فهرست نشریات علمی دسترسی آزاد ایران

با ظهور داده‌های بزرگ در علوم زمین، مطالعات اکتشافی وارد ابعاد جدیدی شده ‌است. منظور از داده‌های بزرگ اطلاعات تصویری با وضوح بالا است. از آنجا ‌که این داده‌ها در علوم زمین حجم و تنوع بسیار زیادی دارند، استفاده از رویکردهای تجزیه و تحلیل داده‌های بزرگ در این حوزه ضروری است. در این مطالعه کاربرد ماشین بردار پشتیبان در بینایی ماشین در حوزه اکتشاف پتانسیل‌های معدنی مورد بررسی قرار می‌گیرد. در سال‌های اخیر طبقه‌بندی تصاویر توجه زیادی را در بینایی ماشین به‌خود معطوف کرده است که فرآیند آن شامل پیش‌پردازش و قطعه‌بندی، استخراج ویژگی و شناسایی کلاس مربوط است. در این مطالعه برای مدل‌سازی اکتشاف پتانسیل‌های معدنی از نقشه‌های زمین‌شناسی و تصاویر دورسنجی و از معماری الکس‌نت برای استخراج خودکار ویژگی‌ها استفاده شده و برای یادگیری الگوریتم، اطلاعات میدانی به‌کار گرفته می‌شود. در گام بعد برای مدل‌سازی به‌منظور شناسایی عوامل ساختاری در احتمال وقوع پتانسیل‌های معدنی، از ماشین بردار پشتیبان استفاده می‌شود. الگوریتم‌ها و شاخص‌های ارزیابی در هر مرحله در محیط متلب برنامه‌نویسی می‌شود. میزان دقت بدست آمده با استفاده از این روش، روی داده‌های آزمایشی 71 است. با توجه به مطالعه قبلی انجام شده توسط نویسندگان در شناسایی ساختارهای کانی‌زایی، متوسط دقت طبقه‌بندی داده‌های تصویری با استفاده از الگوریتم‌های شبکه عصبی کانولوشن 65 درصد، روش نقشه‌بردار زاویه طیفی در شناسایی زون‌های آلتراسیون 70 درصد و اعمال فیلترها در شناسایی گسل‌ها 28 درصد است. روش مورد استفاده در این تحقیق دقت بالایی دارد و از مزایای آن می‌توان به کاهش هزینه‌ها و افزایش سرعت در فرآیند تصمیم‌گیری اشاره کرد.