نقشه برداری از مجتمع نفوذی در مقیاس کوچک با استفاده از تصاویر سنجش از راه دور چند منبعی

خلاصه

نقشه برداری مجتمع نفوذی چند مرحله ای نقش مهمی در تحقیقات کانی سازی منطقه ای ایفا می کند. شباهت ویژگی‌های سنگ‌شناسی بین مراحل مختلف نفوذ، استفاده از باندهای طیفی غنی‌تر را ضروری می‌کند، در حالی که وضوح فضایی بالاتر نیز در تحقیقات در مقیاس کوچک ضروری است. در این مقاله، یک روش کاربردی داده های سنجش از دور چند منبعی پیشنهاد شده است. این روش شامل یک فرآیند هم افزایی طیفی بر اساس رگرسیون آماری و یک فرآیند همجوشی با استفاده از تیز کردن طیفی گرم-اشمیت (GS) است. ما روش را با Gaofen-2 (GF2)، Sentinel-2، و داده‌های رادیومتر گسیل و انعکاس حرارتی پیشرفته فضایی (ASTER) برای نقشه‌برداری مجتمع نفوذی کوهستان سانفنگ در شمال غربی چین که در آن ثابت شده است نفوذهای کربنیفر مستقیماً با تشکیل رسوبات طلا در این منطقه مرتبط هستند. نسبت باند (BR) و عمق باند جذب نسبی (RBD) برای افزایش تفاوت‌های طیفی بین نفوذهای دو مرحله‌ای استفاده شد و رنگ کاذب قرمز-سبز-آبی (RGB) تصاویر بهبود BR و RBD در غرب به خوبی انجام شد. و مرکز نتایج بهبود عالی با استفاده کامل از تمام باندهای تصویر هم افزایی و با استفاده از روش ماتریس نسبت باند (BRM)-Principal Component Analysis (PCA) در قسمت شمال شرقی منطقه مورد مطالعه به دست آمد. بنابراین یک بهبود حیاتی در عملکرد افزایش توسط فرآیند همجوشی GS و فرآیند هم افزایی طیفی نشان داده شد. یک نتیجه نقشه برداری دقیق در مجتمع نفوذی کوهستان سانفنگ به دست آمد. این روش می‌تواند از تحقیقات زمین‌شناسی و کانی‌سازی منطقه‌ای در مقیاس کوچک در این منطقه حمایت کند.

کلید واژه ها:

مجتمع نفوذی ; سنجش از دور چند منبعی ; GF2 ; Sentinel-2 ; ASTER ; هم افزایی

۱٫ معرفی

فازهای نفوذی چند مرحله ای و فرآیندهای مرتبط با سیال گرمابی شرایط مهمی برای تشکیل انواع رسوبات درون زا هستند [ ۱ ، ۲ ]. ویژگی‌های توزیع فضایی توده‌ها معمولاً با کانی‌های درون‌زای منطقه‌ای مرتبط است، بنابراین نقشه‌برداری موفق توده‌های مراحل مختلف برای تحقیقات متالوژنیک منطقه‌ای مفید است. به دلیل فرآیندهای الکترونیکی و ارتعاشی، سنگ‌ها و کانی‌ها ممکن است ویژگی‌های بازتاب طیفی متفاوتی را در ناحیه طول موج ۴۰۰-۲۵۰۰ نانومتر بیان کنند [ ۳ ، ۴ ، ۵ ]. بنابراین، سنجش از دور به طور گسترده برای نقشه برداری زمین شناسی استفاده شده است [ ۶ ، ۷ ، ۸].

تفسیر دقیق مجتمع های نفوذی اسید میانی همواره یکی از مشکلات سنجش از دور زمین شناسی بوده است. سنجش از دور ماهواره‌ای به‌راحتی برای نقشه‌برداری توالی‌های آذرین قابل استفاده نیست، زیرا در چنین سنگ‌هایی، تماس‌های سنگ‌شناسی کمتر قابل پیش‌بینی هستند و ویژگی‌های طیفی کمتر تعریف شده‌اند [ ۹ ]. این کار ممکن است به باندهای طیفی غنی تری در نواحی طول موج مرئی/مادون قرمز نزدیک (VNIR) و مادون قرمز موج کوتاه (SWIR) نیاز داشته باشد (سنسورهای مادون قرمز حرارتی Spaceborne ممکن است وضوح فضایی نداشته باشند). رادیومتر تابش و انعکاس حرارتی پیشرفته فضایی (ASTER) به دلیل تنظیم طیفی مناسب، اغلب در جامعه زمین شناسی استفاده شده است [ ۱۰ ، ۱۱ ، ۱۲، ۱۳ ، ۱۴ ]، به ویژه نوارهای منطقه SWIR، که برای تشخیص گرانیتوئیدها با محتوای سیلیس بسیار مشابه با اثرات ثانویه مربوط به تغییرات هیدروترمال و سطح موثر هستند. اخیراً پتانسیل Sentinel-2 برای استفاده در کاربردهای زمین شناسی ثابت شده است [ ۱۵ ، ۱۶ ]، و نشان داده شد که چهار نوار باریک آن در ناحیه VNIR اطلاعات طیفی مؤثری را برای آهن آهنی و آهنی به ارمغان می آورد. با این حال، وضوح فضایی این تصاویر ماهواره ای سنجش از دور برای کاربردهای مقیاس کوچک رضایت بخش نیست. مجموعه داده های با وضوح فضایی بالا مانند QuickBird [ ۱۷ ]، WorldView [ ۱۸ ، ۱۹]، Systeme Probatoire d’Observation de la Terre (SPOT) [ ۲۰ ] و چینی Gaofen (GF) [ ۲۱ ] می توانند برای نشان دادن بهتر مرزهای نشانه ها استفاده شوند، و باندهای VNIR آنها به ویژگی های طیفی مربوط به فرآیندهای الکترونیکی حساس هستند. با این حال، این مجموعه داده ها عمدتاً فاقد باندهای SWIR هستند. اگرچه داده‌های WorldView-3 در دسترس و رضایت‌بخش هستند، هزینه آن بسیار بالا است، به‌ویژه در مناطقی که هیچ سابقه داده‌های تاریخی ندارند.

همجوشی تصویر یک روش مهم برای ترکیب اطلاعات فضایی و طیفی داده های سنجش از دور پانکروماتیک (PAN) و چند طیفی (MS) بوده است [ ۲۲ ]. در جامعه سنجش از دور زمین‌شناسی، روش‌های همجوشی تصویر نیز به طور گسترده برای تولید یک مجموعه داده ایده‌آل با وضوح فضایی بالا و باندهای طیفی مورد نیاز استفاده می‌شوند. داده‌های سری Landsat یا ASTER MS با IRS تیز شدند تا به زمین‌شناسان کمک کنند تا مرز سنگ‌شناسی را راحت‌تر بیابند [ ۲۳ ، ۲۴ ]. داده‌های ASTER MS با QuickBird PAN ادغام شدند تا وضوح فضایی بالاتری به دست آید، که برای استخراج اطلاعات تغییر موثر ثابت شده است [ ۲ ]]. به دلیل هزینه کمتر نسبت به داده‌های با وضوح بالای فضایی رایج (مثلاً WorldView و QuickBird)، سری Gaofen (GF) چین نیز در ترکیب با ASTER یا Landsat در جامعه زمین‌شناسی [ ۲۱ ]، به‌ویژه در میان محققان چینی استفاده شد. احتمالاً به این دلیل که آنها می توانند داده های GF را به صورت رایگان درخواست کنند). از زمانی که GF-2 با وضوح فضایی ۱ متر شروع به توزیع داده های خود کرد، چندین محقق بر ترکیب GF-2 PAN با تصاویر MS تمرکز کردند. ژانگ و همکاران هنگام ادغام GF2 PAN با خود MS. نشان داد که تیز کردن تابه مبتنی بر انتشار نزدیکترین همسایه (NNDiffuse) بهترین عملکرد را در نوارهای نور مرئی داشت، در حالی که روش گرم اشمیت در باند مادون قرمز نزدیک بهتر بود [ ۲۵ ]. مطالعات مربوط به ادغام GF2 PAN با سایر تصاویر MS (به عنوان مثال، GF-5 در [ ۲۶] و GF-4 و Landsat-8 Operational Land Imager (OLI) در [ ۲۷ ]) به طور متوالی منتشر شده اند. همانطور که قاسمیان [ ۲۲ ] اشاره کرد، روش‌های همجوشی در سطح پیکسل معمولاً به چهار دسته تقسیم می‌شوند: (۱) جایگزینی مؤلفه (CS)، (۲) تجزیه و تحلیل چند وضوح (MRS)، (۳) ترکیبی و (۴) مبتنی بر مدل. روش های اول و دوم آنهایی هستند که بیشتر در جامعه سنجش از دور زمین شناسی استفاده می شوند زیرا اجرای آنها سریع و آسان است.

در واقع، آمیختگی تصویر، تضاد بین وضوح فضایی و طیفی یک سنسور را حل می کند. با این حال، سنسورهای مختلف ممکن است باندهای طیفی در موقعیت های طول موج متفاوت داشته باشند، و گاهی اوقات، آنها برای نقشه برداری یک مجتمع نفوذی مفید هستند. این نوع باندها در حسگرهای مختلف ممکن است از نظر پاسخ های طیفی ناسازگار باشند. این مقاله روش موثری را ارائه می‌کند که می‌تواند برای به دست آوردن نتایج نقشه‌برداری پیچیده نفوذی با استفاده از داده‌های سنجش از دور ماهواره‌ای چند منبعی مورد استفاده قرار گیرد. منطقه کوهستان سانفنگ، که در کمربندهای متالوژنیک کلیدی در غرب چین قرار دارد، به عنوان منطقه مورد مطالعه در نظر گرفته شد. استخراج دگرسانی و تحقیقات نقشه برداری سنگ شناسی در و نزدیک منطقه مورد مطالعه اخیرا توسط Sun و همکاران منتشر شده است. [ ۲۸ ] و Ye et al. [ ۲۹]، که هر دو از داده های WorldView-3 به دلیل باندهای SWIR و وضوح فضایی بالا استفاده می کردند [ ۲۹ ]. داده های چینی GF-2، Sentinel-2 و ASTER برای ارزیابی هم افزایی روش سنجش از راه دور چند منبعی پیشنهاد شده توسط این مقاله در افزایش تفاوت های طیفی بین نفوذهای مراحل مختلف و نقشه برداری مجتمع نفوذی استفاده شد.

