ارزیابی روش انتخاب ویژگی برای شناسایی بهترین باندهای طیفی تصویر ابرطیفی هایپریون (مطالعه موردی: شناسایی دگرسانی های معدن مس پورفیری دره زار- کرمان)

زمین شناسی اقتصادی

مقاله 4، دوره 10، شماره 1 - شماره پیاپی 18، 1397، صفحه 77-93   

نوع مقاله: علمی- پژوهشی

شناسه دیجیتال (DOI): 10.22067/econg.v10i1.59704

نویسندگان

امیر سلیمی^{* 1}؛ منصور ضیائی¹؛ علی امیری²؛ مهدیه حسینجانی زاده³

¹صنعتی شاهرود

²زنجان

³تحصیلات تکمیلی صنعتی و فناوری پیشرفته

چکیده

طبقه بندی نظارت‌‌شده یکی از بهترین روش های استخراج اطلاعات از تصویر است. دقت طبقه بندی نظارت‌شده تصاویر سنجش از دور متأثر از تعداد باندهای طیفی و تعداد نمونه های آموزشی است؛ به‌طوری‌که اگر تعداد نمونه ها از تعداد باندها خیلی کمتر باشد دقت طبقه بندی کاهش می یابد. وقوع این مشکل در طبقه بندی تصاویر ابرطیفی به‌دلیل داشتن باندهای طیفی بسیار بیشتر در مقایسه با تصاویر چندطیفی، محتمل تر است. در چنین شرایطی استفاده از روش های انتخاب ویژگی می تواند راه‌گشا باشد. این روش ها با انتخاب باند های دارای بیشترین اطلاعات در مورد موضوع مورد بررسی و حذف باند های نامربوط، زائد و دارای اطلاعات تکراری کارآیی طبقه بندی را افزایش می دهند. در این پژوهش استفاده از یک روش انتخاب ویژگی مبتنی بر الگوریتم رقابت استعماری فازی به شناسایی تنها 5 درصد از کل باندهای طیفی یعنی 9 باند از بین 165 باند قابل استفاده هایپریون منجر شد. 9 باند یادشده بیشترین سهم در شناسایی مناطق دگرسانی را داشته و دقیقاً در بازه هایی قرار گرفته اند که مناسب برای شناسایی کانی های شاخص مناطق دگرسانی هستند که خود بیانگر دقت بالای روش استفاده‌ شده است. همچنین طبقه بندی نظارت‌شده توسط ماشین بردار پشتیبان و با استفاده از 17 نمونه دگرسانی برداشت‌شده از محدوده نشان می دهد که دقت نقشه پراکندگی دگرسانی با استفاده از 9 باند انتخاب‌شده در مقایسه با حالتی که کل باندهای هایپریون استفاده شده اند، به‌طور چشمگیری بهبود یافته است.

کلیدواژه‌ها

روش انتخاب ویژگی؛ مناطق دگرسانی؛ سنجش از دور ابرطیفی؛ مس پورفیری دره زار

مراجع

Alajlan, N., Bazi, Y., Melgani, F. and Yager, R., 2012. Fusion of supervised and unsupervised learning for improved classification of hyperspectral images. Journal of Information Sciences, 217: 39–55.

Alavi, M., 1980. Tectono-stratigraphic evolution of the Zagros side of Iran. Geology, 8(3): 144–149.

Amer, R., Kusky, T. and El Mezayen, A., 2012. Remote sensing detection of gold related alteration zones of Um Rus Area, Central Eastern Desert of Egypt. Advances in Space Research, 49(1): 121–134.

Beiranvand Pour, A. and Hashim, M., 2014. ASTER, ALI and Hyperion sensors data for lithological mapping and ore minerals exploration. SpringerPlus, 3(1): 1–19.

Bermejo, P., de la Ossa, L., Gamez, J.A. and Puerta, J.M., 2012. Fast wrapper feature subset selection in high-dimensional datasets by means of filter re-ranking. Knowledge-based Systems, 25(1): 35–44.

