چکیده

نمونه‌های هسته‌ای به‌دست‌آمده از حفاری علمی می‌توانند حجم زیادی از داده‌های ریزساختاری و ترکیبی مستقیم را ارائه دهند، اما تولید نتایج از طریق درمان سنتی چنین داده‌هایی اغلب وقت‌گیر و ناکارآمد است. یکپارچه سازی داده های ریزساختاری در یک محیط سیستم اطلاعات جغرافیایی (GIS) با ارجاع مکانی، فرصتی را برای مکان یابی، تجسم، همبستگی و اعمال تکنیک های سنجش از دور بر روی داده ها فراهم می کند. این مطالعه با استفاده از 26 نمونه بیلت هسته از رصدخانه گسل سن آندریاس در عمق (SAFOD)، روش‌های مبتنی بر GIS را برای: 1. تجسم و ذخیره‌سازی داده‌های ریزساختاری مختلف از بیلت‌های هسته با ارجاع فضایی، توسعه داد. 2. مدل سازی سه بعدی بیلت ها و موقعیت های مقطع نازک در هر بیلت، که پس از تکه تکه شدن غیرقابل برگشت بیلت های فیزیکی به عنوان یک رکورد دیجیتال عمل می کنند. و 3. ایجاد ویژگی برداری و طبقه بندی بدون نظارت یک شبکه ورید کلسیتی چند نسلی از تصاویر کاتدلومینسانس (CL). با تکیه بر کارهای موجود که عمدتاً به فضای دوبعدی مقاطع نازک منفرد محدود می‌شود، نتایج ما نشان می‌دهد که یک GIS می‌تواند پردازش فضایی داده‌ها را حتی در مقیاس‌های سانتی‌متری تا نانومتری تسهیل کند، اما همچنین چالش‌هایی را نشان داد که شامل نمایش‌های سه بعدی فشرده و تبدیل‌های ماتریس پیچیده مورد نیاز برای ایجاد فرم های ترجمه شده جغرافیایی از سیستم های مختصات درون بیلت، که برای بررسی در مطالعات آینده پیشنهاد می شود. ایجاد ویژگی برداری و طبقه بندی بدون نظارت یک شبکه ورید کلسیتی چند نسلی از تصاویر کاتدلومینسانس (CL). با تکیه بر کارهای موجود که عمدتاً به فضای دوبعدی مقاطع نازک منفرد محدود می‌شود، نتایج ما نشان می‌دهد که یک GIS می‌تواند پردازش فضایی داده‌ها را حتی در مقیاس سانتی‌متری تا نانومتری تسهیل کند، اما همچنین چالش‌هایی را نشان داد که شامل نمایش‌های سه‌بعدی فشرده و تبدیل‌های ماتریس پیچیده مورد نیاز برای ایجاد فرم های ترجمه شده جغرافیایی از سیستم های مختصات درون بیلت، که برای بررسی در مطالعات آینده پیشنهاد می شود. ایجاد ویژگی برداری و طبقه بندی بدون نظارت یک شبکه ورید کلسیتی چند نسلی از تصاویر کاتدلومینسانس (CL). با تکیه بر کارهای موجود که عمدتاً به فضای دوبعدی مقاطع نازک منفرد محدود می‌شود، نتایج ما نشان می‌دهد که یک GIS می‌تواند پردازش فضایی داده‌ها را حتی در مقیاس سانتی‌متری تا نانومتری تسهیل کند، اما همچنین چالش‌هایی را نشان داد که شامل نمایش‌های سه‌بعدی فشرده و تبدیل‌های ماتریس پیچیده مورد نیاز برای ایجاد فرم های ترجمه شده جغرافیایی از سیستم های مختصات درون بیلت، که برای بررسی در مطالعات آینده پیشنهاد می شود.

کلید واژه ها:

سیستم های اطلاعات جغرافیایی (GIS) ; سنجش از دور ؛ زمین شناسی ساختاری ; تجسم سه بعدی ؛ تحلیل های فضایی

1. مقدمه

در دهه های اخیر، فعالیت های علمی حفاری با هدف تحقیقات زمین جامد مانند تغییر شکل زمین ساختی، جریان گرما و زلزله رو به افزایش بوده است. با بررسی سیاهه های ژئوفیزیکی ثبت شده در حین حفاری و سنگ های هسته دار که پس از آن از چاه ها خارج می شوند، جامعه علمی بینش جدیدی در مورد فرآیندها و ساختارهای زیرسطحی زمین به دست آورده است. حفاری منطقه گسل فعال پیشرفت های مهمی را در درک ما از دینامیک و ترکیب سیستم گسل و نحوه ادغام آن عوامل برای تأثیرگذاری بر خطرات لرزه ای که توسط انسان در سطح تجربه می شود، ایجاد کرده است. زمین شناسان ساختاری اغلب از تکنیک های تحلیلی سنتی مانند پراش پرتو ایکس (XRD)، کاتدولومینسانس (CL یا SEM-CL)، پراش الکترونی پس پراکنده (EBSD) استفاده می کنند.1 ]. بسیاری از کاربردها به ترکیبی از چندین رویکرد نیاز دارند و اگرچه این تکنیک‌های تثبیت‌شده حجم زیادی از اندازه‌گیری‌های قابل اعتماد را تولید می‌کنند، استخراج نتایج از طریق پردازش سنتی و تکه‌ای داده‌ها اغلب فرآیندی زمان‌بر و ناکارآمد است. بنابراین، ابزار دقیق ژئوفیزیکی و نمونه‌های هسته اجازه دسترسی و مشاهده مستقیم مناطق گسلی را می‌دهند که صرفاً از طریق سنگ‌های گسلی استخراج‌شده یا تحلیل تاریخی رویدادهای لرزه‌ای غیرقابل دستیابی است، اما توانایی بررسی روابط فضایی و درک فرآیندهای زیرسطحی چند مقیاسی به طور بالقوه بدون فضاهای جدید محدود است. تکنیک‌هایی برای یکپارچه‌سازی منابع داده دو بعدی و سه بعدی [ 2 ، 3 ، 4 ].
یکپارچه سازی داده های مبتنی بر هسته در یک سیستم اطلاعات جغرافیایی (GIS) به محققان این امکان را می دهد که مکان یابی، تجسم، همبستگی و کاوش ویژگی های ریزساختاری را در یک رابط کارآمد پیدا کنند. در حالی که GIS اغلب برای مدیریت داده‌های جغرافیایی ارجاع‌شده با مقیاس‌های متر تا کیلومتر استفاده می‌شود، ساختارهای مدیریت پایگاه داده و تجزیه و تحلیل قوی ارائه می‌کند که پردازش صریح فضایی داده‌ها را بدون توجه به نوع یا مقیاس آن تسهیل می‌کند [ 5 ].]. به این ترتیب، داده‌های ریزساختاری درجا جمع‌آوری‌شده در مقیاس نانومتری میلی‌متری نیز اساساً حاوی اطلاعات مکانی است که می‌تواند به طور موثر با GIS و تکنیک‌های سنجش از دور مدیریت و تجزیه و تحلیل شود. شناخت ارزش استفاده از تکنیک‌های مکانی در زمین‌شناسی ریزساختاری به محققان این امکان را می‌دهد تا پتانسیل داده‌های خود را به حداکثر برسانند، زمان مورد نیاز برای تجزیه و تحلیل فضایی داده‌های جمع‌آوری‌شده از طریق تکنیک‌های تحلیلی سنتی را کاهش دهند و به سؤالات بین‌رشته‌ای که قبلاً چالش‌برانگیز بودند، رسیدگی کنند.
در ادبیات «سنتی»، GIS و تکنیک‌های سنجش از دور معمولاً برای حمایت از تحقیقات در مقیاس جامعه تا جهانی در مورد تغییرات آب و هوایی انسانی، شرایط اجتماعی-اقتصادی، توزیع جرم، شبکه‌های حمل‌ونقل یا دینامیک سیستم‌های اکولوژیکی استفاده می‌شوند [ 6 ، 7 ، 8 ، 9]. مطالعات معمولاً مقیاس‌هایی از متر تا کیلومتر را در بر می‌گیرند و ممکن است منابع متعددی از تصاویر هوایی سنجش از راه دور و داده‌های برداری به‌دست‌آمده با دستگاه‌های دارای GNSS را ادغام کنند. یکی از جنبه های متحد کننده در میان این کاربردها، اهمیت فضای مختصاتی است که منطقه مورد مطالعه را مشخص می کند. به عبارت دیگر، بافت فضایی نتایج تحقیق اغلب اهمیت یکسانی با خود تحقیق دارد یا از آن جدایی ناپذیر است. در مطالعاتی که شامل سنجش از دور پوشش زمین است، برای مثال، هر دو پرسش و پاسخ در مورد فرآیندهای سیستم های زمین پویا به شدت از بافت ژئوفیزیکی منطقه مورد مطالعه، وضوح مکانی و زمانی داده های موجود و منابع محاسباتی موجود برای پردازش مطلع می شوند. داده.
اخیراً، تعداد فزاینده ای از مطالعات در ادبیات زمین شناسی در مورد کاربردهای بالقوه چارچوب های GIS برای تجسم و تجزیه و تحلیل داده های ریزساختاری وجود دارد. کار قبلی قابلیت GIS را برای مدیریت و ادغام داده های چند منبعی نشان می دهد [ 10 ، 11 ، 12 ]، در حالی که دیگران از ابزارهای سنجش از دور داخلی برای استخراج اطلاعات مکانی از داده های تصویر میکروسکوپی استفاده کرده اند [ 13 ، 14 ، 15 ، 16 ، 17 ، 18 ]. مطالعات اضافی روش هایی را برای پیوند و جهت دهی مجدد مقاطع نازک پتروگرافی به مختصات جغرافیایی دنیای واقعی توسعه داده اند [ 4 ،19 ، 20 ]. در این رابطه، کار Linzmeier و همکاران. [ 21 ] به ویژه آموزنده است و چارچوبی برای ثبت فضایی داده های ریزساختاری چند منبعی از درون یک بخش نازک در فضای دلخواه و دو بعدی ایجاد می کند. با استفاده از نرم افزار GIS برای ادغام تصاویر شطرنجی از میکروسکوپ های نوری و الکترونی، همراه با داده های نقطه برداری از طیف سنجی جرمی یونی ثانویه (SIMS) و میکروآنالیز پروب الکترونی (EPMA)، نویسندگان توزیع ویژگی های ساختاری و شیمیایی را در بین دانه های کریستال مختلف ترسیم کردند. 21 ]. مطالعه دیگری که روش ما بر آن بسط می‌دهد، مطالعه باسیل تیکوف و همکاران است. [ 4]. آنها یک چارچوب قوی برای تعریف جهت مقاطع نازک نسبت به بیلت های نمونه برداری شده و کل هسته مته پیشنهاد می کنند و یک روش ثبت فضایی قابل حمل برای استفاده با سیستم مختصات محلی و جغرافیایی ارائه می دهند. کاربرد سنجش از دور مبتنی بر GIS برای تصاویر کاتدولومینسانس شبکه‌های ورید کلسیتی، به‌ویژه با استفاده از تکنیک‌های طبقه‌بندی تصویر، ظاهراً در گفتمان جغرافیایی وجود ندارد و به عنوان یک تکنیک جدید در مطالعه ما می‌باشد.
تجزیه و تحلیل داده های تصویر کاتدولومینسانس (CL) کاربرد مفیدی از چارچوب میکرو GIS ارائه می دهد زیرا، مانند تجزیه و تحلیل پوشش زمین با تصاویر ماهواره ای نوری، یکی از اهداف CL، کمی سازی الگوهای شبکه رگه ای با پردازش تغییرات در مقادیر طیفی اختصاص داده شده به لومینسانس های خاص است. امکانات. فتوگرامتری ساختار از حرکت (SFM) یک تکنیک سنجش از دور اضافی است که ممکن است در تحلیل‌های ریزساختاری استفاده شود [ 22 ]]. SFM یک رویکرد مدل‌سازی کم‌هزینه و خودکار است که بر اساس تجمیع چندین تصویر همپوشانی از دیدگاه‌های مختلف یک شی یا زمین است. اگرچه در ادبیات سنجش از دور به عنوان یک تکنیک مناسب برای تجزیه و تحلیل تصویر UAS شناخته شده است، مطالعات اخیر نشان می دهد که SFM همچنین قادر به مدل سازی دقیق سطوح در مقیاس آزمایشگاهی یا میکروسکوپی است [ 23 ].
روش‌های توصیف‌شده در این مطالعه از ابزارهای مکانی برای یکپارچه‌سازی لایه‌های داده‌های چند مقیاسی و چند بعدی، از جمله اطلاعات جدولی، گرافیکی و بصری، برای تولید نتایج مرجع فضایی و مدل‌های دیجیتال قابل دسترس از بیلت‌های نمونه استخراج‌شده از هسته‌های مته استفاده می‌کنند ( شکل 1 ) . . استفاده از مجموعه نرم افزار ArcGIS ESRI [ 24]، این مطالعه روش‌های میکرو GIS را برای گردآوری، مدیریت و تجزیه و تحلیل آن داده‌ها با استفاده از نمونه‌های اصلی از رصدخانه گسل سن آندریاس در عمق (SAFOD) ایجاد و ارزیابی می‌کند. اهداف اصلی ما سه مورد است: 1. توسعه روش‌های مبتنی بر GIS برای مصورسازی و ذخیره‌سازی داده‌های ریزساختاری مختلف از نمونه‌های بیلت هسته مته. 2. تولید مدل های 3 بعدی از بیلت های نمونه و موقعیت های بخش نازک در هر شمش، که به عنوان یک رکورد دیجیتال پس از از دست دادن مواد غیر قابل برگشت و تکه تکه شدن بیلت های فیزیکی عمل می کند. و 3. بیشتر قابلیت حیات چارچوب میکرو-GIS را از طریق ایجاد یک مدل نیمه خودکار برای طبقه بندی بدون نظارت یک شبکه ورید کلسیتی چند نسلی از تصاویر CL بررسی کنید. با تکیه بر کارهای نوآورانه قبلی در زمینه “micro-GIS”،

2. مواد و روشها

2.1. نمونه های هسته SAFOD

روش برای بایگانی فضایی داده‌های مبتنی بر هسته در یک محیط میکرو GIS با 26 بیلت از رصدخانه گسل سن آندریاس در عمق (SAFOD) استفاده می‌شود، که از مناطق منتخب در طول هسته تقریباً 40 متر در طول فاز SAFOD نمونه‌برداری شد. حفاری III ( شکل 2 ). SAFOD در نزدیکی پارکفیلد، کالیفرنیا قرار دارد و به طور مشترک توسط بنیاد ملی علوم و سازمان زمین‌شناسی ایالات متحده در سال 2002 حفاری شد. نمونه های گاز و سیال منفذی از گمانه برای تجزیه و تحلیل آزمایشگاهی [ 25 ] بازیابی شد.
هسته فاز III SAFOD از 3 بازه تشکیل شده است – سوراخ E، حفره G (دوره های 1-3)، و سوراخ G (دوره های 4-6) – که بیشتر به بخش ها و بخش ها تقسیم می شوند. مانند بسیاری از مطالعات مربوط به SAFOD، شماره گذاری نمونه ها در این مقاله نشان دهنده این نام گذاری ها است. به عنوان مثال، شمش استخراج شده از سوراخ E، اجرا 1، بخش 1 به عنوان نمونه ‘E11’ نامیده می شود. هر شمش فیزیکی با یک فلش نشان می دهد که جهت بالا چاه و خطوط جهت را نشان می دهد که چرخش بیلت را با توجه به محور هسته ایجاد می کند. خطوط برش که نشان می دهد شمش باید برای استخراج بخش نازک کجا بریده شود و یک نوار مقیاس 2 سانتی متری پس از دریافت بیلت های هسته توسط آزمایشگاه ما اضافه شد.

2.2. جمع آوری داده ها

2.2.1. مدل های بیلت D

از هر بیلت، مدل‌های سطح جامد سه‌بعدی را از تصویربرداری دوربین دیجیتال RGB، مدل‌های ساختار داخلی سه‌بعدی از سی‌تی اسکن، و جداول ترکیب مواد معدنی از تجزیه و تحلیل پراش اشعه ایکس (XRD) استخراج کردیم. مدل‌های سطح جامد سه‌بعدی، مورفولوژی دقیق سطح و نشانه‌های جهت‌گیری فضایی را حفظ می‌کنند که امکان ایجاد یک سیستم مختصات محلی دلخواه را در هر بیلت فراهم می‌کند، که هر دو به دلیل تکه تکه شدن و از دست دادن مواد غیر قابل برگشت در نمونه فیزیکی از بین می‌روند. دوربین Canon Powershot G1X Mark II با سه پایه تثبیت کننده برای ثبت تصاویر با وضوح 12.8 مگاپیکسل استفاده شد. دوربین در حالت اولویت دیافراگم (AV) با تنظیم دیافراگم عریض F16 قرار گرفت که امکان فوکوس کردن کل میدان دید را فراهم می کرد. ISO پایین 200 سرعت شاتر را کاهش داد و نسبت سیگنال به نویز را در تصاویر به حداکثر رساند و به نوبه خود پتانسیل ویژگی‌های متمایز (یعنی دانه‌ها و شکستگی‌های برجسته) را برای نشان دادن تنوع طیفی از یک تصویر به تصویر دیگر کاهش داد. بیلت ها روی یک پایه چرخان در داخل یک محیط روشنایی کنترل شده تصویربرداری شدند.
برای پردازش تصاویر، از روش فتوگرامتری ساختار برای حرکت (SFM) از نرم افزار Agisoft Metashape [ 28 ] استفاده کردیم. این روش یک مدل سه بعدی را با استفاده از مجموعه ای از تصاویر سیستماتیک گرفته شده و همپوشانی هر بیلت ایجاد می کند. تغییر جزئی در پرسپکتیو بین هر تصویر با یک فرآیند تراز خودکار تصویر مورد سوء استفاده قرار می گیرد که یک ابر سه بعدی از نقاط پیوند تصویر گسسته حاوی داده های رنگی ایجاد می کند. در نهایت، ابر نقطه رنگی شده به عنوان راس هایی عمل می کند که از آن یک سطح مدل مثلثی درون یابی می شود ( شکل 3 ). سپس خروجی SFM را می توان به عنوان یک «مدل سطح جامد» با وضوح چندگانه در نظر گرفت که از یک مش شی 3 بعدی محدود شده توسط یک بافت تصویر واقعی عکس [ 29 ، 30 ] تشکیل شده است.].
مدل‌های ساختار سه بعدی داخلی اطلاعات بیشتری در مورد فضای داخلی بیلت ارائه می‌کنند که سپس برای شناسایی جهت‌گیری بخش‌های نازک شمش استفاده می‌شود. برای استخراج ساختارهای سه بعدی داخلی، بیلت ها از طریق یک اسکنر سی تی ImTek MicroCAT II پردازش شدند. داده های خام شامل یک پشته مکعبی از تصاویر DICOM است (1024 پیکسل 2 × 1024 تصویر).
2.2.2. تصویربرداری مبتنی بر بخش نازک
از بخش‌های نازک منفرد، ما موزاییک‌هایی از بخش‌های کامل از تصاویر میکروسکوپ نوری تولید کردیم که به عنوان لایه‌های نقشه پایه در GIS عمل می‌کنند. داده های اضافی شامل داده های کاتدولومینسانس (CL) و همچنین لایه های تصویر اضافی از میکروسکوپ الکترونی روبشی (SEM) است. نقشه های پایه از بخش های نازک با استفاده از میکروسکوپ نوری Zeiss Axioplan و دوربین دیجیتال Scion Corporation CFW-1312C تصویربرداری شد. ما از همپوشانی 30 درصدی بین تصاویر اطمینان حاصل کردیم تا از همپوشانی کافی در تصاویر اطمینان حاصل کنیم. پردازش نقشه های پایه در نرم افزار Microsoft Image Composite Editor (ICE) [ 31 ] انجام شد.

2.3. چارچوب Micro-GIS

نرم افزار ArcGIS v10.7.1 ESRI به عنوان محیط اولیه برای ادغام و تجسم داده های ویژگی های ریزساختاری، ترکیبی و سطحی عمل کرد. معماری مدیریت پایگاه داده و ابزارهای مکانی آن، ایجاد نمایش های دو بعدی و سه بعدی از مدل های بیلت دیجیتال را با توجه به موقعیت آنها در هسته SAFOD، و همچنین موقعیت (یا برهم نهی) لایه های مختلف داده های بخش نازک در داخل را تسهیل می کند. بیلت ها
ابتدا، یک پایگاه داده‌های جغرافیایی فایل جدید برای نگهداری داده‌ها، اطلاعات رابطه‌ای و کیت‌های ابزار پردازش جغرافیایی سفارشی مورد نیاز برای پروژه ایجاد شد. قبل از وارد کردن هر فایلی، یک سیستم مختصات دلخواه سفارشی ایجاد و به عنوان شبکه مرجع فضایی پایگاه داده جغرافیایی تعریف شد. این یک گام مهم برای اطمینان از آرشیو صحیح داده ها در یک فضای دیجیتال مشترک بود. علاوه بر این، دامنه های فیلد ویژگی و قوانین توپولوژیکی برای اعمال یکپارچگی داده ها هنگام وارد کردن، نمایش و ویرایش ویژگی ها ایجاد شدند. از آنجایی که مطالعات میکرو-GIS آتی بسیاری از رویکردها و نیازهای داده را در بر می گیرد، برخی از تنظیمات پایگاه داده (به عنوان مثال، واحدهای فضایی، دقت، نمایش، و استفاده از سخت افزار) مورد استفاده در این مطالعه با جزئیات کامل بررسی نشده اند.
مرحله دوم شامل جمع‌آوری داده‌ها در پایگاه داده‌های جغرافیایی بود. این فرآیند در ابتدا با ایجاد یک مجموعه داده ویژگی خالی مربوط به هر یک از منابع داده توصیف شده در مقاله تسهیل شد و به آنها اجازه می داد به صورت دسته ای و با توجه به تنظیمات فضای کاری تعریف شده وارد شوند. مدل‌های سطح جامد سه‌بعدی در یک مجموعه داده ویژگی منفرد «چند پچ» بارگذاری شدند. فرمت چند وصله پشتیبانی شده توسط ArcGIS داده‌های رأس، لبه، چهره و رنگ موجود در فایل‌های ورودی COLLADA را می‌خواند و یک نسخه مشابه از مدل را بازسازی می‌کند. تصاویر دوبعدی از مقاطع نازک پتروگرافی و داده های برش داده شده CT به عنوان مجموعه داده های شطرنجی ذخیره شدند.
بسته به ماهیت و هدف، داده‌های جدول‌بندی‌شده یا به‌عنوان جداول مستقل به پایگاه داده‌های جغرافیایی وارد شدند که می‌توانستند به صورت گرافیکی نمایش داده شوند یا از طریق کلاس‌های رابطه با ویژگی‌های دیگر مرتبط شوند یا اگر حاوی اطلاعات مکانی مستقیم باشند، به ویژگی‌های لایه‌های نقشه موجود ملحق شدند. برای مثال، نمودارهای ترکیب معدنی XRD، به‌عنوان شکل‌های مستقل آپلود شدند، زیرا فضای آن‌ها به کل وسعت بیلت مربوطه گره خورده است، در حالی که جدول داده‌های CL که بعداً مورد بحث قرار گرفت، مستقیماً به مختصات تصویر X، Y دقیق گره خورده است و به هم پیوسته است. برای نشان دادن ویژگی ها در آن مکان ها.
با استفاده از سیستم‌های مختصات محلی دلخواه تعریف شده در نمونه‌های جداگانه، مدل‌های بیلت دیجیتال و داده‌های مبتنی بر بخش نازک مربوطه می‌توانند در فضای سه‌بعدی ذخیره و نمایش داده شوند. با توجه به اینکه عمق اندازه‌گیری شده قابل اعتماد در یک بخش هسته و جهت بالای هسته برای هر شمش نمونه مشخص است، می‌توان روابط فضایی نمونه‌های مختلف را در یک بخش هسته با استفاده از شاخ و برگ و فاصله تعریف کرد. این روش مستلزم تخصیص مرکز مدل‌های سطح جامد به نقطه قرارگیری مربوطه در عمق اندازه‌گیری شده صحیح در مختصات محلی است. با قرار دادن اولیه، مدل‌های دیجیتال با استفاده از مرجع 2 سانتی‌متری که روی بیلت فیزیکی مشخص شده بود، قبل از تصویربرداری مقیاس‌بندی شدند. از علامت‌های فلش اضافی برای تعیین جهت چرخشی منحصر به فرد هر بیلت با توجه به محور طولانی گمانه استفاده شد. جهت بالا به چاه که با فلش ها نشان داده می شود، به عبارت دیگر، جهتی است که در امتداد محور طولانی که در آن عمق اندازه گیری شده در گمانه کاهش می یابد.
متعاقباً، مدل‌های سطح سه‌بعدی اجازه دادند جهت‌گیری مسطح بخش‌های نازک پتروگرافی در مختصات محلی هر بیلت از طریق یک روش شناسایی بصری تعریف شود. صفحاتی که مقاطع نازک از آنها استخراج شده‌اند در مدل‌های سطح «دست‌نخورده» با خطوط مرجع برچسب‌گذاری شده روی بیلت‌های فیزیکی قبل از برش قابل شناسایی هستند. این خطوط برش در مدل‌های سطح جامد با رنگ واقعی واقعی ظاهر می‌شوند و در مدل‌های ساختار داخلی با قرار دادن نوارهای الاستیک در اطراف بیلت‌های فیزیکی قبل از سی‌تی‌اسکن آشکار می‌شوند. از آنجا که خط برش فیزیکی در هر دو مدل قابل مشاهده بود، مکان نقشه‌های پایه مقطع نازک و برش مربوطه از داده‌های CT را می‌توان تقریبی کرد.

2.4. تجزیه و تحلیل کاتدولومینسانس (CL).

CL معمولاً در علم زمین جامد برای بررسی ویژگی‌های رشد و انحلال در کانی‌های معدنی، ساختارهای رشد در فسیل‌ها، فرآیندهای سیمان‌سازی و دیاژنز در سنگ‌های رسوبی، و شرایط شیمیایی و مکانیکی سیستم‌های معدنی شده در طول زمان به کار می‌رود [ 32 ]. رگه‌های کلسیتی بقایای سیمانی مایعات هستند که از طریق قسمت‌های مکرر شکستگی مهر و موم در سنگ میزبان وارد می‌شوند، که هر قسمت به دلیل سطوح مختلف ناخالصی‌های کمیاب در سیال منبع، نسل جدیدی تولید می‌کند [ 33 ]. با پراکسی‌های طیفی تثبیت‌شده، CL امکان شناسایی نسل‌های ورید و زمان نسبی، عمق و شرایط سیالی که در آن شکل گرفته‌اند را می‌دهد [ 34 ، 35 ، 36 ], 37 , 38 ]. برای تجزیه و تحلیل کاتدولومینسانس، ما از یک گردش کار مبتنی بر GIS برای 1. آرشیو تصاویر CL و ایجاد ویژگی های نقطه ای حاوی داده های طیفی و اطلاعات ویژگی های اضافی استفاده کردیم. و 2. استخراج لایه‌های اطلاعاتی مرجع فضایی از داده‌های طیفی خام از طریق طبقه‌بندی بدون نظارت نسل‌های ورید کلسیتی در یک بخش نازک از هسته SAFOD.