۲٫ منطقه مطالعه و محیط زمین شناسی

مجموعه نفوذی کوهستان سانفنگ در جنوب غربی کوه های بیشان، جنوب شرقی منطقه خودمختار سین کیانگ اویغور چین واقع شده است. بین ۴۰ درجه و ۲۷ دقیقه و ۴۰ درجه و ۳۰ دقیقه عرض شمالی و ۹۱ درجه و ۳۷ دقیقه و ۹۱ درجه و ۴۵ دقیقه طول شرقی قرار دارد ( شکل ۱ ). منطقه بیشان یک کمربند متالوژنیک است که در حاشیه جنوبی کمربند کوهزایی آسیای مرکزی و حاشیه شمال شرقی حوضه تاریم قرار دارد [ ۳۰ ]. شکل‌های زمین در منطقه مورد مطالعه عمدتاً کوه‌های متوسط-پایین و دشت‌های شور-قلیایی، با کیزیلتاگ در شمال و فرورفتگی لوپ نور در جنوب هستند. سطح بارندگی بسیار کم است و پوشش گیاهی کمیاب است، بنابراین منطقه برای استفاده از تصاویر سنجش از دور ماهواره ای برای تحقیقات زمین شناسی مناسب است.

شکل ۲ نقشه زمین شناسی منطقه مورد مطالعه را نشان می دهد. نفوذ در این منطقه بسیار فعال است. فعالیت های ماگمایی چند مرحله ای در این منطقه رخ داده و توسط تکتونیک منطقه ای کنترل می شود [ ۲۸]. دو مرحله اصلی نفوذ ماگمایی در مجموعه نفوذی وجود دارد که به خوبی در معرض دید قرار می گیرند. دیوریت نفوذی پروتروزوییک پسین بیشترین توده های نفوذی در منطقه را تشکیل می دهد که توسط گرانیت کربنیفر و گرانودیوریت نفوذ می کند. سنگ های نفوذی در هر دو مرحله میانی اسیدی و سنگ های نفوذی پروتروزوییک پسین متوسط تر هستند. دایک های کوارتز، سینیت، گرانیت و دیوریت به صورت محلی وجود دارند. فلدسپات ها در سنگ های نفوذی کربونیفر دارای دگرسانی های سرسیتی آشکار هستند، در حالی که محتوای کانی های تیره در سنگ های نفوذی پروتروزوییک پسین (مانند بیوتیت و آمفیبول) نسبتاً بیشتر است. به طور قابل‌توجهی، نمونه‌های سنگ نفوذ کربنیفر یک ناهنجاری طلا را نشان می‌دهند [ ۳۱ ]]، بنابراین فعالیت ماگمایی در این مرحله ممکن است ارتباط مستقیمی با تشکیل رسوبات طلا در منطقه داشته باشد.

۳٫ مواد و روش

۳٫۱٫ داده ها

به منظور یافتن راهی موثر و اقتصادی برای نقشه‌برداری مجتمع نفوذی، سه نوع داده سنجش از دور ماهواره‌ای را انتخاب کردیم: چینی GF-2، Sentinel-2 و ASTER.

ماهواره چینی GF-2 که توسط دولت چین در آگوست ۲۰۱۴ پرتاب شد، اولین برنامه رصد زمین با وضوح بالا بود که به وضوح فضایی ۱ متر در چین رسید. داده ها را با ۴ باند چند طیفی (MS) در VNIR با وضوح فضایی ۴ متر و باند پانکروماتیک (PAN) 1 متر ارائه می دهد. ASTER، با باندهای MS در VNIR، SWIR، و مادون قرمز حرارتی (TIR) در وضوح فضایی به ترتیب ۱۵، ۳۰ و ۹۰ متر، نوعی داده است که به طور گسترده در تحقیقات سنجش از دور زمین شناسی استفاده می شود. پارامترهای آن در بسیاری از مطالعات قبلی مانند روون و مارس (۲۰۰۳) به تفصیل مورد بحث قرار گرفته است. کمیسیون اروپا (EC) و آژانس فضایی اروپا (ESA) برنامه رصد زمین اروپایی کوپرنیک را تأسیس کردند که مجموعه‌ای از ماموریت‌های ماهواره‌ای را پرتاب کرد: Sentinel 1 تا ۵٫ Sentinel-2 داده ها را با یک مجموعه باند نسبتاً بزرگ (۱۳ باند طیفی) با سطوح مختلف تفکیک فضایی فراهم می کند. مقایسه باندهای GF-2، Sentinel-2 و ASTER در نشان داده شده استشکل ۳ .

جدول ۱ ویژگی های سه حسگر اعمال شده در این مقاله را نشان می دهد، از جمله زمان بازبینی، تنظیمات باند طیفی و اطلاعات تفکیک مکانی. همانطور که ویژگی های جذب طیفی مواد معدنی به خوبی مستند شده است [ ۳ ، ۴ ، ۵ ]، جذب طیفی الکترونیکی ناشی از آهن و آهن در کانی های آهن دار را می توان با باندهای GF2 MS و باندهای باریک در VNIR Sentinel-2 شناسایی کرد. می تواند مفید باشد (به عنوان مثال، باند ۶ که توسط د لوسیا لوبو و همکاران ذکر شده است [ ۳۲ ] و باند ۸a که توسط هو و همکاران ذکر شده است [ ۳۳ ]). باندهای ASTER SWIR می‌توانند ویژگی‌های جذب طیفی مولکولی Al-OH یا Mg-OH مرتبط با سریسیت، بیوتیت، اپیدوت و کلریت را در گرانیت‌های دگرسان‌شده هیدروترمال حل کنند.۱۲ ، ۱۳ ، ۱۴ ]. چنین کانی هایی ممکن است برای نقشه برداری کمپلکس های نفوذی با گرانیتوئیدهایی با محتوای سیلیس مشابه ضروری باشند. یک مجموعه داده رضایت‌بخش حاصل از فرآیند هم افزایی که در بخش بعدی این مقاله مورد بحث قرار گرفت، شامل تنظیمات باند طیفی مشابه با همه باندهای GF2، باندهای Sentinel-2 5/6/7/8A و باندهای ASTER SWIR می‌شود.

داده های سطح ۱A GF-2 در این مطالعه در ۱۷ سپتامبر ۲۰۱۵ به دست آمد، در حالی که داده های سطح ASTER 1B و Sentinel-2 سطح ۱C به ترتیب در ۱۳ می ۲۰۰۲ و ۱۵ می ۲۰۱۹ به دست آمدند. تمام داده های جمع آوری شده از منطقه مورد مطالعه به منطقه UTM 46 شمالی ارجاع داده شد و با داده WGS-84 تصحیح شد. داده‌های GF-2 و ASTER تحت کالیبراسیون تشعشع و راست‌یابی قرار گرفتند. توجه داشته باشید که اثر تداخل ناشی از نشت سیگنال از ASTER Band 4 به دیگر آشکارسازهای باند SWIR با استفاده از نرم افزار تصحیح تداخل تصحیح شد [ ۳۴]. تصحیح اتمسفر توسط ماژول Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) انجام شد. پردازش GF-2 و ASTER با نرم افزار ENVI 5.3 انجام شد، در حالی که پیش پردازش داده های Sentinel-2 با ماژول Sen2Cor با استفاده از نرم افزار Sentinel Application Platform (SNAP) ارائه شده توسط ESA به صورت خودکار انجام شد. از آنجایی که مطالعه این مقاله در مقیاس کوچک متمرکز بود و یک صحنه واحد از هر سنسور می‌توانست کل منطقه مورد مطالعه را پوشش دهد، فرآیند موزاییک‌سازی غیرضروری بود. پس از پیش پردازش، ثبت هندسی نسبی برای اطمینان از سازگاری موقعیت پیکسل های نسبی سه مجموعه داده انجام شد.

۳٫۲٫ هم افزایی داده های سنجش از راه دور چند منبعی

هم افزایی روش پردازش داده های سنجش از دور چند منبع شامل دو مرحله است: (۱) هم افزایی طیفی بر اساس رگرسیون آماری ابتدا به منظور ایجاد بازتاب سطحی حسگرهای مختلف یک پاسخ طیفی ثابت انجام شد. (۲) ادغام تصویر باندهای MS و باند PAN به منظور بهبود وضوح فضایی هر باند داده سنجش از دور انجام شد.

۳٫۲٫۱٫ فرآیند هم افزایی طیفی

سنسورهای راه دور مختلف ممکن است دارای باندهای طیفی در موقعیت های طول موج مشابه (مانند ASTER Band 1/2/3، GF2 Band 2/3/4 و Sentinel-2 Band 3/4/8، BSW) و باندهایی در موقعیت های طول موج متفاوت باشند. BDW) ممکن است وجود داشته باشد (به عنوان مثال، GF2 Band 1 و Sentinel-2 5/6/7/8a). به دلیل وضوح پرتوسنجی متنوع (به عنوان مثال، مجموعه داده ASTER 8 بیت است در حالی که مجموعه داده GF2 16 بیت است) و خطای محاسباتی اجتناب ناپذیر در طول پیش پردازش، بازتاب سطح انواع مختلف داده های حسگر ممکن است در پاسخ طیفی ناسازگار باشد.

