, 6 promising areas were determined as high potential zones of kaolinite mineralization for future studies.

کلیدواژه‌ها [English]

  • Landsat8
  • ASTER
  • Kaolin
  • Spectral Analysis
  • Artificial neural networks