شناسايي پتانسيل‌هاي معدني مرتبط با ساختارهاي زمين شناسي با تكيه بر يادگيري عميق

Identifying mineral potentials related to geological structures based on deep learning

امروزه هوش مصنوعي به عنوان يكي از ابزارهاي قدرتمند در صنايع مختلف مورد استفاده قرار مي گيرد. در سال هاي اخير استفاده از آن در جنبه‌هاي گوناگون علوم زمين رشد چشم گيري داشته است. ساختارهاي زمين شناسي نقش انكار ناپذيري در تشكيل پتانسيل هاي معدني دارند. بررسي نقش اين ساختارها بر مبناي مشاهدات تصاوير و داده هاي ماهواره اي و همين طور نظر متخصص انجام مي گيرد كه فرايندي بسيار زمان بر مي باشد. هوش مصنوعي مي‌تواند ابزاري مفيد جهت كوتاه شدن اين زمان و افزايش دقت شناسايي پتانسيل‌هاي معدني، به شمار آيد. در اين مقاله يك مدل جديد بر اساس شبكه هاي عصبي عميق جهت شناسايي پتانسيل هاي معدني ارائه مي‌شود. ويژگي خاص روش پيشنهادي استفاده از داده‌هاي توپوگرافي در كنار تصاوير ماهواره‌اي چند طيفي است. به منظور ارزيابي روش پيشنهادي تصاوير ‌ماهواره‌اي استر مربوط به منطقه اي در جنوب شرق ايران استفاده شده است. نتايج به دست آمده نشان دهنده افزايش دقت روش پيشنهادي در مقايسه با روش‌هاي مشابه مي‌باشد.

Artificial intelligence nowadays is being used as a powerful tool in various industries. In recent years, its application in different aspects of earth sciences has had remarkable growth. Geological structures play an undeniable role in the formation of mineral potentials. The investigation of these structures is carried out based on observations of satellite images, satellite data, and expert opinions, which is a time-consuming process. Artificial intelligence can be a useful tool to shorten this time and increase the accuracy of mineral potential identification. In this article, a new model based on deep neural networks is proposed for identifying mineral potentials. The particular feature of the proposed method is the use of topographic data alongside multispectral satellite images. In order to evaluate the proposed method, satellite images related to a specific area in southeast Iran are used. The obtained results demonstrate an increase in the accuracy of the proposed method compared to similar approaches.