هم افزایی طیفی که در شکل ۴ توضیح داده شده است (به عنوان مثال ASTER و GF2 را در نظر بگیرید) شامل دو مرحله است: (۱) BSW ها ابتدا با استفاده از رگرسیون آماری پردازش شدند، که از طریق آن چهار مدل رگرسیون رایج ساخته شد، از جمله یک مدل خطی، یک مدل چند جمله ای درجه دوم. ، یک مدل نمایی و یک مدل لگاریتمی. برای انتخاب بهترین مدل رگرسیونی از ضریب تعیین (R2) استفاده شد. (۲) سپس BDW ها با استفاده مجدد از ضریب رگرسیون و معادلات BSW تنظیم شدند. ما ضریب همبستگی بین هر BDW و BSW را محاسبه کردیم، سپس ضریب رگرسیون و معادلات رگرسیون را با بالاترین همبستگی برای پردازش BDW انتخاب کردیم.

با در نظر گرفتن فرآیند هم افزایی طیفی ASTER و GF2 به عنوان مثال، سه جفت BSW را می توان یافت (یعنی باند ASTER 1 تا باند GF2 2، باند ASTER 2 به باند GF2 3 و باند ASTER 3 تا باند GF2 4). از آنجا که تنها یک BDW برای GF2 باقی ماند (ASTER BDW های بیشتری داشت)، BSW های GF2 به عنوان متغیرهای مستقل در طول رگرسیون در نظر گرفته شدند، به طوری که تمام باندهای ASTER در طول فرآیند هم افزایی طیفی بدون تغییر باقی می مانند. بهترین مدل های رگرسیونی BSW ها با بالاترین R2 تعیین ^شدنداز چهار مدل از طریق محاسبات با استفاده از معادلات ضریب و رگرسیون هر BSW، باند GF2 2/3/4 توانست با پاسخ طیفی باند ASTER 1/2/3 مطابقت داشته باشد. BDW باقی مانده از باند ۱ GF2 ابتدا ضریب همبستگی با باند GF2 2/3/4 محاسبه شد تا بیشترین همبستگی پیدا شود، سپس معادلات ضریب و رگرسیون BSW (یعنی باند ۲/۳/۴) با بیشترین همبستگی به دست آمد. برای پردازش BDW باند ۱ GF2 استفاده شد. BSWهای مورد استفاده در محاسبه همبستگی آنهایی بودند که قبل از فرآیند هم افزایی طیفی بودند (یعنی باند اصلی GF2 2/3/4)، زیرا BSW و BDWهای GF2 همه به عنوان در نظر گرفته شدند. متغیرهای مستقل معادله رگرسیون از طریق فرآیند هم افزایی طیفی، تمام باندهای طیفی GF2 به پاسخ طیفی حسگر ASTER برازش داده شدند.

۳٫۲٫۲٫ ترکیب تصویر و ساخت مجموعه داده سینرژیستیک

ترکیب تصویر به منظور بهبود وضوح فضایی هر باند طیفی از حسگرهای مختلف استفاده شد. همانطور که قبلا ذکر شد، CS و MRS متداول‌ترین روش‌های همجوشی هستند، زیرا پیاده‌سازی سریع و آسان هستند. هر دو CS و MRS نقاط قوت و ضعف خود را دارند. روش‌های CS ممکن است مشکل اعوجاج طیفی را تجربه کنند، در حالی که MRS ممکن است باعث اعوجاج فضایی بالاتری شود [ ۲۲ ]. روش‌های MRS نیاز به ثبت مشترک دقیق بین تصاویر PAN و MS دارند [ ۳۵ ]، که یک کار بسیار چالش برانگیز است [ ۲۲ ] (زمانی که نسبت تفکیک مکانی (SRR) به اندازه GF-2 PAN و ASTER SWIR MS کم باشد، چالش برانگیزتر است)، در غیر این صورت ، تحریف فضایی جدی را تجربه خواهند کرد. روش‌های CS به دقت ثبت نام مشترک و SRR حساس نیستند [۳۶ ]، بنابراین یک روش همجوشی مناسب در بین روش‌های CS انتخاب شد، اگرچه آن‌ها دارای نقاط ضعف هستند، همانطور که برخی از محققان ادعا می‌کنند [ ۳۷ ، ۳۸ ].

روش تیز کردن طیفی گرم اشمیت (GS) [ ۳۹ ] به دلایل زیر در این مقاله استفاده شد:

(۱): این روش بیشتر از سایر روش‌های CS pan-sharpening هم در به حداکثر رساندن وضوح تصویر و هم در به حداقل رساندن اعوجاج رنگ بهتر عمل می‌کند [ ۴۰ ]. کمترین اعوجاج طیفی را در بین روش های همجوشی CS فعلی دارد و به طور گسترده در جامعه زمین شناسی سنجش از دور استفاده می شود.
(۲): همانطور که مطالعات فرحبخش و همکاران. [ ۲ ]، یانگ و همکاران. [ ۲۴ ] و پانده و همکاران. [ ۴۱ ] نشان داد، روش شارپنینگ طیفی GS همچنان می‌تواند حصول نتایج با کیفیت بالا را هنگام استفاده از تصاویر PAN و MS حسگرهای مختلف تضمین کند.
(۳): همانطور که در نتایج مطالعه Ghimire و همکاران نشان داده شد، GS کمترین تأثیر را بر روی کیفیت بیشتر شاخص‌های پوشش گیاهی (VI) زمانی که SSR کاهش یافت، داشت و در کل، عملکرد بهتری را در بین روش‌های همجوشی که استفاده می‌کردند نشان داد [ ۲۷ ] . از آنجایی که اصل شاخص کانی، ریاضی باند طیفی مشابه VI است، می توان استنباط کرد که کاربرد GS در این مطالعه نیز می تواند نتایج پایداری داشته باشد.

با استفاده از روش شارپنینگ طیفی GS، ۶ باند ASTER SWIR، ۴ باند باریک Sentinel-2 VNIR (Band 5/6/7/8A) و ۴ باند GF2 MS با تصویر GF2 PAN ترکیب شدند که هر باند طیفی را به یک بهبود بخشید. وضوح ۱ متر سه مجموعه از باندهای ذوب شده با محدوده طیفی مختلف و تفکیک فضایی یکسان به دست آمد. با یک فرآیند انباشتگی برای هر باند، یک مجموعه داده هم افزایی ساخته شد.

۳٫۳٫ بهبود تصویر و روش نقشه برداری پیچیده نفوذی

۳٫۳٫۱٫ بهبود تصویر با BR، RBD، و رنگ کاذب

نسبت باند (BR) [ ۴۲ ] می تواند کنتراست طیفی ویژگی های جذب خاص را افزایش دهد، در حالی که عمق باند جذب نسبی (RBD) [ ۴۳ ] یک نسبت سه نقطه ای مفید برای افزایش جذب Al-OH و Mg-OH در SWIR است. [ ۱۲ ]. هر دو BR و RBD به طور گسترده برای نقشه برداری لیتولوژی و تغییرات هیدروترمال استفاده شدند [ ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ ، ۴۸]. در این مطالعه، روش‌های BR و RBD هر دو برای افزایش ویژگی‌های طیفی نفوذها و دایک‌های مراحل مختلف ناشی از کانی‌های مشخصه مانند سریسیت، بیوتیت و آمفیبول مورد استفاده قرار گرفتند. طیف نمونه‌های سنگ از نفوذهای مراحل مختلف ابتدا برای انتخاب باندهای تشخیصی مورد استفاده توسط BR و RBD مورد تجزیه و تحلیل قرار گرفت. بر اساس هر تفاوت در ویژگی های طیفی ناشی از محتویات معدنی مختلف و از طریق BR و RBD، تصاویر چندگانه بهبود یافته به دست آمد. برای تولید تصاویر بهبودیافته با حداکثر کنتراست در ظاهر و جلوه‌های بصری بهتر، از ترکیب رنگ کاذب RGB برای ترکیب تصاویر بهبود یافته BR و RBD استفاده شد که یک تصویر رنگی RGB تولید کرد تا توده‌های نفوذی پروتروزوییک پسین و کربونیفر را بر اساس رنگ جدا کند. لحن

۳٫۳٫۲٫ بهبود تصویر توسط BRM و PCA

در ناحیه پیچیده مجتمع نفوذی که تفاوت در محتوای معدنی آشکار نیست، عملکرد بهبود یک شاخص معدنی خاص اغلب ایده‌آل نیست و مرزهای توده‌های نفوذی مختلف به طور موثر افزایش نمی‌یابد. با استفاده از مزایای تصاویر هم افزایی از نظر غنای باند، ممکن است بتوان به طور موثر تفاوت های طیفی توده های نفوذی مختلف را در مناطق پیچیده افزایش داد.

عسکری و همکاران [ ۴۹ ] ایده ماتریس نسبت نواری (Band Ratio Matrix، BRM) را در مطالعه نقشه‌برداری واحد سنگ‌شناسی در سنگ‌های رسوبی مطرح کرد، که می‌تواند مشکل شباهت معدنی در سنگ‌های رسوبی را کاهش دهد. در این مقاله، ایده‌های روش‌های BRM و تجزیه و تحلیل مؤلفه‌های اصلی (PCA) [ ۵۰ ، ۵۱ ] برای افزایش تفاوت‌های بین توده‌های نفوذی پروتروزوییک پسین و کربونیفر در ناحیه پیچیده معرفی شدند. BRM ماتریسی است که توسط نسبت های باند غیر تکراری ساخته شده است (به معادله (۱) مراجعه کنید).

BRM=ب۱/ب۲ب۱/ب۳ب۲/ب۳⋯⋯⋯⋯ب۱/بnب۲/بn⋱بn-2/بn-1⋮بn-2/بnبn-1/بn

(۱)

تصویر هم افزایی دارای n باند طیفی است به طوری که ماتریس های فوق شامل می شوند n×n-1/2نسبت های باند با استفاده از PCA، متغیرهای همبسته را می توان به چند متغیر غیر همبسته به نام اجزای اصلی کاهش داد (به معادله (۲) مراجعه کنید).

