مقدمه‌ای بر دورسنجی اکتشافی هوشمند
سنجش از دور و کاربردهای آن با استفاده از علم دورسنجی در تعیین اکتشاف محدوده‌های معدنی از اوایل دهۀ ۷۰ میلادی با پرتاب ماهوارۀ لندست ۱ مطرح شد. به طور کلی ماهواره‌های مورد استفاده در علم دورسنجی با رویکرد اکتشافی به دو دسته‌ی مولتی اسپکترال و هایپراسپکترال تقسیم می‌شوند. (تفاوت تصویر multispectral و تصویر hyperspectral) از تصاویر مولتی اسپکترال یا چند طیفی می‌توان به تصاویر سنجنده‌ی ETM+ و ASTER اشاره کرد.
این سنجنده‌ها گرچه دارای قدرت تفکیک طیفی بسیار کمتری نسبت به تصاویر هایپراسپکترال هستند اما همچنان در پیدا کردن دگرسانی‌های مرتبط با کانی‌زایی‌های مختلف و یا تشخیص مستقیم کانی‌زایی نقش اساسی در تعیین محدوده‌های پرپتانسیل معدنی دارد. تصاویر هایپر اسپکترال یا فرا طیفی نیز به دلیل قدرت تفکیک طیفی بسیار بالاتر امکان تشخیص دقیق‌تری از کانی‌زایی‌ها و دگرسانی‌های مرتبط با آن را دارد.
سنجندۀ Hyperion، Worldview-۳ و AVHRR از جمله سنجنده‌های فراطیفی به‌شمار می‌روند. از چالش‌های پیش‌رو در تحلیل و پردازش داده‌های فراطیفی رو‌به‌رو بودن با داده‌های بسیار زیاد یا همان Big Data است که نیاز به روش‌های مورد اطمینان برای تحلیل آن‌ها می‌باشد.
سنجش از دور به وسیله پهپاد
استفاده از سنسور‌های قابل نصب بر روی پهپاد‌ها نیز روشی دقیق‌تر برای عملیات اکتشافی محسوب می‌شود. پردازش اولیۀ داده‌های خروجی این سنسور‌ها نیاز به تخصص عملیات پردازش تصویر دارد که تیم زمین هوش به کمک زبان برنامه‌نویسی R و با استفاده از کتابخانه‌های RGDAL و Raster پیش‌پردازش داده‌های خام را انجام می‌دهد.
پردازش این داده‌ها نیز به کمک کتابخانه‌های دستۀ ML و SP صورت می‌پذیرد. به طور کلی الگوریتم‌های خوشه‌بندی یا طبقه‌بندی در علم دورسنجی با رویکرد اکتشافی به دو الگوریتم کلی نظارت نشده (unsupervised) و نظارت شده (supervised) تقسیم‌بندی می‌شوند.
در روش نظارت نشده صرفاً به کمک داده‌های ماهواره‌ای و با مقایسه طیف‌های کانی‌های حاصل از آن با کتابخانۀ طیفی به تعیین محدوده‌های مورد نظر پرداخته می‌شود. مشخص است که در این روش هرچه نمونه‌های طیفی یا به طور کلی تصاویر ماهواره‌ای با تفکیک طیفی بهتری وجود داشته باشند نتایج دقیق‌تری ارائه می‌گردد که تصاویر هایپراسپکترال در این زمینه گزینۀ بسیار مناسبی می‌باشند.
در طبقه‌بندی نظارت شده با حضور کارشناس سر زمین و نمونه‌برداری به کمک روش‌های SVM و یا حل معادلۀ بیشترین درستنمایی به کمک تصاویر ماهواره‌ای چند طیفی، فراطیفی و تصاویر گرفته شده از سنجنده‌های قابل نصب بر روی پهپاد انجام می‌پذیرد. در این روش اکثر الگوریتم‌های یادگیری ماشین قابل اجراست.
به طور کلی فارغ از هر گونه الگوریتم خاص، فرآیند تهیۀ مدل برای تشخیص محدوده‌های پرپتانسیل معدنی به قرار زیر است:
با توجه به نوع کانی‌سازی، جایگیری در زون زمین‌شناسی، ژنز و با درنظر گرفتن پیچیدگی زمین، انتخاب الگوریتم طبقه‌بندی از مهم‌ترین گام‌های شناسایی مناطق پرپتانسیل معدنی به شمار می‌رود.
برای مطالعه مقالات بیشتر می‌توانید به سایت زمین هوش مراجعه کنید