Bioucas-Dias, J.M., Plaza, A., Camps-Valls, G., Scheunders, P., Nasrabadi, N.M. and Chanussot, J., 2013. Hyperspectral Remote Sensing Data Analysis and Future Challenges. IEEE Geoscience and Remote Sensing Magazine, 1(2): 6–36.

Camps-Valls, G., Tuia, D., Bruzzone, L. and Benediktsson, J., 2014. Advances in Hyperspectral Image Classification. IEEE Signal Processing Magazine, 31(1): 45–54.

Carranza, E.J.M., 2002. Geologically-Constrained Mineral Potential Mapping. Ph.D. Thesis, Delft University of Technology, Delft, Netherlands, 480 pp.

Chang, C., 2007. Hyperspectral Data Exploitation, Theory and Applications. John Wiley & Sons, New Jersey, 430 pp.

Darmawan, A., 2006. Mapping soil mineral using Hyperion imagery in relation to the level of structural damage in the Bam earthquake. M.Sc. Thesis, the University of Melbourne, Melbourne, Australia, 86 pp.

Ede, R.V., 2004. Destriping and Geometric Correction of an ASTER Level 1A Image. Utrecht University, Utrecht, 36 pp.

Fukunaga, K., 1990. Statistical Pattern Recognition. Academic Press, San Diego, 592 pp.

Geological survey of Iran, 1973. Exploration for Ore deposits in Kerman region. Ministry of Economy Geological Survey of Iran, Tehran, Report Yu/53.

Gersman, R., Ben-Dor, E., Beyth, M., Avigad, D., Abraha, M. and Kibreba, A., 2008. Mapping of hydrothermal altered rocks by the EO-1 Hyperion sensor, northern Danakil, Eritrea. International Journal of Remote Sensing, 29(13): 3911–3936.

Gheyas, A. and Smith, L.S., 2010. Feature subset selection in large dimensionality domains. Pattern Recognition, 43(1): 5-13.

Hosseinjani Zadeh, M. and Tangestani, M.H., 2011. Mapping alteration minerals using sub-pixel unmixing of ASTER data in the Sarduiyeh area, southeastern Kerman Iran. International Journal of Digital Earth, 4(6): 487–504.

Hosseinjani Zadeh, M., Tangestani, M.H., Velasco Roldan, F. and Yusta, I., 2014a. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Advances in Space Research, 53(3): 440–451.

Hosseinjani Zadeh, M., Tangestani, M.H., Velasco Roldan, F. and Yusta, I., 2014b. Mineral exploration and alteration zone mapping using mixture tuned matched filtering approach on ASTER data at the central part of Dehaj-Sarduiyeh copper belt, SE Iran. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(1): 284–289.

Hosseinjani Zadeh, M., Tangestani, M.H., Velasco Roldan, F. and Yusta. I., 2014c. Spectral characteristics of minerals in alteration zones associated with porphyry copper deposits in the middle part of Kerman copper belt, SE Iran., SE Iran. Ore Geology Reviews, 62: 191-198.

Hui-Huang, H. and Cheng-Wei, H., 2011. Hybrid feature selection by combining filters and wrappers. Expert Systems with Applications, 38(7): 8144–8150.

Jimenez, L.O. and Landgrebe, D.A., 1998. Supervised classification in high-dimensional space: geometrical, statistical, and asymptotical properties of multivariate data. IEEE Transactions on Systems, Man, and Cybernetics, 28(1): 39–54.

Kruse, F.A., 2003. Mineral Mapping with AVIRIS and EO-1 Hyperion. 12th JPL Airborne Geoscience Workshop, Pasadena, California.

Landgrebe, D.A., 2002. Hyperspectral Image Data Analysis. IEEE Signal processing Magazine, 19(1): 17–28.

Lazar, C., Taminau, J., Meganck, S., Steenhoff, D., Coletta, A., Molter, C., de Schaet-zen, V., Duque, R., Bersini, H. and Nowe, A., 2012. A survey on filter techniques for feature selection in gene expression microarray analysis. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 9(4): 1106–1119.

Liao, L., Jarecke, P., Gleichauf, D. and Hedman, T., 2000. Performance and characterization of the Hyperion imaging spectrometer instrument. International Symposium on Optical Science and Technology, San Diego, California, USA.

Moradkhani, M., Amiri, A., Javaherian, M. and Safari, H., 2015. A hybrid algorithm for feature subset selection in high-dimensional data sets using FICA and IWSSr algorithm. Applied Soft Computing, 35: 123–135.

Oommen, T., 2008. An objective analysis of Support Vector Machine based classification for remote sensing. Mathematical Geosciences, 40(4): 409–424.

Pal, M. and Foody, G.M., 2010. Feature Selection for Classification of Hyperspectral Data by SVM. IEEE Transactions on Geoscience and Remote Sensing, 48(5): 2297–2307.

Petropoulos, G.P., Kalaitzidis, C. and Prasad Vadrevu, K., 2012. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Computers & Geosciences, 41: 99–107.

Plaza, A., Benediktsson, J.A., Boardman, J.W., Brazile, J., Bruzzone, L., Camps-Valls, G., Chanussot, J., Fauvel, M., Gamba, P., Gualtieri, A., Marconcini, M., Tilton, J.C. and Trianni, G., 2009. Recent advances in techniques for hyperspectral image processing. Remote Sensing of Environment, 113: 110–122.

Ranjbar, H., Hassanzadeh, H. and Torabi, M., 2001. Integration and analysis of airborne geophysical data of the Darrehzar area, Kerman Province, Iran, using principal component analysis. Journal of Applied Geophysics, 48(1): 33–41.

Salimi, A., Ziaii, M., Amiri, A. and Hosseinjani Zadeh, M., 2016. Sub-pixel classification of hydrothermal alteration zones using a kernel-based method and hyperspectral data; A case study of Sarcheshmeh Porphyry Copper Mine and surrounding area, Kerman, Iran. Journal of Mining and Environment, 8(4): 555-565.

Salimi, A., Ziaii, M., Hosseinjani Zadeh, M., Amiri, A. and Karimpouli, S., 2015. High Performance of the Support Vector Machine in Classifying Hyperspectral Data Using a Limited Dataset. International Journal of Mining and Geo-Engineering, 49(2): 253–268.

Shahriari, H., Honarmand, M. and Ranjbar, H., 2015. Comparison of multi-temporal ASTER images for hydrothermal alteration mapping using a fractal-aided SAM method. International Journal of Remote Sensing, 36(5): 1271–1289.

Shahriari, H., Ranjbar, H. and Honarmand, M., 2013. Image Segmentation for Hydrothermal Alteration Mapping Using PCA and Concentration-Area Fractal Model. Natural Resources Research, 22(3): 191–206.

Van der Meer, F., Van der Werff, H., Van Ruitenbeek, F., Hecker, C., Bakker, W., Noomen, M., Van der Meijde, M., Carranza, E., Boudewijn de Smeth, J. and Woldai, T., 2012. Multi- and hyperspectral geologic remote sensing: A review. International Journal of Applied Earth Observation and Geoinformation, 14(1): 112–128.

Wang, J. and Wu, L., 2013. Maximum weight and minimum redundancy: A novel framework for feature subset selection. Pattern Recognition, 46(6): 1616–1627.

Wang, Z.H. and Zheng, C.Y., 2010. Rocks/Minerals Information Extraction from EO-1 Hyperion Data Base on SVM. International Conference on Intelligent Computation Technology and Automation, Changsha, China.

Waske, B., Benediktsson, J.A., Arnason, K. and Sveinsson, J.R., 2009. Mapping of hyperspectral AVIRIS data using machine-learning algorithms. Canadian Journal of Remote Sensing, 35(1): 106–116.

Yusta, S.C., 2009. Different metaheuristic strategies to solve the feature selection problem. Pattern Recognition Letter, 30(5): 525–534.

Zhang, X. and Peijun, L., 2014. Lithological mapping from hyperspectral data by improved use of spectral angle mapper. International Journal of Applied Earth Observation and Geoinformation, 31: 95–109.