PCABRM=PCAبr1بآر۲بآر۳⋮بآرn×n-1/2=پسی۱پسی۲پسی۳⋮پسیn×n-1/2

(۲)

با آزمایش ترکیب رنگ کاذب باندهای چند مؤلفه اصلی (PC)، تفاوت طیفی بین توده‌های نفوذی پروتروزوییک پسین و کربونیفر ممکن است افزایش یابد.

۴٫ نتایج

۴٫۱٫ هم افزایی باندهای ASTER، GF-2 و Sentinel-2

برای پردازش هم افزایی طیفی سه مجموعه داده سنجش از دور، ابتدا باید یک مجموعه داده مرجع تعیین شود. همه باندهای طیفی مجموعه داده مرجع بدون تغییر باقی می مانند و دو مجموعه دیگر با داده های مرجع مطابقت دارند. در این مورد، ASTER مرجع بود زیرا BDW های بیشتری داشت. علاوه بر این، BDW های ASTER در ناحیه طول موج SWIR بودند، در حالی که BSWs در VNIR بودند. بنابراین، تمام باندهای ASTER بدون تغییر باقی ماندند و باندهای GF2 و Sentinel-2 تحت فرآیند هم افزایی قرار گرفتند تا با ASTER مطابقت داشته باشند.

شکل ۵ روند رگرسیون BSW ها را نشان می دهد. باند GF2 2/3/4 و Sentinel-2 3/4/8 بر روی ASTER Band 1/2/3 نصب شدند. جدول ۲ r ^۲ هر مدل را نشان می دهد و نتایج نشان می دهد که مقدار r ^۲ مدل چند جمله ای درجه دوم در همه باندها بالاترین مقدار بود. با استفاده از بهترین برازش تابع رگرسیون (یعنی چند جمله ای درجه دوم)، بازتاب باند GF2 2/3/4 و Sentinel-2 Band 3/4/8 با ASTER Band 1/2/3 سازگار بود.

همبستگی بین GF2 Band 1 و Band 2/3/4 ( جدول ۳ ) و بین Sentinel-2 Band 5/6/7/8A و Band 3/4/8 محاسبه شد ( جدول ۴ ). در باندهای GF2، باند ۱ بیشترین همبستگی را با باند ۲ دارد، بنابراین از معادلات ضریب و رگرسیون باند ۲ برای پردازش باند ۱ استفاده شد. از سوی دیگر، برای باندهای Sentinel-2، معادلات ضریب و رگرسیون باند ۴ بود. برای پردازش باند ۵ و باند ۶ استفاده شد، در حالی که از معادلات ضریب و رگرسیون باند ۸ برای پردازش باند ۷ و باند ۸A استفاده شد. هر BDW از GF2 و Sentinel-2 با استفاده از تابع رگرسیون یک BSW با بالاترین همبستگی پردازش شد.

نتایج آماری باندهای اصلی و باندهای هم افزایی (یعنی باندهای GF2 و Sentinel-2 پس از هم افزایی طیفی) در جدول ۵ نشان داده شده است.. می توان مشاهده کرد که تفاوت های زیادی در باندهای مربوط به داده های اصلی ASTER، GF2 و Sentinel-2 وجود دارد. برای مثال، ASTER Band 1 دارای میانگین ۳۸۱۵٫۱۵ و انحراف معیار ۵۷۷٫۳۵ بود، در حالی که میانگین GF2 Band 2 و Sentinel-2 Band 3 به ترتیب ۱۶۰۶٫۷۴ و ۲۱۹۸٫۱۴ بود. یک شکاف آماری بزرگ در میانگین و انحراف استاندارد بین این BSW ها وجود داشت. پس از فرآیند هم افزایی طیفی، میانگین باندهای هم افزایی GF2 Band 2 (یعنی ۳۸۱۴٫۶۴) و Sentinel-2 Band 3 (یعنی ۳۷۸۰٫۲۵) آشکارا به باند ASTER 1 (و همچنین انحراف استاندارد) نزدیکتر بود. از طریق هم افزایی طیفی، تفاوت در پاسخ بازتاب سطحی باندهای طیفی در حسگرهای مختلف به طور قابل توجهی کاهش یافت.

پس از هم افزایی طیفی، چهار باند GF2، چهار باند باریک Sentinel-2 VNIR (Band 5/6/7/8A)، و شش باند ASTER SWIR با استفاده از روش تیز کردن طیفی GS به پان GF2 ذوب شدند. از طریق یک روش پردازش انباشته، مجموعه داده های تصویری هم افزایی ASTER، GF-2، و Sentinel-2 که دارای ۱۴ باند طیفی و وضوح فضایی ۱ متر هستند، به دست آمد. اطلاعات باند طیفی مجموعه داده تصویر هم افزایی در جدول ۶ نشان داده شده است .

۴٫۲٫ نتایج نسبت باند، عمق باند جذب نسبی و افزایش رنگ کاذب

طیف نمونه های سنگ توسط طیف سنج قابل حمل Fieldspec 3 Analytica Spectra Devices (ASD) در یک محیط آزمایشگاهی اندازه گیری شد. منحنی‌های طیفی نمونه‌ها برای یافتن ویژگی‌های متفاوت دو مرحله نفوذ، و همچنین دایک‌ها، که می‌تواند برای بهبود تصویر مفید باشد، تجزیه و تحلیل شد. طیف SWIR ( شکل ۶ الف) سنگهای نفوذی کربونیفر یک ویژگی جذب آشکار در ۲۲۰۰ نانومتر ناشی از سریسیت را نشان داد که در نفوذهای پروتروزوییک پسین وجود ندارد. این ویژگی توسط RBD (باند ۱۰+ باند ۱۲)/باند ۱۱ تقویت شد. طیف سنگ‌های نفوذی پروتروزوییک پسین ( شکل ۶)الف) در طول موج ۲۳۰۰-۲۴۰۰ نانومتر جذب مضاعف را نشان داد که توسط بیوتیت یا کانی های هورنبلند ایجاد شد. این ویژگی توسط BR Band 14/Band 13 بهبود یافته است.

علاوه بر این، طیف سنگ‌های نفوذی کربونیفر به وضوح در منطقه ۵۰۰-۷۰۰ نانومتر افزایش یافت. شیب منحنی در این ناحیه طول موج بزرگتر بود (که با یک خط قرمز نشان داده می شود) و یک قله بازتاب ضعیف در نزدیکی ۷۵۰nm وجود داشت ( شکل ۶ ب). ویژگی های مشابه در نمونه دایک اسید میانی ظاهر شد. در مقابل، طیف نمونه‌های سنگ نفوذی پروتروزوییک پسین به وضوح در این منطقه طول موج افزایش نیافته است. این ویژگی توسط BR Band 3/Band 2 بهبود یافته است.

شکل ۷ نتایج بهبود BR و RBD را نشان می دهد. در تصویر (باند ۱۰+ باند ۱۲)/باند ۱۱ با مقیاس خاکستری تقویت‌شده با RBD ( شکل ۷ الف)، نفوذهای کربنیفر در بخش غربی مجتمع نفوذی به دلیل مقادیر کم پیکسل باند ۱۱ مشخصه‌های روشن‌تری را بیان می‌کنند. و شانه‌های بازتابی باند ۱۰ و باند ۱۲ که می‌توان به وضوح از نفوذهای پروتروزوییک پسین جدا شد. علاوه بر این، یک تفاوت بزرگ در مقادیر پیکسل بین دو مرحله نفوذ در تصاویر باند ۱۴/باند ۱۳ BR بهبود یافته به وضوح در قسمت غربی مشاهده شد ( شکل ۷ ب). در نتیجه بهبود یافته BR باند ۳/باند ۲ ( شکل ۷ج)، توده‌های دو مرحله‌ای به‌صورت خاکستری تیره و خاکستری روشن تشخیص داده شدند. شایان ذکر است که دایک ها در نتایج Band 3/Band 2 با لحن روشن آشکاری به خوبی بهبود یافته اند.

شکل ۸ مقایسه (باند ۱۰ + باند ۱۲) / باند ۱۱، باند ۱۴ / باند ۱۳ و نقشه زمین شناسی و همچنین اعتبار سنجی میدانی را نشان می دهد. می توان دریافت که نفوذهای دو مرحله ای تقویت شده اساساً با نقشه زمین شناسی سازگار است. مرز افزایش یافته در نتایج نیز با مرز نفوذهای دو مرحله ای در تحقیقات میدانی سازگار است. علاوه بر این، با توجه به تفکیک فضایی نسبتاً بالاتر، نقشه برداری در مقیاس کوچکتر از نقشه زمین شناسی (۱:۵۰۰۰۰) می تواند با استفاده از نتایج بهبود در این مطالعه انجام شود.

در شکل ۹ مشاهده می شود که دایک های تقویت شده در BR Band 3/Band 2 از نظر جهت با نقشه زمین شناسی متفاوت است. با توجه به مقیاس بزرگتر نقشه زمین شناسی، ممکن است مقداری انحراف در موقعیت دقیق بدنه زمین شناسی در نقشه وجود داشته باشد. اعتبار سنجی میدانی نشان داد که دایک در شمال شمال و شمال غرب در جنوب است، که ثابت کرد دایک‌های تقویت‌شده در BR به شرایط میدان نزدیک‌تر هستند. بنابراین، نتایج همچنین می تواند به نقشه برداری دایک ها در مقیاس کوچکتر از نقشه زمین شناسی کمک کند.

ارزیابی افزایش رنگ کاذب با استفاده از سه تصویر بهبودیافته بالا (یعنی R: (باند ۱۰+ باند ۱۲)/باند ۱۱، G: باند ۳/باند ۲ و B: باند ۱۴/باند ۱۳ انجام شد. شکل ۱۰ نتیجه افزایش رنگ کاذب را نشان می دهد. نفوذهای دو مرحله ای به وضوح در بیشتر مجموعه نفوذی از طریق تن رنگ متمایز شدند (نشان داده شده توسط چند ضلعی بنفش در شکل ۱۰ ). توده‌های کربنیفر الگوی زرد یا نارنجی را بیان می‌کنند، در حالی که توده‌های پروتروزوییک پسین الگوی آبی را بیان می‌کنند. موقعیت نفوذهای دو مرحله ای تقریباً مشابه نقشه زمین شناسی در منطقه بود که توسط چندضلعی بنفش در شکل ۱۰ نشان داده شده است.