شناسایی داده های طیفی

اولین مؤلفه تجزیه و تحلیل ما شامل نمونه‌برداری رنگ فضایی و تعیین طول موج پیکسل‌های RGB از مناطق درخشان در تصویر CL است. اگرچه CL تابش نور را از بخش مرئی طیف الکترومغناطیسی (350-750 نانومتر) ثبت می کند، نمی توان به طور کمی یک طول موج طیفی را از ترکیب مقادیر RGB بدست آورد زیرا چندین ترکیب RGB در هر واحد طول موج در طیف 400 نانومتر وجود دارد. محدوده [ 39 ]. بنابراین، جمع‌آوری داده‌های طیفی از نمونه‌های پیکسل به یک روش تطبیق دستی رنگ با استفاده از استاندارد فضای رنگی CIE 1931 RGB [ 40 ] نیاز داشت.]. این تصویر شامل دو نسل مجزا از رشد کلسیت است که با بررسی تصویر برای مناطقی با کنتراست برجسته در روشنایی ظاهری و روابط روی هم بین ویژگی‌های رشد، از نظر بصری متمایز شدند. شکل 4 حاوی تصویر CL است و نمونه ای از ناحیه ای حاوی دو نسل کلسیت را ارائه می دهد. در هر ناحیه مورد علاقه، پیکسل‌های هر نسل با بیشترین و کمترین روشنایی ظاهری با ویژگی‌های نقطه‌ای مربوطه علامت‌گذاری شدند و سپس با طول‌موج‌های تعیین‌شده دستی خود پر شدند.
یک طبقه بندی بدون نظارت ISODATA [ 41 ] روی تصویر CL برای شناسایی و طبقه بندی تشکیلات ورید کلسیتی روی تصویر انجام شد. ورودی طبقه‌بندی شامل شطرنجی RGB بریده شده بود که فقط حاوی کلسیت بود، و همچنین شطرنجی FM (مقادیر عضویت 0-1 به محدوده مقدار 0-255 پیکسل‌های RGB 8 بیتی تغییر مقیاس داده شد)، در مجموع چهار تصویر. باندها سپس طبقه‌بندی با خروجی مشخصی از 10 کلاس طیفی اجرا شد که در صورت نیاز برای دستیابی به محصول نهایی با دو نسل ورید کلسیتی طبقه‌بندی شده ترکیب شدند.
از آنجایی که نسل‌های ورید کلسیتی تنها هدف طبقه‌بندی بودند، برای اولین بار از تابع عضویت فازی (FM) برای جداسازی و استخراج شبکه کلسیت و حذف تمام پیکسل‌های تصویر دیگر از در نظر گرفتن استفاده شد. تابع FM قدرت عضویت پیکسل را بر اساس میانگین و انحراف استاندارد مقادیر RGB ورودی محاسبه کرد (مقادیر بزرگ به عنوان دارای عضویت بالا مشخص شد زیرا کلسیت لومینسانس حاوی درخشان‌ترین پیکسل‌های تصویر است)، یک تصویر شطرنجی جدید تولید کرد که نشان‌دهنده قدرت مقادیر عضویت از 0 تا 1 رتبه‌بندی شدند. سپس شطرنجی عضویت برای دو هدف متمایز استفاده شد: (1) ایجاد یک مجموعه داده باینری که نشان می‌دهد آیا پیکسل‌ها کلسیتی هستند یا کلسیتی نیستند از طریق یک روش آستانه‌گذاری ساده، ارائه ماسکی برای برش داده‌های تصویر خام CL ;شکل 5 ).
ارزیابی دقت با استفاده از 50 امتیاز تصادفی در هر کلاس (100 = n) انجام شد. از آنجایی که یک تصویر اعتبارسنجی طبقه بندی شده در دسترس نبود، نقاط در شطرنجی بریده شده که فقط حاوی کلسیت بود ایجاد شدند و سپس به صورت دستی به کلاس مرجع صحیح اختصاص داده شدند. برای کاهش پتانسیل سوگیری نمونه‌گیری، ابتدا 200 نقطه تولید شد و سپس با استفاده از اعداد تصادفی تولید شده مجدداً مرتب شدند. سپس امتیازها به صورت دستی به ترتیب تصادفی طبقه بندی شدند تا اینکه 50 امتیاز مورد نظر در هر کلاس به دست آمد. یک ماتریس سردرگمی به ما امکان داد تا عملکرد طبقه‌بندی را به صورت کمی ارزیابی کنیم و معیارهای زیر را ارائه کرد: دقت کلی، دقت تولیدکننده، دقت کاربر و ضریب کاپا. دقت کلی به تعداد پیکسل هایی که به درستی طبقه بندی شده اند تقسیم بر تعداد کل پیکسل ها اشاره دارد. دقت تولید کننده معیاری است برای اینکه چند بار یک کلاس حذف شده یا اشتباه طبقه بندی می شود، در حالی که دقت کاربر به تعداد دفعاتی که پیکسل های کلاس های دیگر در کلاس مرجع به اشتباه طبقه بندی می شوند اشاره دارد. ضریب کاپا معیاری از توافق بین نمونه های طبقه بندی شده و مرجع است و برای توافق شانسی جبران می شود.42 ]. گردش کار توصیف شده با استفاده از رابط برنامه نویسی بصری ArcGIS ModelBuilder، که چارچوب مدل طبقه بندی را ارائه می دهد که می تواند به آسانی با استفاده از پارامترهای تنظیم شده، در صورت نیاز به تصاویر CL مختلف اعمال شود، پیاده سازی شد.

3. نتایج

3.1. چارچوب Micro-GIS

پس از وارد کردن، تمام داده ها می توانند از طریق یک کاتالوگ هدایت شوند و با استفاده از تجسم و ابزارهای تحلیل فضایی موجود به صورت جداگانه مورد بررسی قرار گیرند. ArcGIS همچنین ابزارهای سودمند زیادی را برای ایجاد روابط درون و بین هر نوع داده و تولید نمایش‌های بصری که به طور مؤثر اطلاعات معنی‌داری را منتقل می‌کند، قرض داد. در این مطالعه، چندین مورد از این گونه نمایش‌ها نه تنها برای نمایش داده‌ها، بلکه برای ارائه ابزاری برای ناوبری تعاملی در سراسر محتوای اطلاعاتی موجود برای همه بیلت‌ها تولید شد.
ناوبری در بالاترین سطح فضایی پایگاه داده با نقشه نمای کلی هسته SAFOD آغاز می شود. این نقشه بخش‌های اصلی را به‌عنوان ویژگی‌های چند ضلعی نشان می‌دهد و هر مکان نمونه بیلت را با نقاط مربوطه شناسایی می‌کند، منوی ساده‌شده‌ای را ارائه می‌دهد که می‌توان از آن اطلاعات اضافی را کاوش کرد و استنتاج‌های فضایی اولیه را انجام داد. مختصات دلخواه برای این ویژگی ها با اتخاذ اعماق اندازه گیری شده شناخته شده آنها به عنوان محور y ایجاد شد (محور x فقط برای تعریف عرض چند ضلعی های هسته استفاده می شد). هنگامی که یک ویژگی نقطه مربوط به یک بیلت معین انتخاب می شود، یک پنجره پاپ آپ HTML حاوی اطلاعات ویژگی اصلی به کاربر نمایش داده می شود. پنجره پاپ آپ همچنین به طور مستقیم نمودارهای ترکیب معدنی به دست آمده از تجزیه و تحلیل XRD را نشان می دهد. که به سادگی می توان آن را در پنجره مشاهده کرد یا در صورت نیاز دانلود کرد. علاوه بر این، هر داده مرتبط با یک بیلت معین ممکن است از طریق لینک های بالا در پنجره بازشو قابل دسترسی باشد (شکل 6 الف، ب).
مدل‌های سطح جامد سه‌بعدی نیز از طریق پیوند در منوی بازشو قابل دسترسی هستند یا از طریق دسترسی مستقیم در کاتالوگ پایگاه داده باز می‌شوند. با انجام این کار، یک فضای کاری ArcScene با مدل بیلت از پیش بارگذاری شده باز می شود، جایی که مدل ممکن است مشاهده، ویرایش یا تحت تحلیل های فضایی مختلف قرار گیرد ( شکل 6 ج). اگرچه کل مدل‌های ساختار داخلی سه‌بعدی را نمی‌توان مستقیماً در چارچوب مدیریت پایگاه داده ادغام کرد، اما می‌توان با استفاده از پیوندهای درون GIS با ارائه مسیر به فضای کاری برنامه 3DSlicer خود به آنها دسترسی داشت.
پنجره‌های پاپ‌آپ نیز برای مدل‌های بیلت سه‌بعدی فعال شدند، که امکان پیمایش سریع به داده‌های مبتنی بر بخش نازک دوبعدی به دست آمده از داخل هر بیلت را می‌دهند (اگرچه این بررسی دنباله‌ای از بالا به پایین است، توجه داشته باشید که پیوندها ایجاد شده‌اند تا کاربران بتوانند کاوش کنند. منوی تعاملی به هر ترتیب). نقشه‌های بخش نازک که بر اساس هر نمونه سازمان‌دهی شده‌اند، حاوی موزاییک‌های پایه نوری با مرجع فضایی، برش‌های شطرنجی استخراج‌شده از امتداد صفحات برش در داده‌های CT داخلی بیلت‌ها، و تصاویر CL از SEM هستند. موزاییک های پایه سیستم های مختصات محلی اولیه را ایجاد می کنند که در آن سایر لایه های نقشه به صورت فضایی ثبت می شوند.

