به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

masoud esmailzadeh

  • داود بیکی حسن*، مسعود اسمعیل زاده
    امروزه روش های مختلف سنجش از دور یکی از کاربردی ترین روش ها در حوزه اکتشافات معدنی در مناطق کوهستانی، مرزی و فاقد نمونه های ژیوشیمی و رسوبات آبراهه معتبر در مرحله شناسایی محسوب می گردد. روش های طیفی نظیر فیلتر تنظیم پیکسل های مخلوط همسان (MTMF)، نقشه بردار زاویه طیفی (SAM) و ناآمیختگی طیفی خطی (LSU) بر اساس طیف هر پیکسل تصویر عارضه های مختلف را شناسایی می کنند. این مطالعه به منظور تعیین مناطق آلتراسیون، تفکیک سنگ ها و کانی های مختلف، طبقه بندی تصاویر و در نهایت تعیین مناطق مستعد و امیدبخش کانی سازی افیولیتی، سرپانتینیت ها، هاربورژیت های سرپانتینی شده، لیستونیت ها، کرومیت و منگنز در محدوده سیاه چشمه و دیزج صورت گرفته است. در مرحله پردازش از روش نوین ساعت شنی اتوماتیک (ASH) مبتنی بر روش های طیفی مذکور به منظور تعیین مناطق دگرسان شده و تفکیک کانی ها استفاده شده است. به منظور طبقه بندی تصاویر نیز از روش های شبکه عصبی کانولوشن عمیق (CNN)، ماشین بردار پشتیبان (SVM) و درخت تصمیم J48 (DT) استفاده شده است. در نهایت نیز عملکرد مدل های مختلف براساس معیارهای ارزیابی مختلف مقایسه و مدل CNN با دقت و صحت 98% نسبت به دو مدل SVM و DT با دقت و صحت 96% به عنوان بهترین مدل برای تهیه نقشه کلاسه بندی استفاده شده است.
    کلید واژگان: دورسنجی، ساعت شنی اتوماتیک، شبکه عصبی کانولوشن، ماشین بردار پشتیبان، درخت تصمیم
    Davud Beikihassan *, Masoud Esmailzadeh
    Nowadays, different Remote Sensing methods are one of the most practical methods in the field of mineral exploration in mountainous, border areas and without valid geochemical samples and waterway sediments in recognition phase. Spectral methods such as Mixture Tuned Matched Filtering, Spectral Angle Mapper and Linear Spectral Unmixing. The spectrum of each pixel in the image identifies different effects. This study was conducted to determine the areas of alteration, separation of different rocks and minerals, classification of images and finally to determine high potential areas of Ophiolite mineralization, Serpentinites, serpentinized harbors, Listvenites, Chromite and Manganese in Siahcheshmeh and Dizajj areas. In the processing stage, the new Automated Spectral Hourglass method based on spectral methods has been used in order to determine the altered areas and separate the minerals. In order to classify the images, Deep Convolutional Neural Network (CNN), Support Vector Machine (SVM) and Decision Tree J48 (DT) have been used. Finally, the performance of different models was compared based on different evaluation criteria and the CNN model with 98% accuracy compared to the two SVM and DT models with 96% accuracy has been used as the best model for preparing the classification map.
    Keywords: Remote Sensing, Automated Spectral Hourglass, Convolutional Neural Network, Support vector machine, Decision Tree
  • رضا قزلباش*، مسعود اسمعیل زاده

    تعیین فرآیندهای موثر در تشکیل کانسارهای فلزی که به عنوان کنترل کننده های کانی زایی در نظر گرفته می شوند، یک گام اساسی در مدل سازی پتانسیل معدنی می باشد. در این پژوهش، 5 معیار اکتشافی حاصل از داده های ژیوشیمیایی، ژیوفیزیکی، زمین شناسی، ساختاری و ماهواره ای مرتبط با کانی زایی طلای نوع اپی ترمال و کارلین در منطقه تخت سلیمان با هم ترکیب شدند. برای تولید نقشه ژیوشیمیایی چند عنصری، روش تحلیل مولفه های اصلی بر روی 8 عنصر انتخاب شده مرتبط با کانی زایی اعمال گردید و مشخص شد که عنصر طلا با عناصر ردیاب خود یعنی آرسنیک و آنتیموان ارتباط مکانی و ژنتیکی بالایی در مولفه دوم (PC2) نشان می دهد. سپس 10 لایه اکتشافی موثر با مقادیر پیوسته فازی بر اساس مقادیر مساحت زیر منحنی (AUC) منحنی های نرخ موفقیت برای تولید مدل های پیشگوی نواحی مستعد کانی زایی طلا انتخاب گردیدند. برای نیل به این هدف، دو روش نظارتی یادگیری ماشین شامل شبکه عصبی MLP و ماشین های بردار پشتیبان (SVM) با کرنل RBF بر اساس فرآیند آموزش و یادگیری مورد استفاده قرار گرفتند. نتایج نهایی بر اساس مقادیر AUC هر یک از منحنی های نرخ موفقیت مدل های مذکور، نشان داد که روش SVM-RBF از دقت بالاتر و عملکرد بهتر نسبت به روش شبکه عصبی MLP برخوردار می باشد که برای استفاده در مراحل اکتشاف تفضیلی جهت یافتن کانسارهای جدید طلا مناسب تر است.

    کلید واژگان: مدل سازی پتانسیل معدنی، الگوریتم های یادگیری ماشین، شبکه های عصبی مصنوعی، ماشین های بردار پشتیبان
    Reza Ghezelbash *, Masoud Esmailzadeh

    Definition of the efficient ore-forming processes which are considered as mineralization controls is a fundamental stage in mineral prospectivity mapping. In this contribution, five targeting criteria of geochemical, geophysical, geological, structural and hydrothemal alteration data related to epithermal and Carlin-type Au deposits in Takhte-soleyman district, NW Iran, were integrated. For creation of multi-element geochemical layer, principal component analysis was firstly conducted on stream sediment data of 8 selected elements and it was found that PC2 is the representative of Au-As-Sb elemental association in the study area. Then, 10 fuzzified efficient evidence layers were selected based on area under the curve (AUC) of success-rate curves and prepared for generation of predictive models of Au mineralization. For this purpose, two supervised machine learning algorithms, namely multi-layer perceptron (MLP) neural network and support vector machine (SVM) with RBF kernel were used. Comparison of the generated models demonstrates that the latter is more succeeded in delineating exploration targets than the former one.

    Keywords: Mineral prospectivity mapping, Machine Learning Algorithms, Artificial Neural Networks, Support Vector Machines
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال