سازمان زمین شناسی و اکتشافات معدنی کشور فصلنامه علمی علوم زمین 1023-7429 36 1 2026 03 21 Enhancing lithological mapping using pixel- and object-based machine learning on Sentinel-2 and PRISMA Data: A case study from the Remeshk-Mokhtarabad ophiolite complex بهبود نقشه‌برداری سنگ‌شناسی با به کارگیری الگوریتم‌های یادگیری ماشین بر پایه پیکسل و شیء بر اساس داده‌های Sentinel-2 وPRISMA : مطالعه موردی همتافت افیولیتی رمشک– مختارآباد 79 96 237500 10.22071/gsj.2025.551653.2227 FA فاطمه حاجی محمدی گروه زمین‌شناسی، دانشکده علوم، دانشگاه شهید باهنر کرمان، کرمان، ایران سازمان زمین‌شناسی و اکتشافات معدنی کشور، تهران، ایران محسن آروین گروه زمین‌شناسی، دانشکده علوم، دانشگاه شهید باهنر کرمان، کرمان، ایران 0000-0003-4928-1176 سارا درگاهی گروه زمین‌شناسی، دانشکده علوم، دانشگاه شهید باهنر کرمان، کرمان، ایران 0000-0002-6882-2276 Journal Article 2025 10 07 Machine learning algorithms and lithological interpretation based on remote sensing play a crucial role in regional geological studies; however, expert interpretation by experienced geologists remains irreplaceable. This study employs multispectral Sentinel-2 and hyperspectral PRISMA satellite data to evaluate lithological mapping of the Remeshk–Mokhtarabad ophiolitic complex located in the northern Makran, southeastern Iran. The research focuses on integrating remote sensing technologies with machine learning algorithms to enhance geological mapping accuracy and to support field-based investigations. Selection of optimal input features for classifiers is considered a key objective of this study. To this end, various image enhancement techniques, including spectral analysis, band combinations and ratios, principal component analysis, color ratio composites, and minimum noise fraction transformation, were applied. Subsequently, machine learning algorithms, specifically neural networks, support vector machines, and k-nearest neighbors were applied for classification. Accuracy assessment based on overall accuracy and the kappa coefficient indicates that the object-based approach applied to multispectral Sentinel-2 imagery produces more homogeneous maps with higher accuracy, whereas the pixel-based approach yields better performance for hyperspectral PRISMA data. The results demonstrate that the combined use of Sentinel-2 and PRISMA data provides a powerful tool for lithological mapping in ophiolitic complexes. الگوریتم‌های یادگیری ماشین و تفسیر سنگ‌شناسی بر پایه سنجش از دور نقش مهمی در مطالعات زمین‌شناسی ناحیه‌ای بازی می‌کنند، با این حال نقش تفسیر تخصصی زمین‌شناس با تجربه همچنان غیر قابل جایگزین است. این پژوهش، از داده‌های چند طیفی ماهواره سنتینل-2 و داده‌های فراطیفی ماهواره پریسما برای آزمون نقشه‌برداری سنگ‌شناسی همتافت افیولیتی رمشک–مختارآباد واقع در مکران شمالی، جنوب‌خاور ایران، استفاده می‌کند و بر ترکیب فناوری‌های سنجش از دور با الگوریتم‌های یادگیری ماشین برای بهبود نقشه‌برداری زمین‌شناسی و تقویت مطالعات میدانی تمرکز دارد. انتخاب ورودی‌های بهینه برای طبقه‌بندی کننده‌ها از اهداف کلیدی این پژوهش به‌شمار می‌رود و بدین منظور از فناوری‌های بهبود تصویر شامل تحلیل طیفی، ترکیب و نسبت باندی، تحلیل مولفه‌های اصلی، ترکیب نسبت رنگی و تبدیل حداقل کسر نوفه استفاده شد. در ادامه، الگوریتم‌های شبکه عصبی، ماشین بردار پشتیبان و نزدیک‌ترین همسایگی برای طبقه‌بندی داده‌ها به کار گرفته شدند. نتایج ارزیابی صحت کلی و ضریب کاپا نشان داد که رویکرد بر پایه شیء در تصاویر چندطیفی سنتینل-2 نقشه‌هایی همگن‌تر و با دقت بالاتر تولید می‌کند، در حالی که رویکرد بر پایه پیکسل برای داده‌های فراطیفی پریسما عملکرد مناسب‌تری دارد. نتایج نشان می‌دهد استفاده از داده‌های سنتینل-2 و پریسما ابزاری توانمند برای نقشه‌برداری سنگ‌شناسی در پهنه‌های افیولیتی فراهم می‌کند.

http://www.gsjournal.ir/article_237500_f658902043b9dfc9e1cd920880c85ae0.pdf