3.2. تجزیه و تحلیل تصویر CL

نتایج حاصل از تجزیه و تحلیل تصویر CL در دو جزء مجزا مورد بحث قرار می‌گیرد: (1) ایجاد و ویرایش ویژگی‌های نقطه برداری برای تسهیل کسب فضایی نمونه‌های طیفی. و (2) استفاده از ابزارهای ژئوپردازش برای توسعه یک رویکرد کارآمد برای استخراج ویژگی کلسیت، طبقه‌بندی بدون نظارت نسل‌های رگه در کلسیت استخراج‌شده، و ارائه معیارهای دقت برای خروجی طبقه‌بندی‌شده. ما ویژگی‌های فضایی حاوی داده‌های طیفی و مکان‌های نقطه متناظر آنها را در مختصات محلی تصویر CL تولید کردیم. ویژگی‌های نقطه‌ای جدید حاوی اطلاعات XY هستند، نشان می‌دهند که آیا نمونه مربوط به کلسیت است یا یک فاز معدنی درخشان متفاوت، تولید ورید کلسیتی مرتبط با نمونه،شکل 7 ). همه ویژگی‌های فهرست‌شده در جنبه‌های مختلف تحقیقات مبتنی بر CL مورد توجه قابل‌توجهی هستند، اما عمدتاً در این مقاله به عنوان یک مجموعه داده اعتبارسنجی برای ارزیابی دقت خروجی طبقه‌بندی بدون نظارت عمل می‌کنند. با این وجود، رویه‌های مشخص‌شده برای نمونه‌برداری رنگ فضایی بسیاری از جنبه‌های مهم ایجاد، ویرایش و نمایش داده‌های برداری در محیط میکرو-GIS را در بر می‌گیرد.
فرآیند طبقه‌بندی بدون نظارت دو محصول ایجاد کرد: تصویر طبقه‌بندی شده که عضویت هر پیکسل در نسل 1، 2 یا هیچ یک را نشان می‌دهد و مدل قابل انتقال که در ArcGIS ModelBuilder برای انجام مراحل ایجاد شده است. این روش همچنین یک نوار تصویر طبقه‌بندی اضافی ایجاد کرد که از طریق تابع عضویت فازی (FM)، یک ماسک باینری ایجاد شده با آستانه‌گذاری شطرنجی FM، و تصویری که فقط حاوی کلسیت استخراج‌شده با اعمال ماسک است، ایجاد کرد.
ماسک مشتق شده از FM ابتدا در مجموع 318156 پیکسل یا تقریباً 6.5٪ از کل تصویر را به عنوان کلسیت طبقه بندی کرد. با پوشاندن باقیمانده تصویر، مقدار قابل توجهی از نویز توسط الگوریتم خوشه‌بندی طیفی حذف شد که منجر به عملکرد بهتر مدل شد. استفاده از هر دو شطرنجی FM و تصویر بریده شده RGB CL به عنوان باندهای ورودی در طبقه بندی ISODATA نیز باعث تولید کلاس های طیفی مطلوب تری شد. خروجی این روش یک تصویر شطرنجی طبقه بندی شده است که هر پیکسل را به عنوان نسل کلسیت 1، کلسیت نسل 2 یا پس زمینه تعریف می کند ( شکل 8 ).
نتایج ارزیابی دقت خروجی طبقه‌بندی‌شده از 100 امتیاز (50 امتیاز در هر کلاس) که به‌طور تصادفی در کلسیت ماسک‌دار تولید و به کلاس درست اختصاص داده شد، به دست آمد. ماتریس سردرگمی نشان داد که دقت کلی 85٪ با ضریب کاپا 70٪ بود. بیشترین دقت تولیدکننده در کلاس نسل 2 (90 درصد) و بیشترین دقت کاربر (89 درصد) در کلاس نسل 1 گزارش شده است. این آمار نشان می دهد که از 100 نقطه مرجع، 85 مورد به درستی طبقه بندی شده است. از 50 امتیاز از کلاس نسل 1، 20 درصد به اشتباه به عنوان نسل 2 طبقه بندی شدند. به همین ترتیب، 10 درصد از نقاط نسل 2 به اشتباه به عنوان نسل 1 طبقه بندی شدند.

4. بحث

مطالعات ریزساختاری سنگ‌های گسلی از تکنیک‌های تحلیلی و تصویربرداری متعددی برای انجام تحقیقات استفاده می‌کنند که بسیاری از آنها داده‌هایی را تولید می‌کنند که حاوی اطلاعات وابسته به فضایی هستند. استفاده از GIS برای پردازش این داده های مختلف مفید است زیرا به آنها اجازه می دهد تا با توجه به فضای آنها (1) در بخش های نازک پتروگرافی، (2) در بیلت های هسته، و (3) در مختصات دلخواه محل حفاری و گمانه یکپارچه شوند. . روش‌های توصیف‌شده در این مقاله یک چارچوب جهانی برای مدیریت و تجسم صریح فضایی داده‌های ریزساختاری دوبعدی و سه بعدی به‌دست‌آمده از نمونه‌های هسته مته ارائه می‌کنند. هر یک از مراحل مختلف در نهایت با موفقیت مشخص شد، اما چالش‌های کلیدی را نیز شناسایی کرد که باید در تلاش‌های آتی میکرو GIS مورد توجه قرار گیرد.
در پایگاه داده micro-GIS، هر مدل بیلت سه بعدی با یک نقطه قرارگیری مربوطه در یک نمای کلی دوبعدی از هسته SAFOD ارجاع داده می شود. هنگامی که یک بیلت از نمای کلی انتخاب می شود، کاربر می تواند مستقیماً به مدل بیلت و هر داده ریزساختاری مربوطه پیمایش کند (به شکل 6 مراجعه کنید.برای مثال از بیلت G24). استفاده از این ساختار به این معنی است که فقط مرکز مدل‌ها به صورت مکانی ثبت می‌شوند و چرخش بیلت نسبت به سایر بیلت‌ها و خود هسته به‌صراحت تعریف نشده است. در این مورد، فاصله دقیق بین مرکز بیلت A و مرکز بیلت B (معادل تفاوت در عمق اندازه گیری شده آنها) قابل اندازه گیری است، اما زوایا یا فواصل بین هر رئوس در بیلت A و B نمی توانند اندازه گیری شوند. در نقشه برداری GIS مبتنی بر هسته آینده، این مطالعه توصیه می کند که با استفاده کامل از مسیرهای ثبت شده در حین حفاری، یک موقعیت مکانی منحصر به فرد برای بیلت ها در مختصات جغرافیایی محل حفاری تعریف شود. انجام این کار، تبدیل‌های هندسی را امکان‌پذیر می‌سازد که حامل قطب‌نمای بخش هسته و رابطه زاویه‌ای در جهت عقربه‌های ساعت بین بیلت و خط جهت‌گیری هسته را در بر می‌گیرد. این عملیات برای شمش هایی که بخشی از محیط هسته را شامل می شود، دقیق تر است. در غیر این صورت، زاویه در جهت عقربه های ساعت باید بر اساس زاویه شیب شاخ و برگ در بخش مربوطه بیلت از هسته تخمین زده شود.شکل 9 ).
نتایج این مطالعه نشان می‌دهد که به جای قرارگیری آزمایشی نقشه‌های پایه مقطع نازک در داخل مدل‌ها، می‌توان داده‌های مقاطع نازک را در فضای مختصات سه بعدی محلی مدل بیلت با دقت بیشتری نگاشت کرد. سپس هر پیکسل در نقشه های پایه دارای یک موقعیت XYZ منحصر به فرد در هر دو بیلت و گمانه در بزرگ است. یک مطالعه اخیر [ 4 ] یک سیستم جهانی را برای تعریف جهت گیری فضایی مقاطع نازک پتروگرافی تجویز می کند که اساساً مبتنی بر یک روش بریدگی قوی است که تمام اطلاعات مورد نیاز برای تبدیل هندسی به فضای بیلت سه بعدی را فراهم می کند ( شکل 10).). اگرچه نویسندگان بر اجرای چارچوب مبتنی بر GIS تمرکز نکرده‌اند، اما روش‌هایی را پیشنهاد کرده‌اند که تجسم نقشه‌های صریح فضایی مدل‌های بیلت سه‌بعدی و داده‌های مبتنی بر مقطع نازک دوبعدی از تحلیل‌های تصویر نوری، SEM و CL را تکمیل می‌کنند. قابل ذکر است، مدیریت داده‌های ریز ساختاری در یک چارچوب میکرو-GIS با مرجع فضایی فرصت‌های بیشتری را برای استفاده از طیف قوی تکنیک‌های مکانی GIS و سنجش از دور فراهم می‌کند. تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) [ 43 ، 44 ] از CL و سایر داده های تصویر بخش نازک یک امکان هیجان انگیز را نشان می دهد.
در این مطالعه، از تکنیک‌های مکانی مبتنی بر پیکسل «سنتی» طبقه‌بندی و تحلیل شطرنجی برای استخراج لایه‌های اطلاعاتی معنادار از مقادیر پیکسل خام استفاده می‌کنیم. این تلاش تا حد زیادی توسط معماری پایگاه داده GIS تسهیل شد، جایی که مدل را می‌توان به طور موثر با استفاده از رابط کاربری گرافیکی ModelBuilder و ابزارهای پردازش جغرافیایی در دسترس، توسعه، آزمایش و اصلاح کرد. علاوه بر این، خروجی‌های تولید شده از روش‌های طبقه‌بندی می‌توانند به‌طور یکپارچه به‌عنوان محتوای اطلاعاتی جدید و مرجع فضایی در میکرو GIS وارد شوند. به عنوان یک رویکرد جایگزین برای رویکرد مبتنی بر پیکسل در طبقه‌بندی نسل‌های ورید کلسیتی، تکنیک‌های تقسیم‌بندی تصویر OBIA می‌تواند برای شناسایی اشیاء تصویر در داده‌های تصویر CL استفاده شود. و روش‌های طبقه‌بندی بعدی برای استخراج دسته‌هایی از ویژگی‌ها مانند چندین نسل از رگه‌های کلسیتی برای ذخیره به‌عنوان ویژگی‌های برداری در میکرو GIS استفاده می‌شوند. سپس می‌توان این ویژگی‌های برداری را به طور مشابه با تکنیک‌های تحلیل فضایی micro-GIS برای مشخص کردن الگوهای فضایی، مانند روند در اندازه، شکل، تراکم، یا جهت‌گیری بررسی کرد.
در نهایت، اگرچه روابط فضایی تا حدی بین همه داده‌ها در این مطالعه برقرار شد (یعنی عمق اندازه‌گیری شده بیلت مربوطه)، استفاده از سیستم‌های مختصات دلخواه متعدد توانایی دستیابی به دقت فضایی بالا بین بیلت‌ها و همچنین بین محصولات داده را محدود می‌کند. از دو یا چند بخش نازک در بیلت های جداگانه. تلاش‌های اولیه برای ایجاد همه مدل‌های بیلت در یک سیستم مختصات محلی واحد که ابعاد هسته SAFOD را نشان می‌دهد، انجام شد، اما با تغییرات پیچیده درگیر در ایجاد جهت‌گیری مناسب بیلت با توجه به هسته مانع شد. پیچیدگی‌های مشابهی در تلاش برای تبدیل داده‌های مقطع نازک مسطح به فضای مختصات سه‌بعدی مدل‌های سطح جامد مشاهده شد. گسترش‌های بالقوه چارچوب ثبت فضایی که در اینجا مورد بحث قرار می‌گیرد، احتمالاً می‌تواند تلاش‌ها را برای ایجاد اشکال ترجمه‌شده جغرافیایی سیستم‌های مختصات درون بیلت و بخش نازک افزایش دهد. به این ترتیب، این مطالعه پیشنهاد می‌کند که ماتریس‌های تبدیل پیوندی بهبودیافته باید در تحقیقات آینده توسعه داده شوند، با تاکید بر اینکه چگونه می‌توانند به طور یکپارچه‌تر در طرح پایگاه داده ادغام شوند تا تبدیل داده‌های مکانی از مختصات محلی به جغرافیایی را تسهیل کنند.

