مقایسه روش¬های طبقه¬بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد
الموضوعات :
داود نظری
1
(دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته )
ندا ماهوش محمدی
2
(دانشگاه امیرکبیر)
محمدحسین آدابی
3
()
اردشیر هزارخانی
4
(دانشگاه صنعتی امیرکبیر)
محمد قویدل سیوکی
5
()
هانیه کلانی
6
(دبیر آموزش و پرورش)
الکلمات المفتاحية: دگرسانی ماشین بردار پشتیبان حداکثر احتمال سنجش از راه دور استر ,
ملخص المقالة :
تفکیک واحد های دگرسانی، برای بسیاری از فعالیت های معدنی از جمله اکتشاف کانسارها، دارای اهمیت می-باشد. در گذشته از روش های رایج کلاسیک بدین منظور استفاده می شد اما امروزه روش ماشین بردار پشتیبان (SVM) که یکی از مهم‌ترین مدل های داده کاوی است بسیار مورد استفاده قرار گرفته است. این مدل براساس نظریه یادگیری آماری می باشد. در پژوهش حاضر، روش ماشین بردار پشتیبان (SVM) و کرنل های مختلف آن با روش حداکثر احتمال به‌منظور تفکیک واحد های دگرسانی مواد معدنی منطقه تخت گنبد با استفاده از تصاویر ماهواره ای سنجنده ASTER مورد تحلیل و ارزیابی قرار گرفت. نتایج به‌دست‌آمده نشان داد که روش SVM با تابع کرنل RBF نسبت به سایر کرنل ها و روش حداکثر احتمال، بیشترین دقت (17/89 درصد) و ضریب کاپا (83/0) را دارا می باشد. ارزیابی نتایج به‌دست‌آمده و مطالعات صحرایی گویای این حقیقت است که روش SVM در طبقه بندی دگرسانی هایی با تفکیک پایین تر در منطقه مورد مطالعه بسیار کارآمدتر از روش های مورد بحث دیگر بوده است.
- حسینی، م.ر.، قادری، م. و علیرضایی، س. 1389. انواع سیستم¬های رگه- رگچه و ارتباط آن¬ها با کانه¬زایی در کانسار مس تخت گنبد، شمال¬شرق سیرجان، پانزدهمین همایش انجمن زمین¬شناسی ایران، دانشگاه تربیت‌معلم، تهران، 245-252.
- خان ناظر، ن.ح.، 1374. نقشه زمين¬شناسي 1:100000 چهارگنبد، سازمان زمین‌شناسی كشور.
- گزارش زمین‌شناسی كانسار تخت گنبد،1389. شركت مس تخت گنبد سیرجان.
- گودرزي مهر، س.، عباسپور، ر.ع.، احدنژاد، و.، و خاکباز، ب.، 1391. مقايسه روش ماشين بردار پشتيبان با روش¬هاي حداکثر احتمال و شبکه عصبي براي تفکيک واحدهاي سنگ¬شناسی، فصلنامه زمين¬شناسي ايران، 22، ۷۵-۹۲.
- لگ، ک.، 1380. ترجمه فرهت جاه، دورسنجی و سیستم اطلاعات جغرافیایی، نیروهای مسلح، تهران.
- ماهوش محمدی، ن.، هزارخانی، الف. و مقصودی، ع.، 1396. به‌کارگیری روش¬هاي مختلف پردازش تصاوير ماهواره¬اي به‌منظور شناسايي و تفکيک بخش¬هاي دگرساني منطقه خوني و کالکافي(استان اصفهان)، مجله پژوهش¬های دانش زمین، 33، 137-152.
- مختاری، م. و نجفی، ا.، 1394. مقايسه روش¬هاي طبقه¬بندي ماشين بردار پشتيبان و شبکه عصبي مصنوعي در استخراج کاربري¬هاي اراضي از تصاوير ماهواره¬اي لندست TM. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 72، 35-44.
- ندوشن، م.، سفیانیان، ع. و خواجه الدین، س.ج.، 1388. تهيه نقشه پوشش اراضي شهر اراك با استفاده از روش¬هاي طبقه‌بندی شبكه عصبي مصنوعي و حداكثر احتمال، پژوهش¬های جغرافیای طبیعی، 69، 83-98.
- Abbaszadeh, M., Hezarkhani, A. and Soltani-mohammadi, S., 2013. An SVM-based machine learning method for the separation of alteration zones in Sungun porphyry copper deposit, Chemie der Erde-Geochemistry. 73,4, 545–554.
