Journal of Geomatics Science and Technology

fa نگاشت مناطق آلتراسیون با استفاده از مدل آمیخته ی گاوسی و نقشه بردار زاویه طیفی Mapping Alteration Zones using Gaussian Mixture Model and Spectral Angle Mapper فتوگرامتری و سنجش از دور Photo&RS ترویجی Tarviji در ایران باتوجه به وسعت زیاد کشور و گستردگی مناطق پتانسیلدار ذخایر معدنی، شناسایی و مدیریت صحیح ذخایر اهمیت بسیار بالایی دارد. از طرف دیگر به دلیل پیشرفتهای فنآوری سنجش از دور و تولید دادههای فراطیفی با اطلاعات طیفی فراوان، استفاده از این دادهها جهت مطالعهی دقیق پدیدهها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیدههای سطح زمین در بسیاری از علوم مرتبط با زمین مورد توجه قرار گرفته اند. از آنجایی که بسیاری از مواد معدنی در محدوده مادون قرمز کوتاه ویژگیهای طیفی منحصر بهفردی دارند، تشخیص و تفکیک آنها به کمک تصاویر فراطیفی به جهت پهنای باندی بسیار کمی که دارند، بسیار حائز اهمیت است. در این پژوهش قصد داریم به تفکیک مناطق آلتراسیون مرتبط با مس پورفیری به کمک تصاویر فراطیفی هایپریون و با استفاده از دو الگوریتم نقشه بردار زاویه طیفی (SAM) و طبقهبندی کننده مدل آمیخته گاوسی بپردازیم. شایان ذکر است که انجام پیشپردازشهای لازم بر روی تصاویر فراطیفی هایپریون به دلیل داشتن نسبت سیگنال به نویز پایین، یکی از گامهای بسیار ضروری به جهت رسیدن به نتایج مطلوب میباشد. به منظور مقایسه و ارزیابی صحت روشهای پیشنهادی در این تحقیق، ابتدا داده تصویری از سنجنده هایپریون مورد استفاده قرار گرفت. همچنین یک داده شبیهسازی شده مورد استفاده قرار گرفت، تا کارایی الگوریتمهای مورد استفاده در این تحقیق را نشان دهند. برای ارزیابی نتایج نیز از ماتریس خطا به کمک دادههای زمینی استفاده شد و مولفههای دقت کلی و ضریب کاپا به عنوان معیار ارزیابی مورد استفاده قرار گرفتند. دقت کلی و ضریب کاپا برای الگوریتم SAM و آمیخته گاوسی به ترتیب معادل با 82% ، 75/0 و 80% ، 71/0 حاصل شد. Due to the extent of mineral deposits, identification and proper management of resources is very important. According to the advent of remote sensing and specially producing hyperspectral remote sensing data which can get abundant spectral information, using this data for detailed study is rapidly expanding. Launch of the EO-1 in November 2000 introduced hyperspectral sensing of the earth from space through the Hyperion system. Hyperion has a single telescope and two spectrometers in visible near-infrared (VNIR) and short-wave infrared (SWIR). These spectral bands could provide abundant information about many important earth-surface minerals. Therefore one of the main aim of the present study was to examine the feasibility of the EO-1 Hyperion data in discriminating and mapping alteration zones around porphyry copper deposits (PCDs). The study area is situated at the Central Iranian Volcano-Sedimentary Complex, where the large copper deposits like Sarcheshmeh as well as numerous occurrences of copper exist. The visible near infrared and shortwave infrared (VNIR-SWIR) bands of data were used for image classifying and specially alteration mapping. The Pre-processing which was implemented on the level 1R Hyperion data in order to remove noise and acquire surface reflectance includes five steps that named removing uncalibrated bands, spatial displacement correction, destriping, spectral curvature (smile) correction and at last atmospheric correction. It is noticeable that atmospheric correction, because of using the target detection algorithm, SAM, is one of the most important step in this study. Therefore the Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) algorithm, available in ENVI software, was implemented to obtain surface reflectance data. This algorithm is a MODTRAN4-based atmospheric correction software package designed to eliminate atmospheric effects through derivation of atmospheric properties such as surface albedo, surface altitude, water vapor column, aerosol, and cloud optical depths, as well as surface and atmospheric temperatures from hyperspectral data. In this paper Spectral Angle Mapper (SAM) and Gaussian Mixture Model (GMM) were implemented on pre-processed and calibrated Hyperion dataset. For using SAM algorithm, introducing reference spectra is obligatory. Information extraction from a Hyperion data set involves several processes including extraction of scene spectral endmembers using an integration of MNF, pixel purity index (PPI), and n-dimensional visualizer approaches. Then the extracted spectra which characterized using spectral analysis procedure available at ENVI and visual inspection, were used as reference for subsequent processing by SAM algorithm. On the other hand Gaussian mixture model (GMM) has been successfully used for HSI classification. It has also proved beneficial for a variety of classification tasks, such as speech and speaker recognition, clustering, etc. For estimating the parameters of GMM, the Expectation-Maximization (EM) algorithm was used.  In order to compare and assess the accuracy of methods proposed in this study, a simulated data used to demonstrate the efficiency of algorithms which used in this study. Results revealed that Hyperion data prove to be powerful in discriminating and mapping various types of alteration zones while the data were subjected to adequate pre-processing. Overall accuracy and kappa coefficient for results of SAM and GMM are 82%, 0.75 and 80%, 0.71 respectively. نقشه بردار زاویه طیفی, تصاویر فراطیفی, مدل آمیخته گاوسی, پتانسیل یابی مواد معدنی Alteration Minerals,Spectral Angle Mapper, Gaussian Mixture Model ,Classification,Hyperspectral 217 229 http://jgst.issgeac.ir/browse.php?a_code=A-10-481-2&slc_lang=fa&sid=1 M. Lotfi مریم لطفی lotfi.maryam@ut.ac.ir 10031947532846005247 10031947532846005247 No tehran university دانشگاه تهران H. Ghanbari حمید قنبری hamid.ghanbari@ut.ac.ir 10031947532846005248 10031947532846005248 Yes tehran university دانشگاه تهران H. Arefi حسین عارفی hossein.arefi@ut.ac.ir 10031947532846005249 10031947532846005249 No tehran university دانشگاه تهران A. Bahroudi عباس بحرودی bahroudi@ut.ac.ir 10031947532846005250 10031947532846005250 No tehran university دانشگاه تهران