نقشه برداری زمین شناسی، سنجش از دور و تجزیه و تحلیل تصویر

سود:

• امکان توضیح نحوه انجام لیتولوژی، نقشه برداری خطا و تغییرات با هوش مصنوعی در تصاویر ماهواره ای و هوایی.
• توانایی طراحی گردش کاری که نشانگرهای معدنی و ساختاری را از داده های چندطیفی/فوقطیفی استخراج می کند
• امکان آزمایش خروجی های سنجش از دور با حقیقت زمین و زمینه زمین شناسی

نقشه زمین شناسی طرح داستان زیرزمینی یک منطقه در سطح است: کدام واحد سنگ کجاست، گسل ها از کجا می گذرند، لایه ها به کدام جهت متمایل هستند. به طور کلاسیک، این نقشه محصولی است که زمین شناس با سفر از رخنمون به رخنمون، با ماه ها کار میدانی تولید می کند. امروزه سنجش از دور و هوش مصنوعی بیشتر این فرآیند را تسریع می کنند. در این واحد خواهیم دید که چگونه سنگ‌شناسی، گسل و دگرسانی (تغییر شیمیایی سنگ با آب‌های گرمابی؛ شاخص حیاتی در اکتشاف معدنی) نقشه‌برداری با هوش مصنوعی از تصاویر ماهواره‌ای/هوایی انجام می‌شود و مهم‌تر از همه، چگونه این خروجی‌ها با واقعیت زمین آزمایش می‌شوند.

یک هشدار از ابتدا: تصویر سنجش از دور یک اندازه گیری است، نه یک تفسیر. اما هر نقشه‌ای که از آن اندازه‌گیری به دست می‌آید، یک تفسیر است و در تفسیر خطا وجود دارد. یک "منطقه تغییر" مشخص شده توسط هوش مصنوعی می تواند یک شاخص واقعی معدنی، یک میدان خشک شده، یک سایه یا یک اختلال جوی باشد. نقشه یک فرضیه است تا زمانی که در میدان تأیید شود.

فیزیک پایه سنجش از دور

هر كاني و سنگ نور خورشيد را در طول موجهاي مختلف با سرعتهاي متفاوت منعكس مي كند. به این امضای طیفی می گویند. چشم انسان فقط نور مرئی (قرمز-سبز-آبی) را می بیند، اما حسگرهای ماهواره ای محدوده بسیار وسیع تری از جمله مادون قرمز را اندازه گیری می کنند. دو مفهوم اساسی:

اندازه گیری تصویربرداری چند طیفی در چندین باند طول موج گسترده (معمولاً 4-12 باند). به عنوان مثال، ماهواره های Landsat و Sentinel. سنگ های خشن را متمایز می کند. از سوی دیگر، تصویربرداری فراطیفی در صدها نوار باریک اندازه گیری می شود و می تواند کانی ها را تقریباً از روی "اثر انگشت طیفی" آنها تشخیص دهد. برای تشخیص کانی های دگرسانی (مانند کائولینیت، آلونیت، ایلیت) استفاده می شود.

هوش مصنوعی در اینجا دو کار انجام می‌دهد: اول، این داده‌های طیفی با ابعاد بالا را طبقه‌بندی می‌کند (کدام پیکسل کدام لیتولوژی/معدنی است). دوم، ویژگی‌های ساختاری و خطا را از الگوهای هندسی تصویر (خطوط، بافت، شبکه زهکشی) استخراج می‌کند. هنگامی که مدل دیجیتال ارتفاع (DEM به اختصار؛ نقشه ارتفاعی سه بعدی زمین) اضافه می شود، خطوط شیب، جنبه و توپوگرافی نیز در تحلیل گنجانده می شوند.

