fa نقشه‌برداری گوسان‌های حقیقی در کانسارهای اکسیدان با استفاده از تصاویر RGB و یادگیری عمیق فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span sans-serif=""><span lang="FA"><span style="line-height:115%"><span b="" nazanin="">گوسان&rlm;‌ها ساده‌&rlm;ترین و سریعترین روش برای اکتشاف منابع زیرسطحی بوده و در واقع نماینده زون&rlm;‌های مواد معدنی در روی سطح زمین هستند. آن دسته از گوسان&rlm;‌ها که دارای منابع معدنی مهم مثل مس و طلا هستند، گوسان&rlm;‌های حقیقی نام دارند. هدف از این تحقیق شناسایی گوسان‌&rlm;های حقیقی در محدوده‌&rlm;های اکتشافی کوچک بود. در این راستا، یک الگوریتم برمبنای شبکه&rlm;‌های عصبی کانولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش‌&rlm;پردازش‌&rlm;هایی نظیر تصحیح و ترمیم هندسی و طیفی، تقسیم تصاویر ماهواره&rlm;ای </span></span></span><span dir="LTR"><span style="line-height:115%"><span new="" roman="" times="">ASTER</span></span></span> <span lang="FA"><span style="line-height:115%"><span b="" nazanin="">و </span></span></span><span dir="LTR"><span style="line-height:115%"><span new="" roman="" times="">Google</span></span></span><span lang="FA"><span style="line-height:115%"><span b="" nazanin=""> به تصاویر کوچکتر و تقویت داده‌&rlm;های آموزشی برای آماده&rlm;‌سازی تصاویر </span></span></span><span dir="LTR"><span style="line-height:115%"><span new="" roman="" times="">RGB</span></span></span><span lang="FA"><span style="line-height:115%"><span b="" nazanin=""> برای ورود به شبکه انجام می‌&rlm;شود. شبکه عصبی کانوولوشنی (CNN)&nbsp;</span></span></span><span lang="FA"><span style="line-height:115%"><span b="" nazanin="">پیشنهادی دارای ساختاری کدگذار-کدگشا است که در مرحله کدگذاری ویژگی‌&rlm;های مختلف و کارآمد در مقیاس‌&rlm;های متفاوت استخراج شده و در مرحله کدگشایی ویژگی&rlm;‌های تولید شده برای تخمین مناطق گوسانی با یکدیگر تلفییق می‌&rlm;گردند. سپس شبکه مورد نظر برای تصاویر محدوده اکتشافی مورد مطالعه به نام &quot;تل بارگاه&quot; 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 سنگ‌&rlm;شناسی ادغام شده و گوسان‌&rlm;های حقیقی منطقه با دقت آماری پارامترهای حساسیت: 0.957 ، امتیاز </span></span></span><span dir="LTR"><span style="line-height:115%"><span new="" roman="" times="">F1</span></span></span><span dir="LTR"><span style="line-height:115%"><span new="" roman="" times="">: </span></span></span><span lang="FA"><span style="line-height:115%"><span b="" nazanin="">461/0 ، دقت تشخیص سنگی 92 درصد و میانگین عیاری مس بالای 4درصد در این مناطق، شناسایی شد.</span></span></span></span></span></span></span></span></span></div> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"><span style="font-size:10pt"><span new="" roman="" style="font-family:" times=""><a href="#_ftnref1" name="_ftn1" title=""><span class="MsoFootnoteReference" style="vertical-align:super"><span class="MsoFootnoteReference" style="vertical-align:super"><span lang="ES" style="font-size:10.0pt"><span style="line-height:115%"><span new="" roman="" style="font-family:" times="">[1]</span></span></span></span></span></a> Convolutional neural network</span></span></div> </div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Times New Roman;"><span style="line-height:150%"><span style="unicode-bidi:embed"><span sans-serif=""><span style="line-height:150%"><span new="" roman="" times="">Gossans are the easiest and fastest way to explore subsurface resources and actually represent mineral zones on the earth&#39;s surface. Gossans that have important mineral resources such as copper and gold are called true gusans. The aim of this study was to identify true Gossans in small exploration areas. In this paper, an algorithm for deep convolutional cane crusts was designed. In the proposed algorithm, first preprocessions such as geometric and spectral correction and restoration, division of satellite images into smaller images and amplification of training data are performed to prepare RGB data to enter the chip. The proposed CNN cane has a encoder-decoder structure that in the coding stage different and efficient features are extracted at different scales and in the decoding stage the generated features are combined to estimate the Gossan regions. Then, the desired network was implemented for the images of the studied exploratory area called &quot;Tal Bargah&quot; located in Darab city and the Gossan areas of the region were extracted. For field evaluation of the obtained results, the results of the network and its location on the copper orthodontic interpolation map of the region and review of the integrated lithological results and the real gusans of the region with statistical accuracy of sensitivity parameters: 0.957, F1 score: 0.457, rock detection accuracy 92% and average Copper grade above 4% was detected in these areas.</span></span></span></span></span></span></span><br> &nbsp;</div> گوسان, ژئوشیمی, کانسار مس, سنجش‌ازدور, یادگیری عمیق Gossan, Geochemistry, Copper deposit, Remote sensing, Deep learning 1 14 http://jgst.issgeac.ir/browse.php?a_code=A-10-191-9&slc_lang=fa&sid=1 Ahmad Rajabi احمد رجبی ah.rajabi@ut.ac.ir 10031947532846009888 10031947532846009888 No University of Tehran دانشگاه تهران Mehdi Akhoondzadeh-Hanzaei مهدی آخوندزاده هنزائی makhonz@ut.ac.ir 10031947532846009889 10031947532846009889 Yes University of Tehran دانشگاه تهران