ارائه يك الگوريتم چند مرحله‌اي براي شناسايي و تفكيك زون‌هاي دگرساني گرمابي در محدوده استان كرمان ماهواره اي ASTER

A multiple-stage algorithm to separate hydrothermal alteration zones by ASTER satellite data: A case study from Kerman province

پردازش تصاوير سنجش از دور به منظور تفكيك دگرساني‌هاي هيدروترمال، در صورت در دسترس نبودن طيف اوليه‌ي پيكسل‌ها، يكي از بحث‌هاي چالش برانگيز براي محققان است. تحقيق‌هاي قبلي نشان داده‌اند كه تفكيك دقيق زون‌هاي دگرساني‌هاي هيدروترمال از يكديگر با استفاده از روش‌هاي مرسوم پردازش تصاوير مبتني بر خصوصيات طيفي پيكسل‌ها، امكان‌پذير نمي‌باشد. لذا اين تحقيق با ارائه يك الگوريتم چند مرحله‌اي در تلاش است تا زون هاي دگرساني هيدروترمال موجود در محدوده غربي استان كرمان را با دقت بالايي شناسايي و تفكيك نمايد. جهت رسيدن به اين هدف، روش آناليز مولفه‌هاي اصلي، مدل فركتال غلظت- مساحت و مدل زمين آماري كريجينگ شاخص كامل (FIK) به صورت تركيبي به كار رفته‌اند. نتايج نشان دهنده دقت بالاي مدل FIK در شناسايي و تفكيك هر كدام از دگرساني‌هاي فيليك، آرژيليك و پروپيليتيك در منطقه مورد مطالعه است. همچنين به‌ منظور ارزيابي خطاي طبقه‌بندي، ماتريس درهم آميختگي بررسي شد. نتايج ماتريس در هم آميختگي بيان‌گر آن است كه مدل FIK عملكرد خوبي را در رابطه با طبقه‌بندي تصوير داشته است و صحت كل آن برابر با 89/30 درصد مي‌باشد. همچنين با توجه به تعداد بالاي پيكسل‌هاي آموزشي زون فيليك، مدل FIK به خوبي توانسته است اين نوع دگرساني را شناسايي نمايد.

Image processing of remote sensing for separation hydrothermal alteration, in the case of missing initial spectra of pixels, can be a challenge for the researcher. The previous researches has shown that accurate separation of hydrothermal alteration zones using Conventional methods of image processing based on Spectral Properties of pixels, is not possible. Therefore, this research is trying to present a multi-stage algorithm that identify and discriminate the hydrothermal alteration zones in western part of Kerman province with high accuracy. To achieve this goal, the principal component analysis method, Fractal Concentration-Area Model and Full Index Kriging (FIK) geostatistical model are used in combination. The results show the high accuracy of the FIK model in identifying and separating each of the phyllic, argillic and propylitic alterations in the study area. Also, to evaluate the classification error, the Confusion matrix was investigated. The results of the Confusion matrix showed that the FIK model performs well in terms of image classification. Also, given the high number of training pixels in the phyllic zone, the FIK model has been able to identify this type of alteration very well.