طبقه بندي نرم دگرساني¬هاي معدن دره زار با استفاده از روش رگرسيون بردار پشتيبان

Soft classification of hydrothermal alteration zones using Support Vector Regression Case study: Darrehzar porphyry copper mine

تصاوير سنجش از دور در دو مقياس پيكسلي و زير پيكسلي مطالعه مي¬شوند. از ديدگاه طبقه بندي تصوير، به مطالعات در مقياس پيكسل، طبقه بندي سخت و در مقياس زيرپيكسلي، طبقه بندي نرم اطلاق مي¬شود. نوع سخت بر اين فرض استوار است كه پيكسل¬هاي يك تصوير سنجش از دور فقط از يك ماده تشكيل شده¬ و در اصطلاح خالص هستند. در سوي مقابل طبقه بندي نرم اشاره به اين موضوع دارد كه پاسخ طيفي هر پيكسل تركيبي از پاسخ¬هاي طيفي اجزاء سازنده آن پيكسل است. براي تجزيه طيف¬هاي تركيبي به اجزاء سازنده، روش¬هاي تجزيه طيفي مورد استفاده قرار مي¬گيرند. گروهي از روش¬هاي تجزيه طيفي از داده¬هاي اوليه¬اي به نام نمونه¬هاي آموزشي براي آموزش الگوريتم استفاده مي¬كنند. كارايي اين روش¬ها هنگامي كه نمونه¬هاي آموزشي به تعداد كافي در اختيار نباشد تحت تأثير مشكلات بيش ابعادي و پديده هيوز قرار گرفته و دقت طبقه بندي كاهش مي¬يابد. مشكلات مذكور غالباً در طبقه بندي تصاوير ابرطيفي رخ مي¬دهند، چراكه تهيه نمونه¬هاي آموزشي كافي بطوريكه متناسب با تعداد فراوان باندهاي طيفي تصاوير ابرطيفي باشند، معمولاً مشكل است. در چنين شرايطي مي¬توان از روش¬هايي كه قابليت طبقه بندي مسائل با نمونه¬هاي آموزشي كم را دارند، استفاده كرد. در اين تحقيق از روش رگرسيون بردار پشتيبان (SVR) براي طبقه بندي مناطق دگرساني معدن مس پورفيري دره زار كرمان استفاده شد. با استفاده از 12 نمونه دگرساني برداشت شده از منطقه در مقابل 165 باند طيفي تصوير هايپريون، دقت مطلوب نتايج بدست آمده نشان داد كه SVR براي طبقه بندي نرم تصاوير ابرطيفي انتخاب مناسبي مي¬تواند باشد.

Remote Sensing data analysis is performed at per-pixel (Hard) and sub-pixel (Soft) scales. In the hard case, it is supposed that each pixel is completely pure and contains merely one kind of material. The soft type refers to mixed pixels with this assumption that more than one material contribute in the pixels of image. Spectral unmixing methods are applied to decompose mixed pixels into their class components and to estimate abundance of each component. A group of unmixing methods utilize training samples to train the applied algorithm. The performance and classification accuracy of these algorithms can be negatively affected by curse of dimensionality and Hughes phenomenon. This circumstance is usually observed when insufficient training samples respect to number of spectral bands were available. These problems can be potentially observed in the classification of hyperspectral images, because they contain a high number of spectral bands. Therefore preparing enough training samples respect to the number of spectral bands cannot be an easy work, especially when it is tried to gather training samples from study area. To take into account this problems, the methods which have ability to handle problems with limited size training samples, can be applied. In this study SVR were applied to map alteration zones of Darrehzar porphyry copper mine using 165 spectral bands of Hyperion hyperspectral image and 12 rock samples taken from study area as training samples. The acceptable accuracy of results show that SVR is a suitable option to map alteration zones at the sub-pixel scale