بررسی روش های وزن دهی اطلاعات مکانی در GIS(مطالعه موردی: تهیه نقشه پتانسیل معدنی) | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 5، دوره 1، شماره 1، تیر 1388، صفحه 73-88 اصل مقاله (1.26 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| فرهاد حسینعلی* 1؛ علی اصغر آل شیخ1؛ محمد علی رجبی2 | ||
| 1دانشگاه خواجه نصیرالدین طوسی | ||
| 2دانشگاه تهران | ||
| چکیده | ||
| اکتشاف معادن جدید دارای اهمیت زیادی برای انسان هاست. سامانه های اطلاعاتی جغرافیایی (GIS) می توانند به شکل موثری در جمع آوری، وزن دهی، تجزیه و تحلیل، و نمایش اطلاعات مکانی در جهت کمک به فرایندهای اکتشافی عمل کنند. موفقیت اکتشافات معنی بستگی زیادی به عواملی چون عناصر تاثیر گذار، تعیین میزان تاثیر و تعیین مدل های مناسب برای تلفیق عناصر مذکور دارد. هنگام تلفیق اطلاعات به منظور نشان دادن میزان اهمیت نسبی این عوامل، از اعدادی به نام وزن استفاده می شود و این اعداد تاثیر مستقیم و بسزایی در نتایج هر مدل تلفیق اطلاعات دارند. روش های وزن دهی به دو دسته عمده دانش- مبنا و داده – مبنا تقسیم می شوند. در این مقاله، دو روش وزن دهی معرفی شده ومورد ارزیابی قرار گرفته اند که عبارت اند از: تحلیلی سلسله مراتب و شکبه های عصبی مصنوعی، که روش نخست در زمره روش هاش دانش- مبنا جای دارد و روش دوم در حوزه روش های داده- مبنا قرار می گیرد. به منظور ارزیابی مدل ها، اطلاعات یک کانسار مس در علی آباد یزد مورد استفاده قرار گرفت. مطالعات اکتشافی این کانسار شامل مطالعات زمین شناسی، ژئوشیمیایی و ژئوفیزیکی به همراه 26 چاه اکتشاف حفر شده در قالب نقشه های مختلف، آماده شد و برای وزن دهی مورد استفاده قرار گرفت. نتیجه هر روش مورد استفاده، تهیه نقشه پتانسیل معدنی است. در آزمون روش ها، روش شبکه های عصبی مصنوعی، روش دقیق تری برشمرده شده است، زیرا این روش توانست پتانسیل ماده معدنی را در تمامی چاه ها به درستی پیش بینی کند، در حالی که موفقیت روش پردازی سلسله مراتب در این زمینه حدود 88 درصد بوده است این تحقیق نشان داد که شبکه های عصبی مصنوعی قابلیت انطباق پذیری زیادی با داده ها دارند. | ||
| کلیدواژه‌ها | ||
| سامانه اطلاعات جغرافیایی (GIS) وزن دهی؛ داده- مبنا؛ دانش- مبنا؛ پتانسیل معدنی | ||
| عنوان مقاله [English] | ||
| Evaluaion of Various Methods for Weighting Spatial Information in GIS (Case Study: Mineral Potential Mapping) | ||
| چکیده [English] | ||
| Mines, as the main sources of raw materials used in the industry, have an inevitable role in today’s human life. Exploration of new mines is an obligation for more raw materials. New methods, technology and information have had great effects on the mine exploration industry. Due to the power and capability of Geographical Information Systems (GIS) in processing the spatial data, they can be effectively used in mine exploration. Mines are recognized based on the preliminary data which are collected in the field. GIS can be used in the processing, weighting, and extracting information out of the data to facilitate the mine exploration process. What is quite important in this respect is nothing but the determination of relative weight of different data layers to combine them. Assigning different weights to the data and/or using different methods to combine them, have a great impact on the final result. Therefore, studying and comparing different weighting schema are objectives as well as the subject of this paper. Weighting methods can be classified into two main groups of data-driven and knowledge-driven categories. For each group one example is studied in this research. To be more specific, Analytical Hierarchical Process (AHP), as a knowledge-driven method, and Artificial Neural Networks as a data-driven one are studied and implemented in this research. These different methods are used to produce the mineral potential map as one of the last steps in the mine exploration process. The information collected from the boreholes are used to evaluate the results. Numerical experimentations showed that the artificial neural network used in this study is the most successful method. It is shown that knowledge driven-methods are very much affected by the degree of knowledge and specialization of the experts. Meanwhile, different methods of using the knowledge were resulted in different solutions. In this paper Fig. 1 shows the process of calculation of weights in AHP method, while Fig. 2 represents a general form of an artificial neural network used in this study. Fig. 3 illustrates case study area and Fig.4 shows the stages of data preparation. Fig. 5 illustrates input maps and data such as boreholes. Fig. 6 and Fig. 7 show procedures of implementing AHP and artificial neural networks respectively. Fig. 8 represents the percent of correct predictions for implemented methods and at last, Fig. 9 illustrates two mineral potential maps produced by AHP and artificial neural networks. Finally, Tables 1 and 2 represent the weights obtained from AHP and artificial neural networks respectively. | ||
| کلیدواژه‌ها [English] | ||
| GIS, Weighting, Data-driven, Knowledge-driven, Mineral potential | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3,612 تعداد دریافت فایل اصل مقاله: 2,164 |
||