5. نتیجه گیری ها

این مطالعه با استفاده از مجموعه نرم‌افزار ArcGIS ESRI، رویه‌های میکرو GIS را ایجاد می‌کند و فرآیند مدیریت داده‌ها را با نمونه‌های هسته‌ای از رصدخانه گسل سن آندریاس در عمق (SAFOD) آزمایش می‌کند. علاوه بر استفاده از تکنیک‌های تحلیلی فضایی بر روی لایه‌های داده منفرد استخراج‌شده از بخش‌های نازک SAFOD، استفاده از یک چارچوب GIS در یک زمینه ریز فضایی اجازه می‌دهد تا بینش‌های بیشتری ترسیم شود. به طور خاص، micro-GIS به عنوان یک مخزن ایده‌آل و فضای کاری تحلیلی برای داده‌های ریزساختاری مبتنی بر هسته حفاری که به طور سنتی تقسیم‌بندی می‌شوند، عمل می‌کند. داده‌های ریزساختاری مختلف (که در زیر بازشماری شده است) می‌توانند وارد شده و سپس در یک محیط بهینه‌سازی شده با دامنه‌های ویژگی از پیش تعریف‌شده، محدودیت‌های توپولوژیکی مدیریت شوند. و سیستم مختصات سفارشی مناسب برای تجزیه و تحلیل در فضای دلخواه در مقیاس سانتی متر تا زیر میلی متر. این موارد به شرح زیر است:
1.
مدل‌های سطح جامد سه‌بعدی، که نمایشی دقیق هندسی و واقعی از بیلت‌های فیزیکی ارائه می‌کنند.
2.
برش‌های تصویری از مدل‌های ساختار داخلی سه‌بعدی، که از داده‌های CT شبکه‌بندی شده تشکیل شده‌اند که ویژگی‌های داخلی را در امتداد صفحات برش بیلت‌ها شناسایی می‌کند.
3.
نمودار هیستوگرام پراش اشعه ایکس (XRD) که ترکیب کانی شناسی بیلت ها را مشخص می کند.
4.
موزاییک های نوری مقطع نازک که به عنوان یک لایه نقشه پایه عمل می کنند که از آن می توان موقعیت های فضایی دیگر داده های مبتنی بر مقطع نازک را ثبت کرد. و
5.
داده های تصویر SEM-CL که حاوی اطلاعات طیفی با وضوح بالا از مناطق مورد علاقه در بخش های نازک است.
این مطالعه به دنبال بررسی پتانسیل درمان آن داده‌ها با چارچوب مکانی در مطالعه‌ای شامل 26 بیلت نمونه از SAFOD بود. اشکال چندگانه داده‌های سه‌بعدی و دوبعدی در یک پایگاه جغرافیایی ادغام شدند که نه تنها داده‌های ورودی، بلکه روابط فضایی و خروجی‌های آن‌ها را که بعداً تعریف شده‌اند و از تحلیل‌های فضایی به دست می‌آیند، بایگانی می‌کرد. محصولات جانبی این روش شامل تجسم نقشه های تعاملی، فهرست داده های سلسله مراتبی بر اساس روابط فضایی، و گردش کار ModelBuilder برای انجام وظایف مختلف مدیریت پایگاه داده و تجزیه و تحلیل است.
مفهوم کلی ذاتی GIS این است که داده‌های مختلف و دارای همپوشانی مکانی را برای بررسی ارتباط بین انواع داده‌ها مرتبط می‌کند. اگر داده ها به اندازه کافی از نظر فضایی ارجاع داده شوند، پتانسیل ارزیابی روابط بین منابع داده را دارد که ممکن است انگیزه تحقیقات بیشتر و توسعه روش های متمرکز بر چارچوب میکرو GIS باشد. تازگی ممکن است مختص آنالیزهای میکرو-GIS برای توصیف میزبانی از ریزساختارهای تغییر شکلی از جمله شبکه‌های پیچیده و چند نسلی از رگه‌های کلسیتی و کوارتز باشد، همانطور که در تحلیل CL این مقاله به طور مقدماتی مورد بررسی قرار گرفت.
برای این منظور، مطالعات زمین‌شناسی ساختاری آینده باید اولویت‌بندی روابط فضایی درون و بین منابع مختلف داده‌های ریزساختاری را ادامه دهد، اما همچنین به سمت یک زبان بومی استانداردتر حول مدیریت صریح فضایی آن داده‌ها در یک چارچوب GIS کار کند. برای مثال، مهندسان عمران از ابزارهای تحلیلی مناسب مانند «CityEngine» برای مدل‌سازی سه‌بعدی و «تحلیلگر شبکه» برای مطالعات مربوط به زیرساخت‌ها و داده‌های حمل‌ونقل بهره می‌برند، در حالی که هیدرولوژیست‌ها به ابزارهای خاصی برای تعیین حوضه‌های آبخیز، تخمین جریان و تجمع آب سطحی دسترسی دارند. و مدل سازی مسیر آلودگی آب های زیرزمینی [ 24]. به روشی مشابه، ابزارهای ژئوپردازش سفارشی و قالب‌های فضای کاری نیز باید برای تسهیل بهتر زمین‌شناسان ساختاری که در مقیاس خرد کار می‌کنند، ایجاد شوند.
مطالعه ما با چالش‌های رویه‌ای و مفهومی مرتبط با ادغام فضایی داده‌های ریزساختاری مبتنی بر هسته، که بر اساس پیشرفت‌های اخیر برای توسعه روش‌های میکرو-GIS جهانی ساخته شده است، مواجه شد و سودمندی GIS را در زمینه وسیع‌تر زمین‌شناسی ساختاری به عنوان یک کل نشان داد. با پیشرفت‌های مستمر در هر دو جبهه انضباطی، رویکردهای جدید مورد بحث در این مطالعه به خوبی برای اطلاع‌رسانی و به طور همزمان از نوآوری‌های آینده آگاه می‌شوند.

