دانلود کامل ترین جزوه نقشه برداری معدنی

جزوه رنگی و تایپ شده نقشه برداری معدنی

دانلود فایل

احمد قربانی دانشگاه پیام نور علمی کاربردی رحمت الله استوار دانشگاه آزاد الهام ساعي‌نيا کارشناسی ارشد محم جزوه ضا

ً ‌‌‌‌‌- ()، () – ‌‌‌‌‌‌‌‌‌‌‌- ٪ :؛ ; ؛ () [ 1 ، 2 ]، [ 3 ، 4 ]، [ 5 ، 6 ]، [ 7 ، 8 ]، [ 9 ] ] [ 14 , 15 , 16]. ً، ‌‌‌[ 17 ، 18 ، 19 ]. ‌‌-‌‌[ 20 ].
[ 21 ] [ 22 ] ً، ‌() ‌‌‌‌[ 23 ، 24 ]. [ 25 ، 26 ، 27 ].
‌()، () و تجزیه و تحلیل آزادسازی مواد معدنی می‌تواند گران باشد و آماده‌سازی بخش نازک می‌تواند زمان‌بر باشد (در بیشتر موارد چندین هفته). شمارش نقاط مقطع نازک می تواند مستعد خطای کاربر باشد [ 28 ]، اگرچه اخیراً تکنیک های خودکاری برای خودکارسازی تخمین تخلخل و بافت معدنی در فتومیکروگراف های مقطع نازک پیشنهاد شده است [ 29 ]. با این حال، این روش برای کانی شناسی تبعیض قائل نمی شود.
پیش از این، نقشه برداری کانی جزوه نقشه برداری معدنی با وضوح بالا با استفاده از تصویربرداری فراطیفی با استفاده از تحلیلگر آزادسازی معدنی (MLA) مبتنی بر میکروسکوپ الکترونی روبشی (SEM) تایید شد [ 30 ، 31 ]. این مطالعه دو مطالعه موردی را ارائه می‌کند، از جمله مجموعه‌های نمونه که اعضای نهایی ترکیبی هستند: کربنات‌های تغییر یافته از نظر دیاژنتیکی و رگه‌های کوارتز غنی از مواد معدنی سولفید.
2. مواد و روشها
2.1. منشا و توضیحات نمونه
نمونه هایی از سنگ آهک ادواردز در منطقه سرریز دریاچه جورج تاون در سال 2014 جمع آوری شد ( شکل 1 ). مخلوط های معدنی از پیش اندازه گیری شده، مشابه زینی و همکاران، مورد ارزیابی قرار گرفتند. [ 32 ]، اما با افزودن سیلیس برای تخمین بهتر فراوانی مواد معدنی در رخنمون. شرح مواد معدنی مورد استفاده برای طیف های مرجع، نمونه های میدانی، فتومیکروگراف های مقطع نازک، و زمینه زمین شناسی سازند ادواردز و مکان های نمونه برداری را می توان در [ 33 ] یافت. نمونه ها با استفاده از مقاطع نازک جلا داده شده شمارش شدند: 300-350 نقطه در یک شبکه تعریف شده در نیمه رنگ آمیزی شده هر بخش نازک شمارش شد.
مواد معدنی 10 00967 g001 550شکل 1. ( الف ) مکان مطالعه در Google Earth، اصلاح شده از [ 33 ]. ( ب ) مکان‌های نمونه تراشه سنگ در امتداد رخنمون، پس‌زمینه توپوگرافی مشتق‌شده از LiDAR است که با ترکیبی با رنگ کاذب 2378، 2334 و 2146 نانومتر در RGB، داده‌های [ 33 ].
نفوذ رگه های کوارتز به دیوریت در باتولیت لاداخ از ناحیه آستور واقع در شمال پاکستان، متشکل از رگه های کوارتز غنی از کالکوپیریت و گالن، از دره استور در شمال پاکستان جمع آوری شد ( شکل 2 ). در مطالعات قبلی، این نمونه‌ها با استفاده از QEMSCAN در دانشکده معادن کلرادو مورد تجزیه و تحلیل قرار گرفتند و نتایج نشان می‌دهد که کانی‌سازی طلا با سولفیدهای فلز پایه، به‌ویژه کالکوپیریت و گالن مرتبط است [ 34 ، 35 ].
مواد معدنی 10 00967 g002 550شکل 2. نقشه زمین شناسی منطقه آستور در شمال پاکستان. نمونه های انبوه از منطقه Astore جمع آوری شد. اصلاح شده از [ 35 ].

