[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
برای نویسندگان::
آرشیو مجله و مقالات::
برای داوران::
تماس با ما::
امکانات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
پایگاه های نمایه کننده







 
..
آمار سایت
تعداد مشاهده ی مقالات: 2525115

مقالات منتشر شده: 636
نرخ پذیرش: 73.55
نرخ رد: 17.73

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 193 روز
____
..
:: دوره 13، شماره 2 - ( 9-1402 ) ::
دوره 13 شماره 2 صفحات 14-1 برگشت به فهرست نسخه ها
نقشه‌برداری گوسان‌های حقیقی در کانسارهای اکسیدان با استفاده از تصاویر RGB و یادگیری عمیق
احمد رجبی ، مهدی آخوندزاده هنزائی*
چکیده:   (632 مشاهده)
گوسان‏‌ها ساده‌‏ترین و سریعترین روش برای اکتشاف منابع زیرسطحی بوده و در واقع نماینده زون‏‌های مواد معدنی در روی سطح زمین هستند. آن دسته از گوسان‏‌ها که دارای منابع معدنی مهم مثل مس و طلا هستند، گوسان‏‌های حقیقی نام دارند. هدف از این تحقیق شناسایی گوسان‌‏های حقیقی در محدوده‌‏های اکتشافی کوچک بود. در این راستا، یک الگوریتم برمبنای شبکه‏‌های عصبی کانولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش‌‏پردازش‌‏هایی نظیر تصحیح و ترمیم هندسی و طیفی، تقسیم تصاویر ماهواره‏ای ASTER و Google به تصاویر کوچکتر و تقویت داده‌‏های آموزشی برای آماده‏‌سازی تصاویر RGB برای ورود به شبکه انجام می‌‏شود. شبکه عصبی کانوولوشنی (CNN) پیشنهادی دارای ساختاری کدگذار-کدگشا است که در مرحله کدگذاری ویژگی‌‏های مختلف و کارآمد در مقیاس‌‏های متفاوت استخراج شده و در مرحله کدگشایی ویژگی‏‌های تولید شده برای تخمین مناطق گوسانی با یکدیگر تلفییق می‌‏گردند. سپس شبکه مورد نظر برای تصاویر محدوده اکتشافی مورد مطالعه به نام "تل بارگاه" واقع در شهرستان داراب اجرا شده و مناطق گوسانی منطقه استخراج شد. برای ارزیابی میدانی نتایج بدست آمده، نتایج شبکه و جانمایی آن روی نقشه درونیابی عیاری مس منطقه و بررسی نتایج سنگ‌‏شناسی ادغام شده و گوسان‌‏های حقیقی منطقه با دقت آماری پارامترهای حساسیت: 0.957 ، امتیاز F1: 461/0 ، دقت تشخیص سنگی 92 درصد و میانگین عیاری مس بالای 4درصد در این مناطق، شناسایی شد.
 