منابع

  1. ویلارد، آر. McWilliams, J. تکنیک های ریزساختاری در مطالعه خواص فیزیکی سنگ. بین المللی جی. راک مکانیک. حداقل علمی Géoméch. Abstr. 1969 ، 6 ، 1-12. [ Google Scholar ] [ CrossRef ]
  2. هافمن، اچ. زیمرمن، جی. فرکس، م. هونگس، ای. زنگ، ا. لئونهارت، ام. کویاتک، جی. مارتینز-گارزون، پی. بونهوف، ام. Min، K.-B. و همکاران اولین کاربرد میدانی تحریک نرم چرخه ای در سایت سیستم زمین گرمایی پیشرفته پوهانگ در کره. ژئوفیز. J. Int. 2019 ، 217 ، 926–949. [ Google Scholar ] [ CrossRef ]
  3. ما، ک.-ف. تاناکا، اچ. آهنگ، S.-R. وانگ، سی.-ای. هونگ، جی.-اچ. تسای، ی.-ب. موری، جی. آهنگ، Y.-F. بله، E.-C. سوه، دبلیو. و همکاران منطقه لغزش و انرژی یک زلزله بزرگ از پروژه حفاری گسل چلونگ پو تایوان. طبیعت 2006 ، 444 ، 473-476. [ Google Scholar ] [ CrossRef ]
  4. تیکف، بی. چتزاراس، وی. نیومن، جی. رابرتز، NM داده های بزرگ در تحلیل ریزساختار: ساختن یک سیستم جهت گیری جهانی برای مقاطع نازک. جی. ساختار. جئول 2019 ، 125 ، 226-234. [ Google Scholar ] [ CrossRef ]
  5. رز، جی. روش‌های بصری: مقدمه‌ای بر تحقیق با مواد بصری . انتشارات SAGE: Thousand Oaks، CA، USA، 2016. [ Google Scholar ]
  6. ادوارد، جی. بیدل، دی جی با استفاده از سیستم های اطلاعات جغرافیایی (GIS) برای بررسی موانع دسترسی به مراقبت های بهداشتی برای مهاجران اسپانیایی تبار و لاتین تبار در جنوب ایالات متحده. J. نژاد نژاد. نابرابری های سلامت 2016 ، 4 ، 297-307. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. Gaughan، AE; استیونز، FR; لینارد، سی. جیا، پی. Tatem، AJ نقشه های توزیع جمعیت با وضوح بالا برای جنوب شرقی آسیا در سال 2010 و 2015. PLoS ONE 2013 ، 8 ، e55882. [ Google Scholar ] [ CrossRef ]
  8. Malczewski، J. تجزیه و تحلیل مناسب کاربری زمین مبتنی بر GIS: مروری انتقادی. Prog. طرح. 2004 ، 62 ، 3-65. [ Google Scholar ] [ CrossRef ]
  9. ژانگ، اچ. پیترسون، MP تجزیه و تحلیل فضایی جرم محله در اوماها، نبراسکا با استفاده از معیارهای جایگزین نرخ جرم و جنایت. اینترنت J. Criminol. 2007 ، 31 ، 1-31. [ Google Scholar ]
  10. لزرینی، م. آنتونلی، اف. کلمبو، اس. گادوچی، آر. مرادی، ع. میریلو، دی. Lazzeri، A. مستندات میراث فرهنگی و حفاظت: اسکن لیزری سه بعدی (3D) و تکنیک های سیستم اطلاعات جغرافیایی (GIS) برای نقشه برداری موضوعی سنگ کاری نمای کلیسای سنت نیکلاس (پیزا، ایتالیا). بین المللی جی آرچیت. میراث. 2016 ، 10 ، 9-19. [ Google Scholar ] [ CrossRef ]
  11. تارکینی، اس. فاوالی، M. یک سیستم اطلاعات میکروسکوپی (MIS) برای تجزیه و تحلیل پتروگرافی. محاسبه کنید. Geosci. 2010 ، 36 ، 665-674. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. Wohlmutter، C. مدل سازی و تجسم 4 بعدی نفت-محیط مبتنی بر GIS برای بهینه سازی اکتشاف بین رشته ای نفت. در جنبه های نظری و کاربردی، مجموعه مقالات شانزدهمین کنفرانس بین المللی ژئوانفورماتیک، گوانگژو، چین، 28-29 ژوئن 2017 . انجمن اروپایی دانشمندان و مهندسین زمین: هوتن، هلند، 2017. [ Google Scholar ]
  13. Barraud, J. استفاده از نرم افزار تقسیم بندی حوضه و GIS برای تحلیل بافت مقاطع نازک. J. Volcanol. ژئوترم. Res. 2006 ، 154 ، 17-33. [ Google Scholar ] [ CrossRef ]
  14. برزوئتا، ای. دومینگوئز-کوئستا، ام جی; Ordóñez-Casado، B. مدینه، ج. مولینرو، R. کمیت فضای منافذ سنگ های رسوبی قبل و بعد از برهم کنش CO 2 فوق بحرانی با آنالیز تصویر نوری. Energy Procedia 2017 ، 114 ، 4382-4393. [ Google Scholar ] [ CrossRef ]
  15. هالند، MM; فریزم، دی. میلر، CE; Henshilwood، CS تغییر مواد معدنی گلوکونیت ناشی از گرما در سطوح عصر حجر میانی غار بلومبوس، آفریقای جنوبی: مفاهیمی برای ارزیابی ساختار سایت و رویدادهای سوزاندن. J. Archaeol. علمی 2017 ، 86 ، 81-100. [ Google Scholar ] [ CrossRef ]
  16. حسن پور، ر. حسن پور، ع. استفاده از ArcGIS برای تعیین جهت گیری محور نوری کوارتز در تصاویر مقطع نازک. J. Microsc. 2011 ، 245 ، 276-287. [ Google Scholar ] [ CrossRef ]
  17. اورتولانو، جی. ویسالی، آر. گدار، جی. Cirrincione، R. تحلیلگر نقشه اشعه ایکس کمی (Q-XRMA): یک رویکرد آماری جدید مبتنی بر GIS برای تجزیه و تحلیل تصویر معدنی. محاسبه کنید. Geosci. 2018 ، 115 ، 56-65. [ Google Scholar ] [ CrossRef ]
  18. لی، ی. اوناش، سی ام. Guo, Y. تشخیص مرزهای دانه مبتنی بر GIS. جی. ساختار. جئول 2008 ، 30 ، 431-443. [ Google Scholar ] [ CrossRef ]
  19. چان، MA; پیترز، SE; Tikoff، B. آینده زمین شناسی میدانی، به اشتراک گذاری داده های باز و فناوری سایبری در علوم زمین. رسوب. ضبط 2016 ، 14 ، 4-10. [ Google Scholar ] [ CrossRef ]
  20. واکر، جی دی. تیکوف، بی. نیومن، جی. کلارک، آر. اش، جی. خوب، جی. Bunse، EG; مولر، آ. کان، م. ویلیامز، RT; و همکاران سیستم داده StraboSpot برای زمین شناسی ساختاری. Geosphere 2019 ، 15 ، 533-547. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. Linzmeier، BJ; کیتاجیما، ک. دنی، AC; Cammack, JN ساختن نقشه در مقیاس میکرومتر. Eos 2018 , 99 . [ Google Scholar ] [ CrossRef ]
  22. اسمیت، ام. کاریویک، جی. Quincey، D. ساختار از فتوگرامتری حرکتی در جغرافیای فیزیکی. Prog. فیزیک Geogr. محیط زمین. 2016 ، 40 ، 247-275. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. بالاگوئر-پویگ، م. Marqués-Mateu، Á. لرما، جی ال. Ibáñez-Asensio، S. برآورد فرسایش خاک در مقیاس کوچک در آزمایشات آزمایشگاهی با ساختار از فتوگرامتری حرکتی. ژئومورفولوژی 2017 ، 295 ، 285-296. [ Google Scholar ] [ CrossRef ]
  24. ArcGIS، نسخه 10.7.1 ; ESRI, Inc.: Redlands, CA, USA, 2019.
  25. زوباک، م. هیکمن، اس. الزورث، دبلیو. حفاری علمی در منطقه گسلی سن آندریاس – مروری بر پنج سال اول SAFOD. علمی مته. 2011 ، 11 ، 1-5. [ Google Scholar ] [ CrossRef ]
  26. بردبری، KK; ایوانز، جی پی؛ چستر، جی اس. چستر، اف ام؛ Kirschner، DL لیتولوژی و ساختار داخلی گسل سن آندریاس در عمق بر اساس خصوصیات هسته سنگی فاز 3 در رصدخانه گسل سن آندریاس در عمق (SAFOD) گمانه. سیاره زمین. علمی Lett. 2011 ، 310 ، 131-144. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. SAFOD Core Photo Atlas, نسخه 3 ; بنیاد ملی علوم: اسکندریه، ویرجینیا، ایالات متحده آمریکا، 2007.
  28. Agisoft Metashape Professional Edition، نسخه 1.5. Agisoft LLC: سن پترزبورگ، روسیه، 2019.
  29. هارتلی، آر. Zisserman، A. هندسه چند نما در بینایی کامپیوتری ، ویرایش دوم. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2004. [ Google Scholar ]