دانلود رایگان خلاصه کتاب جزوه نقشه برداری معدنی pdf

انواع کانی های مختلف دارای ویژگی های متمایز کننده در ناحیه طیفی SWIR هستند، از جمله فیلوسیلیکات ها، کربنات ها، هیدروکسیدها، سولفات ها و دیگران [ 36 ، 37 ، 38 ، 39 ]. کانی های کربناته دارای ویژگی طیفی قوی در محدوده طول موج 2530-2541 نانومتر و 2333-2340 نانومتر و 2503-2520 نانومتر و 2312-2323 نانومتر، به ترتیب [ 32 ، 1 ، 4 ، 4 ، 4 ، 4 ، 4 ، 4 و 4 ] . از سوی دیگر، تکتوسیلیکات‌ها، مانند کوارتز و فلدسپات، ویژگی‌های متمایزی در SWIR ندارند، اما در محدوده طیفی مادون قرمز حرارتی دارند [ 42 ، 46 ]]. کانی های سولفیدی مانند پیریت و کالکوپیریت مات هستند و هیچ ویژگی متمایز کننده ای در SWIR ندارند [ 47 ، 48 ]. با این حال، برخی از مطالعات از تفاوت در شکل طیفی برای تشخیص آنها استفاده کرده اند [ 21 ].
2.2. تهیه و ارزیابی مخلوط معدنی
مخلوط‌های کلسیت، دولومیت و چرت از مواد معدنی نسبتاً خالص تهیه شدند، به اندازه دانه 75-150 میکرومتر الک شدند و با نسبت‌های وزنی جدول 1 مخلوط شدند. منحنی‌های طیفی آن‌ها با استفاده از دستگاه طیفی تحلیلی (ASD) طیف‌سنج Fieldspec Pro (Fieldspec Pro FR، Malvern Panalytical، Malvern، UK) تحت نور مصنوعی اندازه‌گیری شد. پارامترهای طیفی با استفاده از Dispec (IDL DISPEC 3.6، ITC، Enschede، هلند)، یک پلاگین IDL برای ENVI [ 49 ] محاسبه شد. مخلوط‌های معدنی و تراشه‌های سنگ نیز با استفاده از لنز زاویه باز OLES 22.5 (24 درجه FOV) و اندازه پیکسل 0.4 میلی‌متر اسکن شدند.
جدول 1. فراوانی مواد معدنی (بر حسب جرم) و مکان های حداقل میزان جذب اندازه گیری شده از تصویربرداری فراطیفی (HSI).
جدول
2.3. اکتساب، پردازش و طبقه بندی داده های فراطیفی
HSI مبتنی بر آزمایشگاه با استفاده از یک دوربین Specim SWIR (Spectral Camera SWIR، Specim، Oulu، فنلاند)، که در محدوده طیفی 909-2503 نانومتر، با وضوح رادیومتری 14 بیتی کار می‌کند، انجام شد. برای اسکن با وضوح بالا، لنز OLES ماکرو Specim (OLES Macro، Specim، Oulu، فنلاند) استفاده شد که تصویربرداری 1:1 با میدان دید 7.5 درجه (FOV) ارائه می‌کند. نمونه ها روی یک مرحله اسکن در فاصله 0.10 متری از لنز دوربین با وضوح فضایی 32 میکرومتر قرار گرفتند. سه لامپ هالوژن کوارتز 50 وات برای روشنایی استفاده شد. نمونه ها با سرعت ثابت در جهت مسیر حرکت کردند. نرخ فریم 100 هرتز برای جزوه نقشه برداری معدنی پیکسل های مربعی انتخاب شد.
برای داده‌های فراطیفی، مراحل پیش‌پردازش شامل تفریق قاب تیره، کالیبراسیون خط تجربی [ 50 ]، تصحیح مصنوعات تصویری که در جهت طول مسیر [ 51 ] رخ می‌دهند، و هموارسازی طیفی Savitzky-Golay با استفاده از چند جمله‌ای مرتبه دوم و عرض فیلتر بود. از چهار باند [ 52 ، 53 ]. تمامی تکنیک‌های پردازش و تحلیل تصویر با استفاده از نرم‌افزار ENVI (نسخه 5.5، Harris Geospatial، Boulder، CO، USA) و Matlab 2018a (Mathworks, Inc, Natick, MA, USA) پیاده‌سازی شدند.

دانلود جزوه نقشه برداری معدنی رایگان خلاصه pdf کتاب کامل

گروه های معدنی متعددی دارای ویژگی های جذب متمایز در طول موج SWIR هستند که می تواند به عنوان شاخص کانی شناسی مورد استفاده قرار گیرد. به عنوان مثال، کلسیت دارای جذبی است که در حدود 2330-2340 نانومتر قرار دارد. از این ویژگی می توان برای تشخیص کلسیت از دولومیت استفاده کرد که دارای ویژگی جذبی با قدر مشابه است اما در طول موج های کوتاه تر، تقریباً 2315-2320 نانومتر قرار دارد [ 44 ]. مکان طول موج یک ویژگی جذب حداقل می تواند برای تشخیص کانی های کربناته، و همچنین بسیاری دیگر [ 37 ، 54 ] ( شکل 3 ) استفاده شود. مقدار عمق جذب با غلظت بالاتر ماده معدنی مورد نظر مرتبط است [ 10 , 55] و می تواند با اندازه دانه بزرگتر افزایش یابد [ 56 ]. برای نمونه‌های کربناته، تصاویر فراطیفی از مخلوط‌های معدنی نسبتاً خالص ( شکل 4 ) برای تعیین آستانه برای مکان حداقل جذب استفاده شد. حداقل طول موج با استفاده از برنامه Python فراطیفی (HypPy، دانشگاه Twente، Enschede، هلند) [ 57 ] ترسیم شد.
مواد معدنی 10 00967 g003 550شکل 3. ویژگی های ویژگی جذب طیفی پس از [ 25 ] اصلاح شده است.
مواد معدنی 10 00967 g004 550شکل 4. نقشه های حداقل جذب مخلوط های تهیه شده در آزمایشگاه (فراوانی نشان داده شده در جدول 1 ). اعداد نمونه به جدول 1 مراجعه کنید .
سه تکنیک طبقه بندی مقایسه شدند. Spectral Angle Mapper (SAM) پیکسل های تصویر را با در نظر گرفتن هر پیکسل و طیف مرجع (عضو انتهایی) به عنوان یک بردار در فضایی با ابعاد برابر با تعداد باندهای تصویر طبقه بندی می کند [ 58 ]. زاویه بین هر بردار پیکسل و بردار مرجع برای تولید یک تصویر طبقه بندی بر اساس یک آستانه تعریف شده توسط کاربر استفاده می شود. این تکنیک نسبتا ساده است و می تواند از داده های آموزشی از منابع مختلف استفاده کند. زمان محاسبات معمولاً کوتاه است.
ماشین بردار پشتیبان (SVM) تکنیکی است که از تئوری یادگیری آماری مشتق شده است، که طبقات را با سطح تصمیم گیری جدا می کند که مرز بین کلاس ها را به حداکثر می رساند [ 59 ، 60 ، 61 ]. بردارهای پشتیبان یا نقاط داده نزدیک به سطح تصمیم، عناصر مجموعه آموزشی هستند. مطالعات قبلی گزارش می‌دهند که این تکنیک نتایج قابل اعتمادی را با داده‌های پر سر و صدا به همراه می‌آورد، اگرچه زمان آموزش بسته به مقدار داده‌های آموزشی ورودی می‌تواند طولانی باشد [ 62 ]. یک اشکال در الگوریتم SVM عملکرد ضعیف گزارش شده آن در طبقه بندی داده های فراطیفی با مدلی است که از داده های آموزشی مستقل [ 63 ] آموخته شده است، به طور بالقوه به دلیل تفاوت در روشنایی [ 64 ]]. یک تابع هسته برای تعیین وزن نقاط نزدیک برای طبقه بندی استفاده می شود. برای مطالعه حاضر از تابع پایه شعاعی استفاده شد. یک آستانه احتمال 0.5 برای این مثال ها تعیین شد، به طوری که حداقل 50٪ از باندها باید با کلاسی که قرار است اختصاص داده شود مطابقت داشته باشد.
پیاده‌سازی طبقه‌بندی شبکه عصبی در ENVI یک تکنیک طبقه‌بندی پیش‌خور لایه‌ای با انتشار پس‌پشت خطا برای یادگیری نظارت‌شده است. وزن ها در گره به گونه ای تنظیم می شوند که تفاوت بین فعال سازی گره خروجی و ورودی به حداقل برسد. سهم آستانه تمرین برای تعیین اندازه سهم وزن داخلی تنظیم می شود و برای تنظیم تغییرات وزن داخلی استفاده می شود [ 65 ]. وزن بزرگتر منجر به تعمیم جزوه نقشه برداری معدنی اما طبقه بندی دقیق تر می شود. برای این کار، سهم آستانه آموزشی 0.95 پس از آزمایش چندین مقدار دیگر تعیین شد. طبقه بندی شبکه های عصبی غیرخطی حداقل به یک لایه پنهان نیاز دارد و تعداد لایه های پنهان مورد نیاز به پیچیدگی سطح تصمیم گیری برای طبقه بندی بستگی دارد.59 ]. حداقل آستانه فعال سازی خروجی روی 0.5 تنظیم شد، به طوری که اگر مقدار فعال سازی یک پیکسل برای هر کلاس معین کمتر از 0.5 باشد، طبقه بندی نشده باقی می ماند.
3. نتایج

