جداسازی طیفی داده‌های هایپریون با هدف تشخیص کانی‌های شاخص منطقه خوی با استفاده از یک روش دوخطی

ابراهیمی, مهدی; محمدی اسکوئی, مجید; جمشید مقدم, هادی

doi:10.22034/ijme.2024.713299.1972

جداسازی طیفی داده‌های هایپریون با هدف تشخیص کانی‌های شاخص منطقه خوی با استفاده از یک روش دوخطی

نوع مقاله : علمی - پژوهشی

نویسندگان

مهدی ابراهیمی ¹

مجید محمدی اسکوئی ²

هادی جمشید مقدم ³

¹ دانشجوی کارشناس ارشد، دانشکده مهندسی معدن، دانشگاه صنعتی سهند

² استاد، دانشکده مهندسی معدن، دانشگاه صنعتی سهند

³ دانشجوی دکتری، دانشکده مهندسی معدن، دانشگاه صنعتی سهند

10.22034/ijme.2024.713299.1972

چکیده

مهم‌ترین هدف از مطالعه تصاویر ابرطیفی، استخراج امضاهای طیفی عناصر تشکیل‌دهنده پیکسل‌های تصویر (اعضای انتهایی) و تخمین فراوانی آن‌ها است. در مدل‌های خطی اختلاط طیف انعکاسی سطح به عنوان یک ترکیب خطی از طیف‌های اعضای انتهایی در نظر گرفته می‌شود. در شرایطی که اختلاط داخلی نیز مهم است، مدل خطی جوابگو نبوده و باید از الگوریتم‌های غیر‌خطی استفاده کرد. روشی که در این تحقیق به کار گرفته شد، تعمیم و بهبود یافته مدل‌های دوخطی ناسیمنتو و فان است که با عنوان مدل اختلاط دوخطی تعمیم یافته (BPOGM) شناخته می‌شود. هدف از این مطالعه، بکارگیری و ارزیابی این روش در مواجهه با داده‌های با اختلاط بالا و حجم داده زیاد است. بنابراین، داده‌های به کار گرفته شده در این تحقیق، داده‌های ابرطیفی هایپریون مربوط به منطقه خوی است که شاخص های معدنی و کانیایی خوبی در منطقه دارد. ابتدا طیف‌های خالص موجود به وسیله روش N-FINDR که سازگاری خوبی با مدل‌های دوخطی دارد، استخراج شد. علاوه بر سازگاری خوب روش N-FINDER، نسبت به روش اندیس خلوص پیکسلی که در جداسازی خطی استفاده می‌شود، دارای قدرت بیشتری در استخراج اعضای انتهایی است. به این ترتیب، کانی استیلبیت (نماینده گروه زئولیت‌ها)، ورمیکولیت (نماینده گروه میکا)، سرپانتین (نماینده اولیوین‌های هارزبورژیت و سنگ‌های اولترامافیک سرپانتینی شده)، کلریت (نماینده گروه کلریت) و کوارتز شناسایی شد. سپس با استفاده از روش BPOGM که روش حلی برای مدل دوخطی GBM است، فراوانی هر عضو انتهایی محاسبه شد و نقشه فراوانی به دست آمد. نتایجی که از روش غیرخطی بدست آمد، انطباق خوبی با نقشه زمین‌شناسی منطقه بر اساس تفسیرهای کانی‌شناسی رخساره‌های سنگ‌شناسی (میانگین صحت 25/78) داشت که در این مرحله از کارهای اکتشافی کاملا قابل قبول است.

کلیدواژه‌ها

داده هایپراسپکترال

تشخیص کانی

جداسازی طیفی

مدلهای غیر خطی

هایپریون

موضوعات

اکتشاف مواد معدنی

عنوان مقاله English

Spectral Unmixing of Hyperion Data to Identify the Indicator Minerals of Khoy Region Using A Bilinear Method

نویسندگان English

Mahdi Ebrahimi ¹

Majid Mohammady Oskouei ²

Hadi Jamshid Moghadam ³

¹ Faculty of Mining Engineering, Sahand University of Technology, Tabriz, Iran

² Faculty of Mining Engineering, Sahand University of Technology, Tabriz, Iran

³ Faculty of Mining Engineering, Sahand University of Technology, Tabriz, Iran

چکیده English

The hyperspectral images are studied to extract the spectral signatures of the elements that comprise the image pixels (end members) and estimate their frequency. The surface reflectance spectrum is considered a linear combination of endmember spectra in linear mixing models. When internal mixing is also important, the linear model is not the answer, and non-linear algorithms should be used. The method used in this research is the generalization and improvement of Nascimento and Fan's bilinear models, known as the generalized bilinear mixing model (BPOGM). This study aims to apply and evaluate this method in the face of data with high mixing and large volumes. Therefore, the data used in this research are Hyperion data of Khoi region, which has good mineral and mineralogical indicators. First, the available pure spectra were extracted using the N-FINDR method. In addition to the excellent compatibility of the N-FINDER method, it has more ability to extract endmembers than the pixel purity index method used in linear separation. In this way, stilbite mineral (representative of zeolite group), vermiculite (representative of mica group), serpentine (representative of olivines of harzburgite and serpentinized ultramafic rocks), chlorite (representative of chlorite group), and quartz were identified. Then, using the BPOGM method, which is a solution method for the bilinear GBM model, the frequency of each end member was calculated, and the distribution map was obtained. The results of the non-linear method comply well with the geological map of the region based on mineralogical interpretations of the lithological facies (average accuracy of 78.25), which is completely acceptable at this stage of exploration work.