  30. وستوبی، ام جی. براسینگتون، جی. گلسر، NF; هامبری، ام جی; رینولدز، فتوگرامتری «ساختار از حرکت» JM: ابزاری کم‌هزینه و مؤثر برای کاربردهای علوم زمین. ژئومورفولوژی 2012 ، 179 ، 300-314. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. ویرایشگر ترکیبی تصویر نسخه 2.0.3 ; شرکت مایکروسافت: ردموند، WA، ایالات متحده آمریکا، 2015.
  32. هابرمن، دی. طیف‌سنجی کاتدولومینسانس کمی (CL) کانی‌ها: امکانات و محدودیت‌ها. معدن کار. حیوان خانگی 2002 ، 76 ، 247-259. [ Google Scholar ] [ CrossRef ]
  33. ورهارت، جی. موچز، پ. سینتوبین، م. سیمیلوکس-توهون، دی. وندیک، اس. کپنز، ای. هاج، ای جی. ریچاردز، DA منشاء پالئو سیال در یک گسل معمولی در منطقه اژه. Geofluids 2004 ، 4 ، 300-314. [ Google Scholar ] [ CrossRef ]
  34. بارنابی، RJ; شرایط Rimstidt، JD ردوکس سماناسیون کلسیت از محتوای منگنز و آهن کلسیت‌های اصیل تفسیر شده است. جئول Soc. صبح. گاو نر 1989 ، 101 ، 795-804. [ Google Scholar ] [ CrossRef ]
  35. باد، دی. Hammes، U. Ward، WB Cathodoluminescence در سیمان های کلسیتی: بینش های جدید در مورد حساس سازی سرب و روی، فعال سازی منگنز و خاموش کردن در غلظت های کم عنصر کمیاب. J. رسوب. Res. 2000 ، 70 ، 217-226. [ Google Scholar ] [ CrossRef ]
  36. کازناو، اس. چاپولی، آر. ویلنوو، جی. کاتدولومینسانس کلسیت مصنوعی و طبیعی: اثرات منگنز و آهن بر انتشار پرتقال. معدن کار. حیوان خانگی 2003 ، 78 ، 243-253. [ Google Scholar ] [ CrossRef ]
  37. Fairchild، IJ کنترل‌های شیمیایی کاتدولومینسانس دولومیت‌ها و کلسیت‌های طبیعی: داده‌های جدید و بررسی. رسوب شناسی 1983 ، 30 ، 579-583. [ Google Scholar ] [ CrossRef ]
  38. هادی زاده، ج. Boyle, AP مطالعه تغییر شکل پیریت ثانویه و رگه‌های کلسیتی در ناحیه آسیب SAFOD با پیامدهایی برای مکانیسم تغییر شکل خزش لرزه‌ای در اعماق بیش از 3 کیلومتر. جی. ساختار. جئول 2018 ، 117 ، 14-26. [ Google Scholar ] [ CrossRef ]
  39. اسمیت، تی. Guild, J. استانداردهای رنگ سنجی CIE و استفاده از آنها. ترانس. انتخاب کنید Soc. 1931 ، 33 ، 73-134. [ Google Scholar ] [ CrossRef ]
  40. ویزکی، جی. استایلز، WS Color Science 8 ; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1982. [ Google Scholar ]
  41. توپ، GH; هال، DJ ISODATA، روش جدیدی برای تجزیه و تحلیل داده ها و طبقه بندی الگوها . موسسه تحقیقاتی استنفورد: منلو پارک، کالیفرنیا، ایالات متحده آمریکا، 1965. [ Google Scholar ]
  42. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  43. بلاشکه، تی. لانگ، اس. Hay, G. (Eds.) تجزیه و تحلیل تصویر مبتنی بر شی: مفاهیم فضایی برای کاربردهای سنجش از دور دانش محور . Springer Science & Business Media: برلین/هایدلبرگ، آلمان، 2008. [ Google Scholar ]
  44. دکتر حسین؛ Chen, D. Segmentation for Object-Based Image Analysis (OBIA): مروری بر الگوریتم ها و چالش ها از دیدگاه سنجش از دور. ISPRS J. Photogramm. Remote Sens. 2019 ، 150 ، 115–134. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00332 g001 550
شکل 1. نمودار گردش کار جمع آوری داده ها درجا، فرآیندها و خروجی های حاصل تحت یک چارچوب مبتنی بر GIS. موارد ستاره دار نشان دهنده رویه های انجام شده توسط اشخاص ثالث است (به قدردانی ها مراجعه کنید).
Ijgi 10 00332 g002 550
شکل 2. ( الف ) مشخصات سنگ شناسی عمومی مقاطع هسته SAFOD با یک افسانه برای واحدها (عمق اندازه گیری شده-MD-متر). دایره های سیاه و سفید نشان دهنده توزیع بیلت های نمونه هستند (اقتباس از [ 26 ]). ( ب ) عکس رنگی سوراخ E، اجرا 1، بخش 1 شامل خطوط قرمز و سیاه جهت هسته (اقتباس از [ 27 ]).
Ijgi 10 00332 g003 550
شکل 3. روش پردازش تصاویر دو بعدی برای تولید مدل های بیلت سه بعدی که به تصویر می کشند: ( الف ) موقعیت های دوربین. ( ب ) نقاط تساوی اولیه؛ ( ج ) ابر نقاط کراوات متراکم. و ( D ) مدل بیلت سه بعدی پردازش شده.
Ijgi 10 00332 g004 550
شکل 4. تصویر CL حاوی دو نسل بصری متمایز از رشد ورید کلسیتی و مناطق از پیش تعریف شده مورد علاقه برای نمونه برداری طیفی و ایجاد داده های برداری است. به دلیل تنوع طیفی قابل توجه و روی هم قرار گرفتن بین ویژگی‌های رشد، استنباط می‌کنیم که دو نسل مجزا از کلسیت وجود دارد و نسل 1 (G1) نسبتاً جوان‌تر از G2.2.4.2 است. طبقه بندی و ارزیابی تصویر CL.
Ijgi 10 00332 g005 550
شکل 5. داده های میانی از روش طبقه بندی شامل: ( الف ) تصویر خام CL. ( B ) باند شطرنجی تولید شده از طریق تابع FM، با مقادیر پیکسلی قدرت عضویت را نشان می دهد. ( ج ) باند ماسک باینری تولید شده با آستانه گذاری تصویر اصلی FM. و ( D ) شطرنجی بریده شده حاوی مقادیر پیکسل RGB فقط در ناحیه کلسیتی که توسط باند ماسک تعریف شده است. تصاویر B و D به عنوان ورودی برای طبقه بندی بدون نظارت عمل می کنند.
Ijgi 10 00332 g006 550
شکل 6. نمودار جریان نشان می دهد که چگونه داده های ریزساختاری پروژه به صورت تعاملی در میکرو-GIS ساختار یافته، تجسم و کاوش می شوند. شکل ( A ) نقشه نمای کلی هسته SAFOD را نشان می دهد که مکان ها و ویژگی های بیلت نمونه را نشان می دهد. ( ب ) نمونه ای از پنجره بازشو HTML حاوی اطلاعات ویژگی، نتایج حاصل از تجزیه و تحلیل XRD و پیوندهایی به داده های اضافی مرتبط با نمونه بیلت G24. ( ج ) فضای کاری ArcScene حاوی مدل سطح جامد سه بعدی بیلت G24. و ( D ) داده های تصویر 2 بعدی ارجاع فضایی از یک بخش نازک استخراج شده از صفحه XY در G24.
Ijgi 10 00332 g007 550
شکل 7. نمای نقشه ArcGIS از نقاط نمونه در مختصات محلی تصویر CL، که با نمادشناسی سفارشی و اطلاعات ویژگی مرتبط در رابطه با طول موج طیفی و ارتباط تولید کلسیت برچسب گذاری شده است.
Ijgi 10 00332 g008 550
شکل 8. نتایج طبقه‌بندی بدون نظارت که ( A ) تصویر CL ورودی، نقاط ارزیابی دقت تولید شده به‌طور تصادفی (100=n) و ( B ) خروجی طبقه‌بندی‌شده با تعداد پیکسل‌هایی که به‌عنوان نسل کلسیت 1 یا 2 اختصاص داده شده‌اند را نشان می‌دهد.
Ijgi 10 00332 g009 550
شکل 9. ( الف ) نمای نقشه از یاتاقان SAF 137 درجه جنوب شرقی از طریق کالیفرنیا، بخش های هسته G123 و G456 برش در سراسر SAF با یاتاقان های قطب نما 027 درجه شمال شرقی (شرق 67 درجه) و 035 درجه شمال شرقی (شرق 68 درجه)، به ترتیب. ( ب ) تصویر شماتیک گمانه که زاویه بیلت را در جهت عقربه های ساعت با توجه به خطوط جهت گیری هسته قرمز و سیاه نشان می دهد.
Ijgi 10 00332 g010 550
شکل 10. نمایش شماتیک چارچوب جهت بخش نازک که به تصویر می‌کشد: ( الف ) تعریف صفحات برش شمش XY، XZ، و YZ با توجه به صفحه برگ‌ریزی داخل بیلت. و ( B ) نشان‌گذاری‌های پیشنهادی برای قرار گرفتن بر روی بخش‌های نازک فیزیکی برای ارجاع فضایی در مختصات محلی مدل‌های بیلت (نشان‌گذاری‌های بخش دوبعدی در B پس از Tickoff و همکاران [ 4 ] تطبیق داده شد).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید