β-VAE, DWT ve GMM’nin Birleştirilmesi: Zafarghand Bölgesinde Sentinel-2 Tabanlı Hidrotermal Alterasyon ve Demir Türleşimi Haritalaması, İran

Uzaydan Gizli Metalleri Bulmanın Önemi

Kolay erişilebilen maden yatakları çıkarıldıkça, arama şirketleri giderek daha uzak ve engebeli arazilerde arama yapmak zorunda kalıyor. Bu çalışma, Avrupa yer gözlem uydusu verileri ile modern yapay zekânın nasıl birleşerek kayalarda oluşan ve genellikle bakır ile altın yataklarını çevreleyen değişim halkalarını gösteren ince kimyasal değişimleri—alterasyon zonlarını—tespit edebileceğini gösteriyor. Orta İran üzerinde uzaydan bu ipuçlarını tespit ederek araştırmacılar, sahadaki madencilik araştırmalarını yönlendirmek için daha hızlı, daha ucuz ve daha az müdahaleci bir yöntem sunuyor.

Orta İran’da Kayalık Bir Hedef

Çalışma, merkezi İran’daki büyük bir volkanik kuşağın parçası olan ve bakır içeren “porfiri” sistemlerine ev sahipliği yapan Zafarghand bölgesine odaklanıyor. Bu sistemlerde, soğuyan magmadan yükselen sıcak sıvılar çevre kayaları değiştirerek bir dizi halo oluşturmuş. Sokulan kaya kütlesine daha yakın bölgelerde, kuvars ve ince beyaz mika açısından zengin ve genellikle bakır ile altınla ilişkili olan filik (phyllic) alterasyon oluşur. Daha dışarıda ise klorit ve epidot gibi yeşilimsi minerallerle karakterize edilen propilitik (propylitic) alterasyon gelişir ve hidrotermal sistemin dış sınırını çizer. Demir de yeniden dağılım gösterir; farklı kimyasal durumlarda demir içeren mineraller oluşur ve bunların her biri uydu görüntülerinde kendine özgü renk ve parlaklık desenleri bırakır.

Uydu Işığında Görünmeyeni Görmek

Bu ipuçlarından yararlanmak için ekip, görünür ve kızılötesi bantlarda 20 metrelik çözünürlükte yansıyan güneş ışığını kaydeden Sentinel-2 uydusunun verilerini kullandı—büyük alterasyon halkalarını haritalamaya yetecek incelikte. Elle tasarlanmış renk kombinasyonlarına veya basit bant oranlarına dayanmak yerine, tamamen denetimsiz bir iş akışı kurdular. Önce, özenle seçilmiş altı Sentinel-2 bandını beta-variational autoencoder (β-VAE) olarak bilinen bir derin öğrenme modeline beslediler. Teknik olmayan bir ifadeyle, bu “desen sıkıştırıcı”, her pikseli önceden etiketlenmiş eğitim verisine ihtiyaç duymadan en önemli spektral özelliklerini yakalayan küçük sayı kümesiyle temsil etmeyi öğrenir. Bu sıkıştırılmış özellikler, ham bantların gizleyebileceği altere olmuş ve altere olmamış kayaçlar arasındaki ince farkları vurgular.

Doku ve Olasılıkları Eklemek

Bir sonraki adım, alterasyon zonlarının yüzlerce metre ölçeğinde düzenlendiği bilgisiyle piksellerin komşularıyla ilişkisini gösteren mekânsal doku duyusunu eklemekti. Bunun için yazarlar, her gizli özellik haritasını büyük ölçekli arka plan ve daha ince ayrıntılara ayıran ayrık dalgacık dönüşümü (discrete wavelet transform) adlı matematiksel aracı kullandılar. Peyzajdaki geniş, tutarlı desenleri ön plana çıkaran düşük frekans bileşenlerine odaklandılar. Son olarak, bu zenginleştirilmiş özellikleri, pikselleri belirsiz sınırlar boyunca da olabilecek şekilde sınıflandıran istatistiksel bir yöntem olan Gauss karışım modeli (Gaussian mixture model) ile kümelediler. Bu sıra—sıkıştırma, çok ölçekli düzleştirme, ardından olasılıksal kümeleme—algoritmaya bu zonların nerede olduğunu söylemeden filik, propilitik ve demir zengin zonların ayrı haritalarını veriyor.

Kayalara, Kimyaya ve Basit Oranlara Karşı Doğrulama

Uzaktan algılama tek başına yanıltıcı olabileceğinden ekip, haritalarını 251 toprak ve kaya örneğinin saha ve laboratuvar verilerine karşı doğruladı. Bağımsız jeolojik ve petroğrafik çalışmalar hangi örneklerin filik veya propilitik zonlarda olduğunu önceden belirlemişti. Bu noktalar uydu kaynaklı haritanın üzerine bindirildiğinde, hem filik hem de propilitik örneklerin yaklaşık %95’i modelin karşılık gelen zonlarına düştü. Her örneğin etrafına küçük tamponlar kullanılarak yapılan daha sıkı, piksel bazlı testler bile filik alterasyon için yaklaşık %94,5 ve propilitik için %86,9 genel doğruluk verdi. Saha verilerinin eksik olduğu demir için ise yazarlar sonuçlarını ferrik ve ferrous demiri vurgulayan standart Sentinel-2 bant oranlarıyla karşılaştırdı. Farklı demir türleri için genel doğruluk yine yüksek çıktı; yaklaşık veya üzerinde %97 civarında sonuçlar elde edildi.

Gelecek Arama Faaliyetleri İçin Anlamı

Basitçe söylemek gerekirse, çalışma uydu görüntüleri ile yapay zekânın akıllıca birleştirilmesinin, etiketli eğitim verisi olmadan bile bir porfiri bakır sisteminin etrafındaki ana alterasyon halkalarını ve demir desenlerini güvenilir şekilde ortaya koyabildiğini gösteriyor. Sentinel-2’nin çözünürlüğünde daha küçük ve daha derin zonlar—örneğin potasik veya silisli alterasyon—görülmesi hâlâ zor olsa da, yöntem erken aşama hedefleme için en önemli geniş filik ve propilitik bantları sağlam biçimde yakalıyor. Yaklaşım veri odaklı, ucuz ve aktarılabilir olduğundan, dünyanın diğer potansiyel bölgelerine uygulanabilir ve araştırmacıların maliyetli saha çalışmalarını en umut verici alanlara yoğunlaştırmasına yardımcı olabilir.

Atıf: Kalkhoran, S.E., Ghannadpour, S.S. Integration of β-VAE, DWT, and GMM for Sentinel-2-based mapping of hydrothermal alteration and iron speciation in the Zafarghand area, Iran. Sci Rep 16, 6470 (2026). https://doi.org/10.1038/s41598-026-36349-w

Anahtar kelimeler: uzaktan algılama, porfiri bakır, hidrotermal alterasyon, Sentinel-2, derin öğrenme