مدل سازی تصویری اکتشاف پتانسیل های معدنی با استفاده از ماشین بردار پشتیبان

با ظهور داده های بزرگ در علوم زمین، مطالعات اکتشافی وارد ابعاد جدیدی شده است. منظور از داده های بزرگ اطلاعات تصویری با وضوح بالا است. از آنجا که این داده ها در علوم زمین حجم و تنوع بسیار زیادی دارند، استفاده از رویکردهای تجزیه و تحلیل داده های بزرگ در این حوزه ضروری است. در این مطالعه کاربرد ماشین بردار پشتیبان در بینایی ماشین در حوزه اکتشاف پتانسیل های معدنی مورد بررسی قرار می گیرد. در سال های اخیر طبقه بندی تصاویر توجه زیادی را در بینایی ماشین به خود معطوف کرده است که فرآیند آن شامل پیش پردازش و قطعه بندی، استخراج ویژگی و شناسایی کلاس مربوط است. در این مطالعه برای مدل سازی اکتشاف پتانسیل های معدنی از نقشه های زمین شناسی و تصاویر دورسنجی و از معماری الکس نت برای استخراج خودکار ویژگی ها استفاده شده و برای یادگیری الگوریتم، اطلاعات میدانی به کار گرفته می شود. در گام بعد برای مدل سازی به منظور شناسایی عوامل ساختاری در احتمال وقوع پتانسیل های معدنی، از ماشین بردار پشتیبان استفاده می شود. الگوریتم ها و شاخص های ارزیابی در هر مرحله در محیط متلب برنامه نویسی می شود. میزان دقت بدست آمده با استفاده از این روش، روی داده های آزمایشی 71 است. با توجه به مطالعه قبلی انجام شده توسط نویسندگان در شناسایی ساختارهای کانی زایی، متوسط دقت طبقه بندی داده های تصویری با استفاده از الگوریتم های شبکه عصبی کانولوشن 65 درصد، روش نقشه بردار زاویه طیفی در شناسایی زون های آلتراسیون 70 درصد و اعمال فیلترها در شناسایی گسل ها 28 درصد است. روش مورد استفاده در این تحقیق دقت بالایی دارد و از مزایای آن می توان به کاهش هزینه ها و افزایش سرعت در فرآیند تصمیم گیری اشاره کرد.