گام به گام: گردش کار نقشه تغییر

1. تصویر را آماده کنید. تصحیح اتمسفر (از بین بردن اثر اعوجاج جو)، پوشش ابر، ماسک گیاهی. اگر این مرحله نادیده گرفته شود، کل نتیجه آلوده خواهد شد.
2. حوزه مورد علاقه خود را محدود کنید. محدوده مورد مطالعه را به بافت زمین شناسی (گسل شناخته شده، سازند، رخنمون) محدود کنید. زمینه را به مدل بدهید.
3. محاسبه شاخص های طیفی نسبت‌های نواری که گروه‌های معدنی خاص را مشخص می‌کند (مثلاً برای اکسیدهای آهن، کانی‌های رسی).
4. طبقه بندی کنید. هوش مصنوعی پیکسل ها/مناطق را طبقه بندی می کند و مناطق احتمالی تغییر را مشخص می کند.
5. زمان‌بندی تأیید زمین نقاط نمونه را از مناطق مشخص شده انتخاب کنید و آنها را در فیلد بررسی کنید. بدون این مرحله نقشه امضا نمی شود.

نقش و محدودیت های هوش مصنوعی در تحلیل تصویر

به طور خاص، هوش مصنوعی دو نوع خطا را کاهش می‌دهد: ناهنجاری‌های ظریفی را که نادیده گرفته می‌شوند، شناسایی می‌کند و تفسیرهای متناقض را استاندارد می‌کند. اما سه خطای سیستماتیک ایجاد می کند. اولی یک مثبت کاذب است: پوشش گیاهی، سایه، ساختار انسانی یا رطوبت خاک ممکن است تغییر کند. دومی تعصب آموزشی است: اگر مدل بر روی داده های منطقه دیگری آموزش داده شود، در لیتولوژی مختلف سایت شما اشتباه خواهد بود. سوم، توهم مقیاس است: یک پیکسل ده ها متر روی زمین را می پوشاند. ساختارهای ظریف از بین می روند، پیکسل های مخلوط (چند ماده در یک پیکسل) گمراه کننده هستند.

بنابراین قانون طلایی: حقیقت زمینی همیشه برنده است. نقشه حاصل از تصویر را نمی توان بدون آزمایش با نمونه ها و مشاهدات در نقاط انتخاب شده در میدان، قطعی دانست. نقاط تأیید به طور تصادفی انتخاب نمی شوند، بلکه به صورت استراتژیک برای پوشش هر دو منطقه "مشخص" و "مشکوک" انتخاب می شوند.

سه مورد کوچک: با اعداد

مورد 1 - محدود کردن منطقه جستجو. یک شرکت اکتشافی در حال ارزیابی مساحت مجوز به وسعت 1200 کیلومتر مربع بود. طبقه‌بندی تغییر به کمک هوش مصنوعی از داده‌های فراطیفی، این منطقه را به 7 منطقه هدف 38 کیلومتر مربعی کاهش داد. تیم میدانی به جای بازدید از کل منطقه، این 7 منطقه را در اولویت قرار داد. زمان کمپین میدانی اولیه حدود 70٪ کاهش یافت. 5 منطقه از 7 منطقه تغییرات واقعی را در میدان نشان دادند، 2 منطقه مثبت کاذب (خاک رس) - بدون تأیید، این 2 منطقه حفاری هدر می رفت.

مورد 2 - طرح اولیه نگاشت خطا. تجزیه و تحلیل خطی DEM و تصویر استخراج شده دو خطواره جزئی را در کنار گسل اصلی شناخته شده پیشنهاد کرد. یکی از آنها یک خطای واقعی در میدان بود. معلوم شد که دیگری اثر توپوگرافی یک مسیر خط لوله است. مدل الگوی هندسی را به درستی دریافت کرد، اما نتوانست منشا آن را تشخیص دهد. او بین منطقی بودن زمین شناسی و کنترل میدانی تمایز قائل شد.

مورد 3 - مغالطه سایه ابر. در یک منطقه، مدل یک "تغییر اکسید آهن" قوی در شیب شمالی را نشان داد. تصحیح اتمسفر ناقص بود و امضا در واقع یک اعوجاج طیفی از یک پوشش ابر نازک بود. هنگامی که تصویر دوباره پردازش و تصحیح شد، ناهنجاری ناپدید شد. درس: خطای پیش پردازش حتی پیشرفته ترین مدل ها را هم فریب می دهد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

در این تصویر ماهواره ای مکان هایی را که ممکن است مین وجود داشته باشد نشان دهید.

اعلان قدرتمند:

نقش شما: زمین شناس سنجش از دور. مقادیر شاخص طیفی و نسبت نوار زیر را تفسیر کنید (تصویر Sentinel-2، منطقه خشک، پوشش گیاهی پراکنده).- برای هر منطقه تغییر احتمالی: بنویسید که کدام شاخص/نسبت باعث آن شده است.- حداقل یک منبع مثبت کاذب برای هر منطقه پیشنهاد کنید (پوشش گیاهی، سایه، خاک، ساخته شده توسط انسان، طبقه بندی بر اساس اتمسفر). (بالا/متوسط/کم).- هیچ منطقه ای را به عنوان "معدن" معرفی نکنید. داده های "نشانه تغییر باید تایید شود": [جدول شاخص/نرخ + زمینه]

اعلان قوی مدل را مجبور می کند تا خود موارد مثبت کاذب را فهرست کند و از ادعای صحت خودداری کند.

چهار قالب قابل کپی

1) چک لیست پیش پردازش:

مراحل پیش پردازش را که ممکن است در گردش کار سنجش از دور زیر حذف شده اند بررسی کنید: تصحیح اتمسفر، ماسک ابر/سایه، ماسک گیاهی، تصحیح توپوگرافی، کالیبراسیون حسگر. در یک جمله برای هر یک توضیح دهید که چگونه مراحل از دست رفته می تواند نتیجه گیری شما را سوگیری کند. گردش کار: [تعریف]

2) تفسیر منطقه تغییر:

گروه های معدنی دگرسانی احتمالی را از مقادیر شاخص طیفی زیر استخراج کنید (رس، اکسید آهن، کربنات، سیلیس). برای هر گروه: شاخص ماشه، سطح اطمینان، توضیح جایگزین (مثبت کاذب)، بررسی میدانی پیشنهادی. ادعای قطعیت. داده ها: [شاخص ها]

3) جداسازی خط / گسل:

فهرست خطی های زیر را در نظر بگیرید. منشاهای احتمالی هر کدام را فهرست کنید: گسل، مرز صفحه، دایک، زهکشی، ساختار انسانی (جاده/خط/میدان)، مرز پوشش گیاهی. محتمل ترین مبدأ را با زمینه زمین شناسی بیان کنید، اما تنها امکان را کنار بگذارید. فهرست: [خطی‌ها + زمینه]

4) طرح نقطه تأیید:

یک طرح راستی‌آزمایی میدانی برای نقشه تغییرات/سنگ‌شناسی زیر پیشنهاد کنید: - چند نقطه نمونه برای هر کلاس، چرا. - نمونه‌برداری متوازن از مناطق "مشخص" و "مشکل" - یادداشت دسترسی و امنیتی. خلاصه نقشه: [کلاس ها و مناطق]

نوع تصویر و حوزه استفاده

نوع داده

چه اقداماتی

قدرت اوست

محدود کردن

چند طیفی (Sentinel/Landsat)

پهنای باند

سنگ شناسی خشن، اسکن منطقه ای

جداسازی مواد معدنی محدود است

فراطیفی

صدها نوار باریک

تمایز کانی/تغییر

هزینه، سربار پردازش

DEM (ارتفاع)

توپوگرافی

گسل/خطواری، زهکشی

سنگ شناسی نمی دهد

مادون قرمز حرارتی

دمای سطح

مقداری سیلیکات/کربنات

حساس به جو

رادار (SAR)

زبری سطح / تغییر شکل

زیر ابر، فرونشست/لغزش زمین

تفسیر پیچیده است

نکته: از خروجی سنجش از راه دور به عنوان «اسکن اولویت‌بندی سایت» استفاده کنید، نه «نقشه حفاری». بزرگترین ارزش آن این است که به شما می گوید ابتدا کجا بروید. شواهد میدانی و مهندس تصمیم می گیرند که در کجا حفاری کنند.

احتیاط: اگر پیش پردازش (تصحیح جوی و توپوگرافی، پوشاندن) حذف شود، حتی پیشرفته ترین طبقه بندی خطاهای سیستماتیک ایجاد می کند. در مورد "خروجی عجیب است" ابتدا پیش پردازش را جستجو کنید نه مدل. اصل زباله در، زباله بیرون در اینجا بی رحمانه است.

اشتباهات رایج

• پرش از پیش پردازش اشتباه گرفتن ناهنجاری ها از تصاویر تصحیح نشده برای زمین شناسی واقعی.
• فراموش کردن موارد مثبت کاذب اشتباه گرفتن گیاهان، سایه، رطوبت خاک و ساختارهای انسانی به عنوان تغییرات/گسل.
• امضای بدون حقیقت پایه. بر اساس تصمیم حفاری بر روی نقشه تصویر بدون تأیید آن در میدان.
• توهم مقیاس. فراموش کردن اندازه پیکسل و نادیده گرفتن این واقعیت که ساختارهای ظریف از بین رفته یا پیکسل های مخلوط شده، گمراه کننده است.
• نادیده گرفتن سوگیری آموزشی بکارگیری کورکورانه یک مدل آموزش دیده در منطقه دیگر در زمینه ای با سنگ شناسی متفاوت.

به طور خلاصه

• سنجش از دور نشانه طیفی کانی ها را در طول موج های مختلف اندازه گیری می کند. ریز چند طیفی درشت و ابرطیفی را متمایز می کند.
• هوش مصنوعی این داده های با ابعاد بالا را طبقه بندی می کند و خطا/خطی را از الگوهای هندسی استخراج می کند. اما نتایج مثبت کاذب، سوگیری آموزشی و سوگیری مقیاس تولید می کند.
• پیش پردازش (تصحیح جوی / توپوگرافی، پوشش) کیفیت نتیجه را تعیین می کند. اگر حذف شود، یک خطای سیستماتیک رخ می دهد.
• سنجش از دور ابزار غربالگری/اولویت بندی است. نقشه بدون آزمایش با حقیقت زمین دقیق در نظر گرفته نمی شود.
• حقیقت زمینی همیشه برنده است. نقاط تأیید باید هر دو منطقه خاص و مشکوک را به طور متعادل پوشش دهند.

وظیفه کاربردی

مقادیر نسبت شاخص/باند طیفی یا یک لیست خطی DEM که برای یک سایت کاری (یا یک منطقه داده باز) دارید، ناشناس کنید. نواحی احتمالی تغییر یا گسل ها را با اعلان قدرتمند تفسیر کنید و از مدل بخواهید حداقل یک منبع مثبت کاذب برای هر منطقه پیشنهاد کند. سپس یک طرح کنترل سایت را با الگوی "نقطه تایید" ترسیم کنید. در یک جمله توجه کنید که چند نقطه به مناطق "مشکوک" تقسیم می شود و چرا نمونه برداری متعادل انجام می دهید.

چک لیست

• [ ] من می توانم تشخیص دهم که داده های چند طیفی و ابرطیفی چه اندازه می گیرند و برای چه چیزی استفاده می شوند.
• [ ] من می دانم که چگونه مراحل پیش پردازش (برش، پوشش) بر نتیجه تأثیر می گذارد.
• [ ] من منابع مثبت کاذب (پوشش گیاهی، سایه، ساخته دست بشر) را در خروجی های تغییر/عیب زیر سوال می برم.
• [ ] من نقشه سنجش از راه دور را به عنوان یک ابزار اسکن می بینم و آن را با تأیید زمین آزمایش می کنم.
• [ ] من می توانم نقاط تأیید را برای ایجاد تعادل در مناطق خاص و مشکوک برنامه ریزی کنم.