مدل‌سازي تصويري اكتشاف پتانسيل‌هاي معدني با استفاده از ماشين‌ بردار پشتيبان

با ظهور داده‌هاي بزرگ در علوم زمين، مطالعات اكتشافي وارد ابعاد جديدي شده ‌است. منظور از داده‌هاي بزرگ اطلاعات تصويري با وضوح بالا است. از آنجا ‌كه اين داده‌ها در علوم زمين حجم و تنوع بسيار زيادي دارند، استفاده از رويكردهاي تجزيه و تحليل داده‌هاي بزرگ در اين حوزه ضروري است. در اين مطالعه كاربرد ماشين بردار پشتيبان در بينايي ماشين در حوزه اكتشاف پتانسيل‌هاي معدني مورد بررسي قرار مي‌گيرد. در سال‌هاي اخير طبقه‌بندي تصاوير توجه زيادي را در بينايي ماشين به‌خود معطوف كرده است كه فرآيند آن شامل پيش‌پردازش و قطعه‌بندي، استخراج ويژگي و شناسايي كلاس مربوط است. در اين مطالعه براي مدل‌سازي اكتشاف پتانسيل‌هاي معدني از نقشه‌هاي زمين‌شناسي و تصاوير دورسنجي و از معماري الكس‌نت براي استخراج خودكار ويژگي‌ها استفاده شده و براي يادگيري الگوريتم، اطلاعات ميداني به‌كار گرفته مي‌شود. در گام بعد براي مدل‌سازي به‌منظور شناسايي عوامل ساختاري در احتمال وقوع پتانسيل‌هاي معدني، از ماشين بردار پشتيبان استفاده مي‌شود. الگوريتم‌ها و شاخص‌هاي ارزيابي در هر مرحله در محيط متلب برنامه‌نويسي مي‌شود. ميزان دقت بدست آمده با استفاده از اين روش، روي داده‌هاي آزمايشي 71 است. با توجه به مطالعه قبلي انجام شده توسط نويسندگان در شناسايي ساختارهاي كاني‌زايي، متوسط دقت طبقه‌بندي داده‌هاي تصويري با استفاده از الگوريتم‌هاي شبكه عصبي كانولوشن 65 درصد، روش نقشه‌بردار زاويه طيفي در شناسايي زون‌هاي آلتراسيون 70 درصد و اعمال فيلترها در شناسايي گسل‌ها 28 درصد است. روش مورد استفاده در اين تحقيق دقت بالايي دارد و از مزاياي آن مي‌توان به كاهش هزينه‌ها و افزايش سرعت در فرآيند تصميم‌گيري اشاره كرد.