متأسفانه، عملکرد در قسمت شمال شرقی مجتمع نفوذی در این ارزیابی بهبود رضایت بخش نبود (ناحیه چندضلعی سبز در شکل ۱۰ ). نفوذهای دو مرحله ای در تصویر رنگ کاذب در این منطقه قابل تشخیص نبودند. نه BR و نه RBD خوب عمل نکردند ( شکل ۱۱ ). بنابراین، هنگام ترکیب BR و RBD، تصویر با رنگ کاذب نمی تواند از نقشه برداری پیچیده نفوذی در شمال شرقی پشتیبانی کند.

۴٫۳٫ نتایج افزایش BRM و PCA

از آنجایی که روش BR، RBD و رنگ کاذب در قسمت شمال شرقی مجتمع نفوذی رضایت بخش نبود، از روش BRM-PCA استفاده شد. مجموعه داده هم افزایی GF2، Sentinel-2 و ASTER دارای ۱۴ باند طیفی بود، بنابراین BRM این داده ها دارای ۹۱ نسبت باند بود. با استفاده از تبدیل رایانه شخصی، ۹۱ باند رایانه شخصی به دست آمد که در آن ۱۰ باند اول از قبل حاوی ۹۹ درصد اطلاعات داده بودند.

شکل ۱۲ a ترکیب رنگ کاذب PC1، PC2، و PC5 BRM را نشان می دهد. این تصویر رنگی RGB توانست تفاوت طیفی در نفوذ کربنیفر و پروتروزوییک پسین را افزایش دهد. توده‌های پروتروزوییک پسین دارای رنگ‌های سرد آبی-بنفش بودند، در حالی که توده‌های کربنیفر دارای رنگ‌های زرد یا سبز-زرد بودند. نفوذهای دو مرحله ای را می توان به وضوح تشخیص داد و مرزهای آنها آشکار بود. در مقایسه با نتایج رنگ کاذب قبلی BR و RBD ( شکل ۱۲ ب)، بهبود BRM-PCA در این زمینه بسیار بهتر عمل کرد.

شکل ۱۳ نشان می دهد که مرزهای نفوذهای افزایش یافته به نتایج اعتبار سنجی میدانی نزدیک تر است. با این حال، بین نتیجه افزایش BRM-PCA و نقشه زمین شناسی در مرکز بخش شمال شرقی منطقه مورد مطالعه تفاوت وجود دارد. نقشه زمین شناسی ارائه شده در شکل ۱۳ a نشان می دهد که یک منطقه بزرگ در مرکز وجود دارد که یک نفوذ کربنیفر را در معرض دید قرار می دهد، اما نتیجه افزایش BRM-PCA نشان می دهد که پروتروزوییک پسین نفوذ اصلی در معرض قرار گرفته است ( شکل ۱۳ ب). بررسی میدانی نشان داد که نتیجه BRM-PCA به شرایط مزرعه نزدیکتر است ( شکل ۱۳ c,d). نمونه‌های سنگی نفوذ در معرض این منطقه حدواسط‌تر بودند و کانی‌های سرسیتی آشکاری نداشتند ( شکل ۱۳).e) که بیشتر شبیه نفوذ پروتروزوییک پسین بودند. در قسمت جنوبی این منطقه که در شکل ۱۴ نشان داده شده است، بین نتیجه BRM-PCA و نقشه زمین شناسی نیز تفاوت وجود دارد. بررسی میدانی نشان داد که نفوذ کربنیفر بر لبه جنوبی مجموعه این منطقه غالب است، در حالی که نفوذ پروتروزوییک پسین در شمال نفوذ کربنیفر قرار دارد که با نتیجه BRM-PCA مطابقت دارد.

۴٫۴٫ نتیجه نقشه برداری مجتمع نفوذ

رنگ کاذب نتیجه افزایش BR و RBD عملکرد خود را در بخش‌های غربی و مرکزی مجتمع نفوذی ثابت کرد. بنابراین، در این مناطق، نقشه‌برداری مجتمع نفوذی بر اساس نتیجه رنگ کاذب انجام شد. BR از باند ۳ / باند ۲ عملکرد عالی را با توجه به افزایش دایک ها نشان داد. بنابراین، باند ۳ / باند ۲ برای نقشه برداری دایک ها استفاده شد. در قسمت شمال شرقی، نقشه برداری با استفاده از نتیجه بهبود بهتر BRM-PCA انجام شد. نتایج تمامی روش‌های بهبود با نقشه‌های زمین‌شناسی و اعتبارسنجی میدانی به اثبات رسید. مرز نفوذهای دو مرحله ای و همچنین مرز دایک ها مشخص شد. نتیجه نقشه برداری در شکل ۱۵ نشان داده شده است .

هنگام مقایسه نتایج نقشه برداری و نقشه زمین شناسی، می توان دریافت که در کل، به ویژه در بخش های غربی و مرکزی مجموعه، سازگاری بالایی دارند. در عین حال، نتایج مناطق پیچیده در شمال شرق به طور قابل توجهی در مقایسه با نقشه های زمین شناسی موجود بهبود یافته است و در نتیجه از بررسی های زمین شناسی منطقه ای در مقیاس کوچک و تحقیقات کانی سازی در این منطقه پشتیبانی می کند.

۵٫ بحث

۵٫۱٫ مقایسه بین باندهای ذوب شده و باندهای اصلی در SWIR هنگام استفاده از BR و RBD

بر اساس باندهای منطقه طول موج یکسان و روش‌های بهبود تصویر BR و RBD، ما عملکرد بهبود باندهای اصلی ASTER SWIR و باندهای SWIR ذوب شده با GS را مقایسه کردیم.

باندهای داده هم افزایی ( شکل ۱۶ b,d) و باندهای اصلی ASTER SWIR ( شکل ۱۶ c,e) هر دو تفاوت طیفی بین دو مرحله نفوذ را افزایش دادند و کنتراست قوی تری نسبت به تصویر با رنگ واقعی نشان دادند ( شکل ۱۶).آ). با این حال، نتیجه بهبود باندهای اصلی ASTER SWIR به دلیل محدودیت وضوح فضایی، یک پدیده پیکسل مختلط جدی داشت که شناسایی مرز بین نفوذهای دو مرحله‌ای را دشوارتر و در مقیاس کوچک کمتر دقیق می‌کند. در مقابل، نتایج افزایش باند ذوب شده GS از نظر وضوح فضایی مزایای آشکاری داشت. از پدیده پیکسل های مخلوط در مرز به طور قابل توجهی در نتیجه افزایش باندهای داده هم افزایی اجتناب شد و جزئیات بافت کمک زیادی به شناسایی مرزها کرد. بنابراین، فیوژن GS در فرآیند ساخت تصویر هم افزایی برای کمک به نگاشت نفوذ در مقیاس کوچک ضروری است.

۵٫۲٫ مقایسه مجموعه داده ها با و بدون هم افزایی طیفی هنگام استفاده از BRM-PCA

برای اثبات ضرورت هم افزایی طیفی هنگام استفاده از باندهای طیفی از داده های سنجش از راه دور چند منبعی، ما عملکرد روش BRM-PCA را با استفاده از دو مجموعه داده مقایسه کردیم. یک مجموعه داده از طریق فرآیند هم افزایی طیفی ایجاد شد و سپس تحت همجوشی GS قرار گرفت (یعنی کل فرآیند هم افزایی پیشنهاد شده در این مقاله)، در حالی که مجموعه داده دیگر از طریق همجوشی GS به طور مستقیم و بدون انجام فرآیند هم افزایی طیفی ایجاد شد. تنها تفاوت بین دو مجموعه داده، فرآیند هم افزایی طیفی بود. دو مجموعه داده با همان روش BRM-PCA تقویت شدند و نتایج در شکل ۱۷ نشان داده شده است.

شکل ۱۷ نتایج بهبود BRM-PCA را زمانی نشان می دهد که یک تصویر هم افزایی که از فرآیند هم افزایی طیفی استفاده شده است، در حالی که شکل ۱۷ b-d سه ترکیب رنگ کاذب از باندهای BRM-PCA یک مجموعه داده را نشان می دهد که تحت این شرایط قرار نگرفته است. فرآیند هم افزایی طیفی این تنظیمات باند طیفی یکسان و وضوح فضایی ۱ متر پس از همجوشی GS داشتند. مشخص شد که بدون هم افزایی طیفی، روش BRM-PCA برای افزایش تفاوت بین نفوذهای دو مرحله ای در مناطق پیچیده موثر نیست. تصویر هم افزایی بسیار بهتر عمل کرد و ضرورت هم افزایی طیفی را در هنگام استفاده از باندهای منابع داده مختلف اثبات کرد.

جدول ۷مقایسه مقادیر میانگین ۱۳ نسبت باند اول در BRM بین مجموعه داده هم افزایی و مجموعه داده بدون هم افزایی طیفی، یعنی میانگین نسبت باند باند ۱ و ۱۳ باند دیگر را نشان می دهد. می توان دریافت که در مجموعه داده بدون هم افزایی طیفی، زمانی که منبع داده باندهای طیفی تغییر می کند، میانگین اختلاف نتیجه نسبت باند بزرگتر می شود. به عنوان مثال، B1/B2/B3/B7 از سنسور GF2 هستند، بنابراین میانگین نسبت های B1/B2، B1/B3 و B1/B7 مشابه هستند. با این حال، B4/B5/B6 از Sentinel-2 هستند، بنابراین تفاوت قابل توجهی بین B1/B4 و نسبت باند ذکر شده در بالا وجود دارد. شایان ذکر است که بین نسبت باند باندهای GF2 و ASTER با نسبت باندهای فوق تفاوت بیشتری وجود دارد. این بدیهی است که به دلیل ناسازگاری پاسخ های طیفی در باندهای حسگرهای مختلف است. پس از هم افزایی طیفی، به دلیل کاهش تفاوت در پاسخ طیفی سنسورهای اختلاف، تفاوت عددی به طور قابل توجهی کاهش می یابد.

به خوبی شناخته شده است که نسبت نوار ترکیبات کانی های مختلف را از طریق تفاوت در بازتاب طیفی در باندهای طیفی خاص افزایش می دهد. اگر مجموعه داده از طریق هم افزایی طیفی نرود، نتایج نسبت باند در کل زمانی که منبع داده باندهای طیفی تغییر می کند بسیار متفاوت خواهد بود، که ممکن است تفاوت طیفی کمتر آشکار ناشی از محتوای معدنی را بپوشاند. بنابراین، هنگامی که نسبت ها با استفاده از باندهایی از منابع داده های مختلف محاسبه می شوند، نسبت های حاصل از تصویر به وضوح نمی توانند تفاوت در بازتاب طیفی اشیاء زمینی در باندهای خاص را بدون هم افزایی طیفی منعکس کنند. BRM بر اساس نسبت باند است و برای محاسبه تمام نسبت های غیر تکراری باندهای طیفی استفاده می شود.

۶٫ نتیجه گیری

در این مقاله، ما یک روش کاربرد داده سنجش از دور چند منبعی را برای نقشه‌برداری پیچیده نفوذی پیشنهاد کردیم که شامل هم افزایی طیفی بر اساس رگرسیون آماری و بهبود وضوح فضایی بر اساس روش تیز کردن طیفی GS است. این روش با استفاده از داده‌های GF2، Sentinal-2 و ASTER برای نقشه‌برداری مجتمع نفوذی کوه سنفنگ در سین‌کیانگ، چین استفاده شد. نتایج نشان می‌دهد که (۱) از طریق استفاده ترکیبی از GF2، Sentinel-2 و ASTER، اختلاف طیفی موقعیت‌های طول موج متناظر در هر دو VNIR و SWIR دو مرحله نفوذ و همچنین دایک‌ها در اکثر مناطق قابل محاسبه است. به طور موثر با روش‌های BR و RBD افزایش می‌یابد و با استفاده از BRM-PCA و تمام ۱۴ باند تصویر هم افزایی در منطقه پیچیده شمال شرقی، می‌توان نتایج بهبود عالی را به دست آورد. (۲) فرآیند همجوشی GS به داده های چند منبعی همان وضوح فضایی می دهد و مشکل وضوح فضایی ناکافی باندهای ASTER و Sentinel-2 را در مطالعه مقیاس کوچک نقشه برداری پیچیده نفوذی حل می کند. (۳) فرآیند هم افزایی طیفی هنگام استفاده از باندهای چند منبعی مانند روش BRM-PCA ضروری است. در غیر این صورت، نتایج بهبود رضایت بخش را نمی توان به دست آورد. مجتمع نفوذی کوهستان سانفنگ با موفقیت در این مقاله نقشه برداری شد و این فرآیند می تواند برای بررسی های زمین شناسی منطقه ای در مقیاس کوچک استفاده شود. این روش ممکن است از تحقیقات زمین‌شناسی سنجش از دور در مقیاس کوچک پشتیبانی کند. (۳) فرآیند هم افزایی طیفی هنگام استفاده از باندهای چند منبعی مانند روش BRM-PCA ضروری است. در غیر این صورت، نتایج بهبود رضایت بخش را نمی توان به دست آورد. مجتمع نفوذی کوهستان سانفنگ با موفقیت در این مقاله نقشه برداری شد و این فرآیند می تواند برای بررسی های زمین شناسی منطقه ای در مقیاس کوچک استفاده شود. این روش ممکن است از تحقیقات زمین‌شناسی سنجش از دور در مقیاس کوچک پشتیبانی کند. (۳) فرآیند هم افزایی طیفی هنگام استفاده از باندهای چند منبعی مانند روش BRM-PCA ضروری است. در غیر این صورت، نتایج بهبود رضایت بخش را نمی توان به دست آورد. مجتمع نفوذی کوهستان سانفنگ با موفقیت در این مقاله نقشه برداری شد و این فرآیند می تواند برای بررسی های زمین شناسی منطقه ای در مقیاس کوچک استفاده شود. این روش ممکن است از تحقیقات زمین‌شناسی سنجش از دور در مقیاس کوچک پشتیبانی کند.

مطمئناً برخی از جنبه های روش پیشنهادی در این مقاله قابل بهبود است. اولاً، وضوح فضایی داده های مورد استفاده در این مقاله بسیار متفاوت است و مقیاس PAN به طور مستقیم در این مطالعه استفاده شد. با این حال، یافتن مقیاس همجوشی بهینه ممکن است برای بهبود نتایج بهبود و نقشه‌برداری مفید باشد. روش ارزیابی نتایج همجوشی چند مقیاسی در پرتو اهداف تحقیقات زمین‌شناسی نیاز به مطالعه بیشتر دارد، زیرا روش‌های ارزیابی کمی همیشه هنگام تغییر وضعیت به خوبی عمل نمی‌کنند [ ۵۲ ].]. در مرحله دوم، الگوریتم دقیق تری را می توان در فرآیند هم افزایی طیفی به کار برد. این مقاله از رگرسیون در فرآیند هم افزایی طیفی استفاده می‌کند، که روشی است که ممکن است دقت را در هنگام وجود مقادیر بسیار زیاد پیکسل (مانند سنگ‌هایی با بازتاب بسیار بالا یا بسیار کم) کاهش دهد. این روش همچنین هنگام پردازش BDW هایی که همبستگی بسیار پایینی با همه BSW ها دارند، خطای بزرگتری ایجاد می کند. یک شبکه عصبی کانولوشنال (CNN) [ ۵۳ ] ممکن است یک روش بالقوه برای بهبود دقت فرآیند هم افزایی طیفی باشد. اگرچه اغلب در سنجش از دور استفاده شده است، اما از نظر برازش باندهای چند منبعی به تحقیقات بیشتری نیاز دارد.