کلیدواژه‌ها English

Hyperspectral data

Mineral detection

Spectral unmixing

Non-linear models

Hyperion

Borengasser, M.; Hungate, W. S.; and Watkins, R.; 2008; "hyperspectral Remote Sensing, Principles and applications", CRC Press, Taylor & Francis Group.## Bioucas-Dias, J. M.; Parente, M.; Plaza, A.; Dobigeon, N.; Du, Q.; Gader, P. Chanussot, J.; 2012; "Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches"; IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing; 5(2) ; 354-379. ## Mozaffar, M. H.; Zoej, M. J. V.; Sahebi, M. R.; Rezaei, Y.; 2008; "Vegetation endmember extraction in hyperion images"; The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences; 37(B7); 409-412. ## Fan,W.; Hu, B.; Miller, J.; Li, M.; 2009; "Comparative study between a new nonlinear model and common linear model for analysing laboratory simulated‐forest hyperspectral data"; International Journal of Remote Sensing; 30; 2951-2962. ## Boardman, J. W.; 1993; "Automating spectral unmixing of AVIRIS data using convex geometry concepts"; Summaries of the 4th Annual JPL Airborne Geoscience Workshop. Volume 1: AVIRIS Workshop. ## Boardman, J. W.; Kruse, F. A.; Green, R. O.; 1995; "Mapping target signatures via partial unmixing of AVIRIS data"; Summaries Proceedings of the Fifth JPL Airborne Earth Science Workshop, Pasadena, 95-101. ## Nascimento; J. M.; Dias, J. M.; 2005; "Vertex component analysis: A fast algorithm to unmix hyperspectral data"; IEEE transactions on Geoscience and Remote Sensing, 43, 898-910. ## Winter, M. E.; 1999; "N-FINDR: An algorithm for fast autonomous spectral end-member determination in hyperspectral data"; in Imaging Spectrometry V, 266-276. ## Miao, L.; Qi, H.; 2007; "Endmember extraction from highly mixed data using minimum volume constrained nonnegative matrix factorization"; IEEE Transactions on Geoscience and Remote Sensing, 45, 765-777. ## Li, J.; Bioucas-Dias, J. M.; 2008; "Minimum volume simplex analysis: A fast algorithm to unmix hyperspectral data"; in IGARSS 2008-2008 IEEE International Geoscience and Remote Sensing Symposium, III-250-III-253. ## Dobigeon, N.; Altmann, Y.; Brun, N.; and Moussaoui, S.; 2016; "Linear and nonlinear unmixing in hyperspectral imaging"; Data Handling in Science and Technology: Resolving Spectral Mixtures, 41. ## Nascimento, J. M.; Bioucas-Dias, J. M.; 2011; "Hyperspectral unmixing based on mixtures of Dirichlet components"; IEEE Transactions on Geoscience and Remote Sensing, 50, 863-878. ## Halimi, A.; Altmann, Y.; Dobigeon, N.; Tourneret, J.-Y.; 2011; "Nonlinear unmixing of hyperspectral images using a generalized bilinear model"; IEEE Transactions on Geoscience and Remote Sensing, 49, 4153-4162. ## Yokoya, N.; Chanussot, J.; Iwasaki, A.; 2012; ''Generalized Bilinear Model based nonlinear unmixing using Semi-Nonnegative Matrix Factorization''; IEEE Transactions on Geoscience and Remote Sensing, 52(2), 1430–1437. ## Qu, Q.; Nasrabadi, N. M.; Tran, T. D.; 2014; "Abundance Estimation for Bilinear Mixture Models via Joint Sparse and Low-Rank Representation"; IEEE Transactions on Geoscience and Remote Sensing, 52(7), 4404 – 4423. ## Zhang, X.; Lin, H.; Cen, Y.; Zhang, L.; Yang, H.; 2016; "A nonlinear spectral unmixing method for Abundance retrieval of mineral mixtures"; Remotely Sensed Data Compression, Communications, and Processing XII, 98740Z. ## Mei, X.; Ma, Y.; Li, C.; Fan,F.; Huang, J.; Ma, J.; 2018; "Robust GBM hyperspectral image unmixing with superpixel segmentation based low rank and sparse representation"; Neurocomputing, 275, 2783-2797. ## Li, C.; Ma, Y.; Huang, J.; Mei, X.; Liu, C.; Ma, J.; 2016; "GBM-based unmixing of hyperspectral data using bound projected optimal gradient method"; IEEE Geoscience and Remote Sensing Letters, 13, 952-956. ## Ahmad, T.; Raha, S.; Lyngdoh, R. B.; Sahadevan, A. S.; Gupta, P. K.; Misra, A.; 2022; "Robust generalized bilinear model with weighted low-rank representation for hyperspectral image unmixing"; Journal of Applied Remote Sensing, 16(2), 024524. ##