- Abedi, M., Norouzi, G. H. and Bahroudi, A. 2012. Support vector machine for multi-classification of mineral prospectivity areas. Computers and Geosciences. 46, 272–283. https://doi.org/10.1016/j.cageo.2011.12.014.
-Basak, D., Pal, S. and Patranabis, D.C., 2007. Support vector regression. Neural Inf. Process. 11, 203-225.
- Campbell, J.B., 1996. Introduction to Remote Sensing. 2th edition, New York: The Guilford Press. 622.
- Campbell, J.B. and Wynne, R.H., 2011. Introduction to remote sensing. Guilford Press. 724.
-Camps-Valls, G., Mooij, J. and Scholkopf, B., 2010. Remote sensing feature selection by kernel dependence measures. IEEE Geoscience and Remote Sensing Letters. 7, 587–591.
- Genderen, V.J.L. and Lock, B.F., 1978, Remote sensing: statistical testing of thematic map accuracy. Remote Sensing of Environment. 7, 3–14.
-Granian, H., Tabatabaei, S.H., Asadi, H.H. and Carranza, E.J., 2016. Application of Discriminant Analysis and Support Vector Machine in Mapping Gold Potential Areas for Further Drilling in the Sari-Gunay Gold Deposit, NW Iran. Nat. Resour. Res. 25,2,145–159.
- Guo, Y., De Jong, K., Liu, F., Wang, X. and Li, C., 2012. A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification, Springer-verlag Berlin Heidelberg, ISICA, CCIS. 316, 531-539.
- Hixon, R.F., Solis Ramirez, M.J. and Villoch, M., 1981. Aspects of morphometric and reproduction of the squid Ommastrephes petrous, Steenstrup 1885 in the western Gulf of Mexico. American Malacological Bulletin Union, 54-60.
-Hastie, T., Tibshirani, R. and Friedman, J., 2009. Overview of supervised learning. In The elements of statistical learning. Springer New York. 9-41.
-Hord, R.M., 1982. Digital Image Processing of Remotely Sensed Data, Academic Press, New York, 256.
-Huang, C., Davis, L.S. and Townshend, J.R.G., 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing. 23, 725–749.
- Jensen, J.R., 2005. Introductory Digital Image Processing: A Remote Sensing Perspective, 3rd Edition, Upper Saddle River: Prentice-Hall. 526.
-Jiang, X., Lin, M. And Zhao, C., 2011. Woodland cover change assessment using decision trees,support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation. 312-315.
- Kavzoglu, T. and Colkesen, I., 2009. A kernel functions analysis for support vector machines for land cover classification, Int. J. of Applied Earth Observation and Geoinformation. 11, 352-359.
-Liu, G.Q., 2011. Comparison of Regression and ARIMA models with Neural Network models to forecast the daily streamflow. PhD thesis, University of Delaware. 545.
-Mantero, P., Moser, G. and Serpico, S.B., 2005. Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE Trans. on Geoscience and Remote Sensing. 43, 559-570.
-Mountrakis, G., Im, J. and Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing. 13, 247–259.
-Oommen, T., 2008. An objective analysis of Support Vector Machine based classification for remote sensing. Mathematical Geosciences. 40, 409–424.
-Pal, M. and Mather, P.M., 2005. Support vector machines for classification in remote sensing, International Journal of Remote Sensing. 26,5, 1007-1011.
-Schrader, S. and Pouncy, R., 1997. ERDAS Field Guide. 4th ed. ERDAS, Inc. Atlanta. 825.
- Shabankareh, M. and Hezarkhani, A., 2016. Journal of African Earth Sciences Application of support vector machines for copper potential mapping in Kerman region, Iran, Journal of African Earth Sciences. 25, 102-112.
-Shafiei, B., 2010. Lead isotope signatures of the igneous rocks and porphyry copper deposits from the Kerman Cenozoic magmatic arc (SE Iran), and their magmatic-metallogenetic implications, Ore Geology Reviews. 38, 27-36.
-Vapnik, V.N., 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York.
-Yu, L., Porwal, A., Holden, E. and Dentith, M.C., 2012. Computers & Geosciences Towards automatic lithological classification from remote sensing data using support vector machines. 45, 229–239.
-Zhang, X., Pazner, M. and Duke, N., 2007. Lithologic and mineral information extraction for gold exploration using ASTER data in the south Chocolate Mountains (California). ISPRS Journal of Photogrammetry and Remote Sensing, 62,4, 271-282.
- Zuo, R. and Carranza, E.J.M., 2011. Support vector machine: A tool for mapping mineral prospectivity. Comput. Geosci. 37, 12, 1967–1975.