منابع

Soloviev، SG زمین‌شناسی، کانی‌سازی، و ویژگی‌های گنجاندن سیال اسکارن W-Cu-Mo و کانسار Au-W اکسید شده Kumbel در قرقیزستان، تین شان. معدن کار. سپرده ها ۲۰۱۵ ، ۵۰ ، ۱۸۷-۲۲۰٫ [ Google Scholar ] [ CrossRef ]
فرحبخش، ا. شیرمرد، ح. بهرودی، ع. اسلامکیش، تی. ذوب داده های ماهواره ای ASTER و QuickBird-2 برای بررسی دقیق ذخایر مس پورفیری با استفاده از PCA. مطالعه موردی سپرده نایسیان. ایران. J. شرکت هندی Remote Sens. ۲۰۱۶ , ۴۴ , ۵۲۵–۵۳۷٫ [ Google Scholar ] [ CrossRef ]
Hunt, GR نشانه های طیفی ذرات معدنی در نور مرئی و مادون قرمز نزدیک. ژئوفیزیک ۱۹۷۷ ، ۴۲ ، ۵۰۱-۵۱۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلوتیس، EA؛ Gaffey، MJ; جکوفسکی، TL; کالیبراسیون رید، KL فراوانی فاز، ترکیب و توزیع اندازه ذرات برای مخلوط های الیوین-اورتوپیروکسن از طیف بازتاب. جی. ژئوفیس. Res. زمین جامد ۱۹۸۶ ، ۹۱ ، ۱۱۶۴۱-۱۱۶۵۳٫ [ Google Scholar ] [ CrossRef ]
کلارک، RN; پادشاه، TVV; کلجوا، م. سویزی، GA؛ Vergo، N. طیف سنجی بازتابی با وضوح طیفی بالا از مواد معدنی. جی. ژئوفیز. Res. زمین جامد ۱۹۹۰ ، ۹۵ ، ۱۲۶۵۳-۱۲۶۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سالزبری، جی دبلیو. والتر، LS مادون قرمز حرارتی (۲٫۵-۱۳٫۵μm) سنجش از دور طیف‌سنجی انواع سنگ‌های آذرین بر روی سطوح سیاره‌ای ذره‌ای. جی. ژئوفیز. Res. زمین جامد ۱۹۸۹ ، ۹۴ ، ۹۱۹۲-۹۲۰۲٫ [ Google Scholar ] [ CrossRef ]
آبرامز، ام. ابوت، ای. Kahle، A. استفاده ترکیبی از تصاویر مادون قرمز مرئی، منعکس شده، و مادون قرمز حرارتی برای نقشه برداری جریان های گدازه هاوایی. جی. ژئوفیز. Res. زمین جامد ۱۹۹۱ ، ۹۶ ، ۴۷۵-۴۸۴٫ [ Google Scholar ] [ CrossRef ]
گوها، ا. چاکرابورتی، دی. اکا، AB; پرامانیک، ک. کومار، KV; چاترجی، اس. سابرامانیوم، اس. Rao، DA مطالعه طیف‌سنجی سنگ‌های کمربند شیست Hutti-Maski، کارناتاکا. جی. جئول. Soc. هند ۲۰۱۲ ، ۷۹ ، ۳۳۵-۳۴۴٫ [ Google Scholar ] [ CrossRef ]
ماسیرونی، م. برتولدی، ال. کالافا، ص. ویسونا، دی. بیستاکی، ا. جیاردینو، سی. Schiavo، A. تفسیر و پردازش داده‌های ASTER برای نقشه‌برداری زمین‌شناسی و شناسایی گرانیتوئیدها در توده ساغرو (آنتی اطلس شرقی، مراکش). Geosphere ۲۰۰۸ , ۴ , ۷۳۶-۷۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یاماگوچی، ی. کاله، AB; تسو، اچ. کاواکامی، تی. بررسی اجمالی رادیومتر تابش و انعکاس حرارتی پیشرفته فضایی (ASTER). IEEE Trans. Geosci. Remote Sens. ۱۹۹۸ , ۳۶ , ۱۰۶۲-۱۰۷۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Abrams, M. The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER): محصولات داده برای تصویرساز با وضوح فضایی بالا در پلت فرم Terra ناسا. بین المللی J. Remote Sens. ۲۰۰۰ , ۲۱ , ۸۴۷-۸۵۹٫ [ Google Scholar ] [ CrossRef ]
روآن، ال سی؛ نقشه برداری مریخ، JC Lithologic در گذرگاه کوهستان، منطقه کالیفرنیا با استفاده از داده های رادیومتر تابش گرمایی و انعکاس پیشرفته فضایی (ASTER). سنسور از راه دور محیط. ۲۰۰۳ ، ۸۴ ، ۳۵۰-۳۶۶٫ [ Google Scholar ] [ CrossRef ]
مریخ، JC; Rowan, LC ارزیابی طیفی محصولات داده بازتاب سطحی جدید ASTER SWIR برای نقشه برداری طیف سنجی سنگ ها و کانی ها. سنسور از راه دور محیط. ۲۰۱۰ ، ۱۱۴ ، ۲۰۱۱-۲۰۲۵٫ [ Google Scholar ] [ CrossRef ]
پور، AB; هاشم، م. هنگ، جی کی. پارک، Y. نقشه برداری سنگ شناسی و تغییرات معدنی در سنگ شناسی های ضعیف با استفاده از داده های ماهواره ای Landsat-8 و ASTER: شمال شرقی سرزمین گراهام، شبه جزیره قطب جنوب. سنگ معدن. Rev. ۲۰۱۹ , ۱۰۸ , ۱۱۲-۱۳۳٫ [ Google Scholar ] [ CrossRef ]
ون در میر، FD; ون در ورف، HMA; van Ruitenbeek، پتانسیل FJA Sentinel-2 ESA برای کاربردهای زمین شناسی. سنسور از راه دور محیط. ۲۰۱۴ ، ۱۴۸ ، ۱۲۴-۱۳۳٫ [ Google Scholar ] [ CrossRef ]
سوزا، اف جی; Sousa، DJ الگوهای فضایی هوازدگی شیمیایی در عدم انطباق پایه سوم در کالیفرنیا از سنجش از دور نوری چندطیفی و فراطیفی. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۵۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ال. ژو، جی. جیانگ، دی. ژوانگ، دی اف. Mansaray, LR; ژانگ، ب. هدف قرار دادن منابع معدنی با سنجش از دور و داده های میدانی در منطقه Xiemisitai، جونگگار غربی، سین کیانگ، چین. Remote Sens. ۲۰۱۳ , ۵ , ۳۱۵۶–۳۱۷۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عبدالمنصف، ح. خلیفه، IH; فیصل، M. نقشه برداری از مناطق دگرسانی هیدروترمال مرتبط با کانی سازی سولفیدی بالقوه با استفاده از تکنیک غیرمیکخت خطی طیفی و تصاویر WorldView II در وادی روفایید، سینای جنوبی، مصر. عرب جی. ژئوشی. ۲۰۱۵ ، ۸ ، ۹۲۸۵-۹۳۰۰٫ [ Google Scholar ] [ CrossRef ]
رابسون، ا. رحمان، م.م. Muir, J. استفاده از تصاویر ماهواره‌ای نمای جهان برای نقشه‌برداری بازده در آووکادو (Persea americana): مطالعه موردی در بوندبرگ، استرالیا. Remote Sens. ۲۰۱۷ , ۹ , ۱۲۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هان، ال. ژائو، بی. وو، جی. ژانگ، اس. پیلز، جی. یانگ، اف. یک رویکرد یکپارچه برای استخراج اطلاعات سنگ شناسی با استفاده از تصاویر SPOT 6 در یک منطقه به شدت تحت پوشش کواترنر شمال بائوجی منطقه چین. جئول J. ۲۰۱۸ ، ۵۳ ، ۳۵۲-۳۶۳٫ [ Google Scholar ] [ CrossRef ]
یانگ، م. کانگ، ال. چن، اچ. ژو، ام. ژانگ، جی. نقشه‌برداری سنگ‌شناسی منطقه تیانشان شرقی با استفاده از داده‌های یکپارچه ترکیب شده توسط چینی GF-1 PAN و داده‌های چند طیفی ASTER. Geosci را باز کنید. ۲۰۱۸ ، ۱۰ ، ۵۳۲-۵۴۳٫ [ Google Scholar ] [ CrossRef ]
قاسمیان، ح. مروری بر روش های ادغام تصویر سنجش از دور. Inf. فیوژن ۲۰۱۶ ، ۳۲ ، ۷۵-۸۹٫ [ Google Scholar ] [ CrossRef ]
Chatterjee، RS; پرابکاران، بی. Jha، VK ادغام داده‌های امداد سطحی با داده‌های حسگر از راه دور ماهواره‌ای با وضوح طیفی و فضایی بالا برای رمزگشایی اطلاعات زمین‌شناسی در یک زمین توپوگرافی بالغ. بین المللی J. Remote Sens. ۲۰۰۳ , ۲۴ , ۴۷۶۱-۴۷۷۵٫ [ Google Scholar ] [ CrossRef ]
حدیقه، SMH; رنجبر، ح. نقشه برداری سنگ شناسی در بخش شرقی کمربند آتشفشانی مرکزی ایران با استفاده از داده های ترکیبی ASTER و IRS. J. شرکت هندی Remote Sens. ۲۰۱۳ , ۴۱ , ۹۲۱–۹۳۱٫ [ Google Scholar ] [ CrossRef ]
ژانگ، دی. ژانگ، ال. Xie، F. پیش پردازش و تجزیه و تحلیل همجوشی ماهواره GF-2 داده های مکانی سنجش از دور. در مجموعه مقالات کنفرانس بین المللی سیستم های اطلاعاتی و آموزش به کمک رایانه (ICISCAE)، چانگچون، چین، ۶ تا ۸ ژوئیه ۲۰۱۸٫ [ Google Scholar ]
رن، ک. Sun، WW; منگ، ایکس سی; یانگ، جی. Du، Q. آمیختن داده های ابرطیفی GF-5 چین با داده های چندطیفی GF-1، GF-2 و Sentinel-2A: کدام روش ها باید استفاده شوند؟ Remote Sens. ۲۰۲۰ , ۱۲ , ۸۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
قیمیر، پ. لی، دی. Juan، N. اثر همجوشی تصویر بر کیفیت شاخص گیاهی – مطالعه مقایسه ای از تصاویر Gaofen-1، Gaofen-2، Gaofen-4، Landsat-8 OLI و MODIS. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۵۵۰٫ [ Google Scholar ] [ CrossRef ]
Sun، YQ; تیان، اس.اف. Di, BG استخراج اطلاعات تغییر مواد معدنی با استفاده از داده های WorldView-3. Geosci. جلو. ۲۰۱۶ ، ۸ ، ۱۰۵۱-۱۰۶۲٫ [ Google Scholar ] [ CrossRef ]
بله، بی. تیان، اس.اف. جی، جی. Sun، YQ ارزیابی داده های WorldView-3 برای نقشه برداری سنگی. Remote Sens. ۲۰۱۷ , ۹ , ۱۱۳۲٫ [ Google Scholar ] [ CrossRef ]
ژنگ، YF; شیائو، WJ; ژائو، GC مقدمه ای بر تکتونیک چین. گندوانا رس. ۲۰۱۳ ، ۲۳ ، ۱۱۸۹-۱۲۰۶٫ [ Google Scholar ] [ CrossRef ]
دفتر توسعه زمین شناسی و معدنی سین کیانگ. گزارش سازمان زمین شناسی منطقه ای PR چین، K46E022007 & K46E0020008، مقیاس ۱:۵۰۰۰۰ ; انتشارات ویژه سازمان زمین شناسی چین: Xingjiang، چین، ۱۹۹۶٫ [ Google Scholar ]
لوبو، FD; سوزا، PWM؛ Novo، EMLD؛ کارلوس، اف.ام. باربوسا، نقشه برداری CCF مناطق معدنی در آمازون برزیل با استفاده از تصاویر MSI/Sentinel-2 (2017). Remote Sens. ۲۰۱۸ , ۱۰ , ۱۱۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هو، بی. Xu، YY; وان، بی. وو، ایکس سی; یی، GH نقشه‌برداری مواد معدنی با استفاده از کاربرد مصنوعی Sentinel-2A MSI، ASTER و Hyperion در منطقه Duolong، فلات تبت، چین. سنگ معدن. Rev. ۲۰۱۸ , ۱۰۱ , ۳۸۴–۳۹۷٫ [ Google Scholar ] [ CrossRef ]
ایوازاکی، آ. Tonooka, H. اعتبار سنجی یک الگوریتم تصحیح تداخل برای ASTER/SWIR. IEEE Trans. Geosci. Remote Sens. ۲۰۰۵ , ۴۳ , ۲۷۴۷–۲۷۵۱٫ [ Google Scholar ] [ CrossRef ]
یوان، QQ; وی، YC; منگ، ایکس سی; شن، HF; Zhang، LP یک شبکه عصبی پیچیده چندمقیاسی و چند عمقی برای تشدید پان-شارپنینگ تصاویر سنجش از دور. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۸ , ۱۱ , ۹۷۸–۹۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مدولاسیون شدت مبتنی بر فیلتر صاف کردن لیو، JG: یک تکنیک ترکیبی تصویر حفظ طیفی برای بهبود جزئیات فضایی. بین المللی J. Remote Sens. ۲۰۰۰ , ۲۱ , ۳۴۶۱-۳۴۷۲٫ [ Google Scholar ] [ CrossRef ]
آلپارون، ال. ایازی، بی. بارونتی، اس. گارزلی، ع. Nencini، F. یک روش جدید برای ارزیابی MS به علاوه Pan Image Fusion بدون مرجع. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE (IGARSS)، دنور، CO، ایالات متحده آمریکا، ۳۱ ژوئیه تا ۴ اوت ۲۰۰۶٫ [ Google Scholar ]
Ehlers، M. ترکیب چند تصویری در سنجش از دور: ارتقای فضایی در مقابل حفظ ویژگی‌های طیفی. در مجموعه مقالات چهارمین سمپوزیوم بین المللی در محاسبات بصری، لاس وگاس، NV، ایالات متحده، ۱-۳ دسامبر ۲۰۰۸٫ [ Google Scholar ]
لابن، کالیفرنیا؛ فرآیند Brower، BV برای افزایش وضوح فضایی تصاویر چند طیفی با استفاده از Pan-Sharpening. پتنت ایالات متحده US6011875، ۴ ژانویه ۲۰۰۰٫ [ Google Scholar ]
Maurer, T. چگونه تصاویر را با استفاده از روش Gram-Schmidt Pan-sharpen – یک دستور العمل پان-شروپین کنیم. در مجموعه مقالات کارگاه آموزشی هانوفر انجمن بین المللی برای عکس نگاری و سنجش از دور، هانوفر، آلمان، ۲۱ تا ۲۴ مه ۲۰۱۳٫ [ Google Scholar ]
پانده، اچ. تیواری، ص. Dobhal, S. تجزیه و تحلیل ترکیب داده های فراطیفی و چند طیفی در دامنه طیفی. J. شرکت هندی Remote Sens. ۲۰۰۹ , ۳۷ , ۳۹۵-۴۰۸٫ [ Google Scholar ] [ CrossRef ]
روآن، ال سی؛ گوتز، AFH؛ اشلی، RP تمایز سنگ‌های تغییریافته هیدروترمالی و سنگ‌های بدون تغییر در تصاویر چند طیفی مرئی و مادون قرمز نزدیک. ژئوفیزیک ۱۹۷۷ ، ۴۲ ، ۵۲۲-۵۳۵٫ [ Google Scholar ] [ CrossRef ]
کراولی، جی کی; بریکی، DW; Rowan، LC داده های طیف سنج تصویربرداری هوابرد کوه های روبی، مونتانا: تمایز مواد معدنی با استفاده از تصاویر عمق باند جذب نسبی. سنسور از راه دور محیط. ۱۹۸۹ ، ۲۹ ، ۱۲۱-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
Ge، WY; چنگ، QM; جینگ، LH; ارمناکیس، سی. دینگ، HF تبعیض سنگ شناسی با استفاده از ASTER و Sentinel-2A در مجتمع افیولیتی شیبانجینگ کوهزایی بیشان در مغولستان داخلی، چین. Adv. Space Res. ۲۰۱۸ ، ۶۲ ، ۱۷۰۲-۱۷۱۶٫ [ Google Scholar ] [ CrossRef ]
حسن، س.م. ال کزاز، YA; طاها، MMN; محمد، سنگ‌های زیرزمینی نئوپروتروزوییک پسین منطقه میاتیک، صحرای شرقی مرکزی، مصر: پتروگرافی و خصوصیات سنجش از دور. جی افر. علوم زمین ۲۰۱۷ ، ۱۳۱ ، ۱۴-۳۱٫ [ Google Scholar ] [ CrossRef ]
راجندران، اس. ناصیر، S. منطقه سرپانتینه تغییر یافته هیدروترمال و مطالعه رخدادهای Ni-magnesioferrite-magnetite-waruite در Wadi Hibi، کوه عمان شمالی: تبعیض از طریق نقشه برداری ASTER. سنگ معدن. Rev. ۲۰۱۴ , ۶۲ , ۲۱۱-۲۲۶٫ [ Google Scholar ] [ CrossRef ]
بلوکی، اس ام. رمازی، HR; مقصودی، ع. پور، AB; سهرابی، جی. کاربرد سنجش از دور شبکه های بیزی برای نقشه برداری پتانسیل طلای اپی ترمال در منطقه اهر-ارسباران، شمال غرب ایران. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زهیر، بی. امام، ع. عبدالواحد، م. Soliman، N. داده های چندطیفی و راداری برای تنظیم کانی سازی طلا در صحرای جنوب شرقی، مصر. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۴۵۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
عسکری، گ. پور، AB; پرادان، بی. سرفی، م. ناظم نژاد، F. تبدیل ماتریس نسبت های باند (BRMT): یک رویکرد نقشه برداری سنگ شناسی رسوبی با استفاده از سنسور ماهواره ای ASTER. Sensors ۲۰۱۸ , ۱۸ , ۳۲۱۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
چاوز، ص. Kwarteng، AY استخراج کنتراست طیفی در داده‌های تصویر نقشه‌بردار موضوعی Landsat با استفاده از تحلیل مولفه اصلی انتخابی. فتوگرام مهندس Remote Sens. ۱۹۸۹ , ۵۵ , ۳۳۹-۳۴۸٫ [ Google Scholar ]
Crosta، AP; مور، JM بهبود تصاویر نقشه‌بردار موضوعی لندست برای نقشه‌برداری خاک باقی‌مانده در ایالت میناس گرایس جنوب غربی، برزیل: تاریخچه موردی در زمین‌های کمربند گرین استون. در مجموعه مقالات نهمین کنفرانس موضوعی سنجش از دور برای زمین شناسی اکتشافی، کلگری، AB، کانادا، ۲ تا ۶ اکتبر ۱۹۸۹٫ صص ۱۱۷۳-۱۱۸۷٫ [ Google Scholar ]
کلونوس، اس. Ehlers, M. عملکرد روشهای ارزیابی در ترکیب تصویر. در مجموعه مقالات دوازدهمین کنفرانس بین المللی در همجوشی اطلاعات، سیاتل، WA، ایالات متحده آمریکا، ۶ تا ۹ ژوئیه ۲۰۰۹٫ [ Google Scholar ]
LeCun، Y.; بنژیو، ی. هینتون، جی. یادگیری عمیق. طبیعت ۲۰۱۵ ، ۵۲۱ ، ۴۳۶-۴۴۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]

شکل ۱٫ مکان و تصویر واقعی از مجموعه نفوذی کوه Sanfeng.

شکل ۲٫ نقشه زمین شناسی منطقه مورد مطالعه.

شکل ۳٫ تنظیمات طیفی Gaofen-2 (GF-2)، Sentinel-2 و Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER).

شکل ۴٫ نمودار جریان فرآیندهای هم افزایی طیفی ASTER و GF2.

شکل ۵٫ نمودارهای پراکنده و خطوط رگرسیون باندها در موقعیت های طول موج مشابه (BSWs).

شکل ۶٫ طیف آزمایشگاهی نمونه های سنگ نفوذی پروتروزوییک پسین، کربنیفر و دایک ها در مناطق طول موج موج کوتاه مادون قرمز (SWIR) ( a ) و مادون قرمز مرئی/نزدیک (VNIR) ( b ).

شکل ۷٫ نتایج بهبود (باند ۱۰ + باند ۱۲)/ باند ۱۱ عمق باند جذب نسبی (RBD) ( a )، نسبت باند ۱۴/باند ۱۳ (BR) ( b ) و باند ۳/باند ۲ BR ( c) ).

شکل ۸٫ نقشه زمین شناسی ( a )، نتایج بهبود (باند ۱۰+ باند ۱۲)/باند ۱۱ RBD ( b )، نوار ۱۴/باند ۱۳ BR ( c )، و عکس‌های اعتبارسنجی میدانی ( d ).

شکل ۹٫ نقشه زمین شناسی ( a )، نتایج بهبود باند ۳/باند ۲ BR ( b ) و عکس های اعتبارسنجی میدانی ( c ، d ).

شکل ۱۰٫ R: RBD (باند ۱۰+ باند ۱۲)/باند ۱۱، G: نسبت باند باند ۳/باند ۲ و B: نسبت باند باند ۱۴/باند ۱۳ تصویر با رنگ کاذب.

شکل ۱۱٫ (باند ۱۰ + باند ۱۲) / باند ۱۱ RBD ( a )، باند ۱۴ / باند ۱۳ BR ( b ) و باند ۳ / باند ۲ BR ( c ) نتایج افزایش در قسمت شمال شرقی منطقه مورد مطالعه.

شکل ۱۲٫ نتیجه افزایش در ناحیه شمال شرقی مجتمع نفوذی توسط روش ماتریس نسبت باند (BRM) – تجزیه و تحلیل مؤلفه اصلی (PCA) ( a ) و روش رنگ غلط سابق ( b ).

شکل ۱۳٫ نقشه زمین شناسی ( a )، نتیجه بهبود BRM-PCA ( b ) و عکس های اعتبار سنجی میدانی ( c – e ).

شکل ۱۴٫ نتیجه بهبود BRM-PCA ( b )، نقشه زمین‌شناسی ( a ) و عکس‌های اعتبارسنجی میدانی ( c ).

شکل ۱۵٫ نتیجه نقشه برداری مجتمع نفوذی کوهستان سانفنگ.

شکل ۱۶٫ تصویر با رنگ واقعی ( a ); RBD تصویر هم افزایی با GS از (باند ۱۰+ باند ۱۲)/باند ۱۱ ( b ) و BR از باند ۱۴/باند ۱۳ ( d )؛ ASTER RBD از (باند ۵ + باند ۷)/باند ۶ ( c ) و BR از باند ۹/باند ۸ ( e ).

شکل ۱۷٫ نتایج بهبود BRM-PCA با استفاده از مجموعه داده با هم افزایی طیفی (( a )، RGB: PC1، PC2، PC5) و استفاده از مجموعه داده بدون هم افزایی طیفی (( b )، RGB: PC1، PC2، PC3؛ ( c )، RGB : PC1، PC2، PC5؛ ( d )، RGB: PC1، PC3، PC5).

ونوس نصیرفام

10 فوریه 2023

مقالات