نقشه برداری معدنی

3.1. سازند ادواردز، تگزاس مرکزی، ایالات متحده آمریکا
ارزیابی مخلوط های معدنی برای عمق جذب و حداقل مکان بین 2210 جزوه نقشه کشی اجرایی و 2400 نانومتر، روابط بین فراوانی مواد معدنی و ویژگی های طیفی را آشکار کرده است ( شکل 4 ). فراوانی بالاتر کلسیت با مرکز باند جذب در طول موج‌های بلندتر ارتباط دارد و بیشترین فراوانی چرت مربوط به عمق جذب کمتر در این ناحیه طیفی است.
آستانه هایی برای فراوانی کلسیت، دولومیت و چرت از مخلوط های معدنی تهیه شده در آزمایشگاه تعیین شد ( جدول 1)) اینها برای طبقه بندی تراشه های سنگی بر اساس نسبت سنگ / مواد معدنی استفاده شدند. تفاوت فراوانی بین 0.2% تا 18% برای کلسیت، 1% تا 26% برای دولومیت و 0 تا 23% برای چرت متغیر است. چندین توضیح برای تفاوت در فراوانی بین تعداد نقاط و نقشه برداری HSI وجود دارد. شمارش نقاط با استفاده از میکروسکوپ با وضوح بالا انجام شد، جایی که اجسام کوچکتر از یک میکرومتر را می‌توان با بالاترین بزرگنمایی تفکیک کرد. علاوه بر این، اندازه‌گیری‌های طیفی در نیمه دیگر هر دال سنگ انجام شد که می‌تواند برخی از تغییرات در ترکیب را توضیح دهد. استفاده از مخلوط های معدنی برای تعیین آستانه برای طبقه بندی مواد معدنی باعث ایجاد خطا در اندازه گیری و نویز حسگر می شود. در مخلوط های معدنی اسکن شده، همبستگی ضعیف بین موقعیت حداقل طول موج و فراوانی کلسیت و سیلیس،شکل 5 ). نقشه های معدنی تولید شده از مراکز نوار جذب دارای فراوانی مواد معدنی بود که با فراوانی به دست آمده از شمارش نقاط ( شکل 6 )، با اعضای انتهایی استخراج شده برای مراکز باند جذب خاص ( شکل 7 ) همبستگی داشت. اسکن آزمایشگاهی با وضوح بالا نمونه‌های سنگ آهک، دولوستون و چرت از سازند ادواردز برای پیش‌بینی دقیق فراوانی مواد معدنی با استفاده از موقعیت مکان حداقل جذب کربنات استفاده شد ( شکل 8 ).
مواد معدنی 10 00967 g005 550شکل 5. مکان‌های حداقل طول موج و عمق مخلوط‌های آماده‌شده اندازه‌گیری شده از تصاویر فراطیفی، در مقایسه با نسبت‌های معدنی بر حسب وزن. نوارهای خطا انحراف معیار اندازه گیری ها را نشان می دهد.
مواد معدنی 10 00967 g006 550شکل 6. ( الف ) مقایسه فراوانی مواد معدنی از شمارش نقطه در مقایسه با پیکسل های شمارش شده از نقشه های معدنی مشتق شده از HSI با استفاده از مکان حداقل جذب، و ( B ) نمودارهایی که فراوانی هر کانی را با HSI در محور و نقطه y مقایسه می کند. شمارش روی محور x
مواد معدنی 10 00967 g007 550شکل 7. نمودارهای طیفی اعضای انتهایی از هر کلاس که در شکل 8 نگاشت شده است. اعداد نمونه به جدول 1 مراجعه کنید .
مواد معدنی 10 00967 g008 550شکل 8. تراشه های سنگی از سرریز دریاچه جورج تاون: ( 1 – 15a ) در کامپوزیت های رنگ کاذب RGB 2102، 2334 و 2397 نانومتر و ( 1-15b ) با موقعیت های حداقل طول موج نقشه برداری شده است. ( 1 – 15c ) نگاشت زاویه طیفی، ( 1 – 15d ) ماشین بردار پشتیبان و ( 1 – 15e ) طبقه بندی شبکه عصبی.
تصویر حداقل طول موج برای تولید یک نمونه تصادفی 300 پیکسل در هر کلاس برای آموزش طبقه‌بندی‌کننده‌های SAM، SVM و شبکه عصبی استفاده شد. دقت طبقه بندی با استفاده از ماتریس های سردرگمی [ 66 ]، با تصویر مرکز نوار جذب به عنوان مرجع جزوه نقشه برداری معدنی شد. برای نمونه‌های Edwards Limestone، SVM نمونه‌های کربناته را با دقت بیشتر (84.4%) و ضریب کاپا (0.82) نسبت به SAM و Neural Network (به ترتیب 56.2%؛ 0.48 و 66.4%؛ 0.59) طبقه‌بندی کرد. هدف، تمایز موادی بود که از نظر طیفی متمایز نبودند و تنها با تفاوت‌های جزئی ‌[ 67 ]]، ً ‌‌ً ‌‌[ 68 ] ‌‌‌[ 69 ]. ً ‌‌‌( )، ‌‌[ 70 , 71 ]] [ 72 ] ‌‌‌‌