[1] Convolutional neural network
شماره‌ی مقاله: 1
واژه‌های کلیدی: گوسان، ژئوشیمی، کانسار مس، سنجش‌ازدور، یادگیری عمیق
متن کامل [PDF 1752 kb]   (199 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
دریافت: 1401/2/4
فهرست منابع
1. Amiri. A. H.. Ranjbar. H.. and Honarmand. M.. 2005. Application of remote sensing techniques in alluvial sampling design for exploration of placer deposits in the semi-arid areas. Map India Geomatics
2. Andrew. R. L. 1980. ‌Supergene alteration and gossan textures of base-metal ores in Southern Africa‌. Minerals Science and Engineering, 12(4):193-215.
3. Andrew. R. L. 2000. ‌Short Course in Evaluation of Gossans in Mineral Exploration‌. ADIMB, Brasilia, 57 pp.
4. Beiranvand Pour. and A.. Hashim. M.. 2012. The application of ASTER remote sensing data to porphyry copper and epithermal gold deposits. Ore Geology Reviews, 44 (2012) 1-9. [DOI:10.1016/j.oregeorev.2011.09.009]
5. Beiranvand Pour. A.. Hashim. M.. and Marghany. M.. 2013. Exploration of gold mineralization in a tropical region using Earth Observing-1 (EO1) and JERS-1 SAR data: a case study from Bau gold field, Sarawak, Malaysia. Arab J Geosci 7, 2393-2406. [DOI:10.1007/s12517-013-0969-3]
6. Bhadra. B. K.. Kumar. A.. Karunakar.G.. Meena. H.. Rehpade. B.. and Srinivasa Rao. S.. 2021. Integrated remote sensing and geophysical techniques for shallow base metal deposits (Zn, Pb, Cu) below the gossan zone at Kalabar, Western Aravalli Belt, India. Journal of Applied Geophysics, 191. 104365. [DOI:10.1016/j.jappgeo.2021.104365]
7. Blain. C. F.. and Andrew. R. L.. 1977. ‌Sulphide weathering and themineral evaluation of gossans in mineral exploration‌. Minerals Science and Engineering, 9(3):119-150.
8. Blanchard. R., 1968. ‌Interpretation of Leached Outcrops‌. Nevada Bureau of Mines and Geology, 66 pp.
9. Boyle. D. R. 1996. ‌Supergene base metals and precious metals‌. In: Eckstrand. O.R.. Sinclair. W.D.. and Thorpe. R.I. (Editors), Geology of Canadian mineral deposit types. Geologic Survey of Canada, pp. 92-108.
10. Essalhi. M.. Sizaret. S.. Barbanson. L.. Chen. Y.. Lagroix. F.. Demory. F.. Nieto. J.M.. Saez. R.. and Capitan. M.A.. 2011. ‌A case study of the internal structures of gossans and weathering processes in the Iberian Pyrite Belt using magnetic fabrics and paleomagnetic dating‌. Mineralium Deposita, 46(8):981-999. [DOI:10.1007/s00126-011-0361-8]
11. Gahlan. H.. and Ghrefat. H.. 2018. ‌Detection of Gossan Zones in Arid Regions Using Landsat 8 OLI Data: Implication for Mineral Exploration in the Eastern Arabian Shield, Saudi Arabia‌. Natural Resources Research, 27(1):109-124. [DOI:10.1007/s11053-017-9341-8]
12. Hannington. M. D.. Thompson. G.. Rona. P. A.. and Scott. S. D.. 1988. ‌Gold and native copper in supergene sulphides from the Mid-Atlantic Ridge‌. Nature, 333: 64-66. [DOI:10.1038/333064a0]
13. Ioffe. S.. and Szegedy. C.. ‌2015. Batch normalization: Accelerating deep network training by reducing internal covariate shift,‌ arXiv preprint arXiv:1502.03167.
14. Karimpour. M. H.. Malekzadeh Shafaroudi.A.. Esfandiarpour. A.. and Mohammadnezhad. H.. 2012. ‌Neyshabour turquoise mine: the first Iron Oxide Cu-Au-U-LREE (IOCG) mineralized system in Iran‌. Journal of Economic Geology, 3(2), 193-216.
15. LeCun. Y.. Bengio. Y.. and Hinton. G.. ‌2015.Deeplearning,‌ Nature, vol. 521, pp. 436-444. [DOI:10.1038/nature14539]
16. Ozdemir. A.. and Sahinoglu. A.. 2018. Important of Gossans in Mineral Exploration: A Case Study in Northern Turkey. Int J Earth Sci Geophys, 4:019. [DOI:10.35840/2631-5033/1819]
17. Phung. S. L.. and Bouzerdoum. A.. 2009. MATLAB Library for Convolutional Neural Networks, Technical Report‖, Visual and Audio Signal Processing Lab, University of Wollongong.
18. Pirouei. M.. Kolo. K.. and Kalaitzidisc. S. P.. 2020. Hydrothermal listvenitization and associated mineralizations in Zagros Ophiolites: implications for mineral exploration in Iraqi Kurdistan. Journal of Geochemical Exploration, 208. 106405. [DOI:10.1016/j.gexplo.2019.106404]
19. Rajendran. S.. and Nasir. S.. 2017. ‌Characterization of ASTER spectral bands for mapping of alteration zones of volcanogenic massive sulphide deposits‌. Ore Geology Reviews, 88:317-335. [DOI:10.1016/j.oregeorev.2017.04.016]
20. Scott. K. M.. Ashley. P.M.. and Lawie. D. C.. 2001. ‌The geochemistry, mineralogy and maturity of gossans derived from volcanogenic Zn-Pb-Cu deposits of the eastern Lachlan Fold Belt, NSW, Australia‌. Journal of Geochemical exploration, 72(3):169-191. [DOI:10.1016/S0375-6742(01)00159-5]
21. Sherlock. R. L.. and Barrett. T. J.. 2004. ‌Geology and volcanic stratigraphy of the Canatuan and Malusok volcanogenic massive sulfide deposits, southwestern Mindanao, Philippines. Mineralium Deposita, 39(1):1-20. [DOI:10.1007/s00126-003-0350-7]
22. Taylor. G. F.. 1987. ‌Gossan and Ironstone Evaluation in Mineral Exploration‌. Brazilian Geochemistry Society, Rio de Janeiro, 140 pp.
23. Törmänen. T. O.. and Koski. R. A.. 2005. ‌Gold enrichment and the Bi-Au association in pyrrhotite-rich massive sulfide deposits, Escanaba Trough, southern Gorda Ridge‌. Economic Geology, 100(6):1135- 1150. [DOI:10.2113/gsecongeo.100.6.1135]
24. Wager. S.. Wang. S.. and Liang. P. S.. ‌2013. Dropout training as adaptive regularization. Advances in neural information processing systems, pp. 351-359.
25. Wilhelm. E. K.. and Kosakevitch. A.. 1979. ‌Utilisation des chapeaux de fer comme guide de prospection‌. Geólogie des gites minéraux, 2(3):109-140.
26. Wilmshurst. J. R.. and Fisher. N. I.. 1983. ‌Classification scheme of gossans‌. In: Smith. R.E. (Editor), Geochemical Exploration in Deeply Weathered Terrain. CSIRO Division of Mineralogy, Floreat Park, Western Australia, pp. 104-106.
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rajabi A, Akhoondzadeh-Hanzaei M. Mapping of real Gossan in oxidant deposits using multi-source images and deep learning. JGST 2023; 13 (2) : 1
URL: http://jgst.issgeac.ir/article-1-1087-fa.html

رجبی احمد، آخوندزاده هنزائی مهدی. نقشه‌برداری گوسان‌های حقیقی در کانسارهای اکسیدان با استفاده از تصاویر RGB و یادگیری عمیق. علوم و فنون نقشه برداری. 1402; 13 (2) :1-14

URL: http://jgst.issgeac.ir/article-1-1087-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 13، شماره 2 - ( 9-1402 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology