کاربرد مدل‌ سازی فرکتالی عیار- مساحت و شبکه عصبی مصنوعی برای شناسایی ناهنجاری‌ های زمین‌ شیمیایی Cu، Zn±Pb در منطقه هشتجین، شمال‌ غرب ایران

زمین شناسی اقتصادی

دوره 16، شماره 3 - شماره پیاپی 42، 1403، صفحه 101-122   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/econg.2024.1117

نویسندگان

علی امامعلی پور¹؛ حامد ابراهیمی^{* 2}؛ امیررضا عبدالله‌ پور³

¹دانشیار، گروه مهندسی معدن، دانشکده فنی مهندسی، دانشگاه ارومیه، ارومیه، ایران

²دانشجوی دکتری، گروه مهندسی معدن، دانشکده فنی مهندسی، دانشگاه ارومیه، ارومیه، ایران

³دانشجوی کارشناسی ارشد، گروه زمین‌شناسی، دانشکده علوم، دانشگاه تبریز، تبریز، ایران

چکیده

شناسایی ناهنجاری‌های زمین‌شیمیایی نقش مهمی را در اکتشافات معدنی ایفا می‌کند. پژوهش‌های اخیر نشان‌داده است که الگوریتم یادگیری ماشین می‌تواند ناهنجاری‌های زمین‌شیمیایی مرتبط با کانی‌سازی را که اهدافی برای اکتشاف مواد معدنی هستند، شناسایی کند. الگوریتم‌های یادگیری ماشین به دلیل قابلیت قوی در استخراج و نمایش ویژگی‌های سطح بالای نمونه‌های آموزشی، به طور گسترده در زمینه‌های مختلف استفاده می‌شوند. شبکه‌های رمزگذار خودکار توانایی بالایی در شناسایی ناهنجاری‌های زمین‌شیمیایی نشان می‌دهند. در این پژوهش، از روش ترکیبی شبکه خودکار رمزگذار با روش فرکتالی عیار- مساحت برای شناسایی ناهنجاری‌های زمین‌شیمیایی استفاده شد. نخست، با استفاده از آنالیز چند متغیره فاکتوری عناصر باریم، سرب، روی، مس، طلا، آهن، طلا و آرسنیک به عنوان شاخص انتخاب شدند. سپس نقشه‌های زمین‌شیمیایی تک عنصری این عناصر تهیه شد و به منظور یکسان‌سازی نقشه‌های به دست آمده از لحاظ مقادیر کمینه و بیشینه، تمام نقشه‌ها به صورت فازی درآمدند. با استفاده از عملگر گامای فازی نقشه‌های زمین‌شیمیایی تک عنصری با هم تلفیق شدند. سپس نقشه حاصل از روش رمزگذار خودکار عمیق با هشت لایه رمزگذار و رمزگشا بازسازی شد. سرانجام، با استفاده از روش فرکتال عیار- مساحت نقشه پتانسیل معدنی برای این منطقه تهیه شد. مدل ترکیبی پیشنهادی در این پژوهش، منطقه‌ای با پتانسیل کانی‌زایی بالا در شمال‌شرق محدوده مورد بررسی را معرفی می‌کند.

کلیدواژه‌ها

ناهنجاری زمین شیمیایی؛ یادگیری ماشین؛ مدل سازی فرکتالی؛ نقشه پتانسیل معدنی؛ هشتجین

مراجع

Afzal, P., Aramesh Asl, R., Adib, A. and Yasrebi, A.B., 2015. Application of fractal modelling for Cu mineralisation reconnaissance by ASTER multispectral and stream sediment data in Khoshname area, NW Iran. Journal of the Indian Society of Remote Sensing, 43: 0255–660. https://doi.org/10.1007/s12524-014-0384-6

Alavi, M., 1996. Tectonostratigraphic synthesis and structural style of the Alborz Mountains system northern Iran. Journal of Geodynamic, 21(1): 1–33. https://doi.org/10.1016/0264-3707(95)00009-7

Aramesh, Asl,R., Afzal, P., Adib, A. and Yasrebi, A.B., 2015. Application of multifractal modeling for the identification of alteration zones and major faults based on ETM+ multispectral data. Arabian Journal of Geosciences, 8: 2997–3006. https://doi.org/10.1007/s12517-014-1366-2

Bergen, K.J., Johnson, P.A., De Hoop, M.V. and Beroza, G.C., 2019. Machine learning for data-driven discovery in solid earth geoscience, Science, 363(6433). https://doi.org/10.1126/science.aau0323

Cheng, Q., 2006. Mapping singularities with stream sediment geochemical data for prediction of undiscovered mineral deposits in Gejiu, Yunnan Province, China. Ore Geology Reviews. 32(1–2): 314–324. https://doi.org/10.1016/j.oregeorev.2006.10.002

Cheng, Q., Agterberg, F.P. and Ballantyne, S.B., 1994. The separation of geochemical anomalies from background by fractal methods. Journal of Geochemical Exploration. 51(2): 109–130. https://doi.org/10.1016/0375-6742(94)90013-2

Cheng, Q., Agterberg, F.P. and Bonham Carter, G.F., 1996. A spatial analysis method for geochemical anomaly separation. Journal of Geochemical Exploration.56(3): 183–195. https://doi.org/10.1016/S0375-6742(96)00035-0

Cheng, Q., Xia, Q., Li, W., Zhang, S., Chen, Z., Zuo, R. and Wang, W., 2010. Density/area power-law models for separating multi-scale anomalies of ore and toxic elements in stream sediments in Gejiu mineral district, Yunnan Province, China. Biogeosciences.7(10): 3019–3025. https://doi.org/10.5194/bg-7-3019-2010

Coates, A., Lee, H., and Ng, A. Y., 2011. An analysis of singlelayer networks in unsupervised feature learning. 14th International Conference on Artificial Intelligence and Statistics (AISTATS) 2011, Fort Lauderdale, FL, USA

Daneshvar Saein, L., Afzal, P., Shahbazi, S. and Sadeghi, B., 2020. Application of an improved zonality index model integrated with multivariate fractal analysis: epithermal gold deposits. Geopersia,12(2): 379–394.  https://doi.org/10.22059/GEOPE.2022.339864.648652

Farhadi, S., Afzal, P., Boveiri Konari, M., Daneshvar Saeini, L. and Sadeghi, B., 2022. Combination of machine learning algorithms with concentration-area fractal method for soil geochemical anomaly detection in sediment-hosted Irankuh Pb-Zn deposit, Central Iran. Minerals, 12(6): 689. https://doi.org/10.3390/min12060689

Farhadi, S., Tatullo, S., Konari, MB. and Afzal, P., 2024. Evaluating Stacking C and ensemble models for enhanced lithological classification in geological mapping. Journal of Geochemical Exploration 260: 107–441. https://doi.org/10.1016/j.gexplo.2024.107441

Faridi, M., Anvari, A. and Ghassemi, M.R., 2000. Geological map of Hashtchin, scale 1:100000, Geological Organization of the country. Sheet Index 5664.

Grunsky, E.C. and Agterberg, F.P., 1988. Spatial and multivariate analysis of geochemical data from metavolcanic rocks in the Ben Nevis area, Ontario. Mathematical Geology, 20(7): 825–861. https://doi.org/10.1007/BF00890195

Hinton, G.E., Osindero, S. and Teh, Y.W., 2006. A fast-learning algorithm for deep belief nets. Neural Computation 18(7): 1527–54. https://doi.org/10.1162/neco.2006.18.7.1527

LeCun, Y., Bengio, Y. and Hinton, G., 2015. Deep learning. Nature, 521: 436–444. https://doi.org/10.1038/nature14539

Lecun, Y., Bottou, L., Bengio, Y. and Haffner, P., 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11). https://doi.org/10.1109/5.726791

Nabavi, M., 1976. An introduction to the geology of Iran. Geological Survey of Iran, 109: 104–109. (in Persian)

Pourgholam, M.M., Afzal, P., Adib, A., Rahbar, K. and Gholinejad, M., 2024. Recognition of REEs anomalies using an image Fusion fractal-wavelet model in Tarom metallogenic zone, NW Iran. Geochemistry, 84(2): 126093. https://doi.org/10.1016/j.chemer.2024.126093

Qaderi, S., 2014. Survey of Remote sensing and geochemical exploration of a region in Kermanshah 1:100000 sheet. Master thesis, Urmia University, Urmia, Iran. Retrieved September 26, 2024 from https://elmnet.ir/doc/10927102-41181

Redlich, A.N., 1993. Redundancy reduction as a strategy for unsupervised learning. Neural Computation, 5(2): 289–304. https://doi.org/10.1162/neco.1993.5.2.289

Reichstein, M., Camps Valls, G., Stevens, B., Jung, M., Denzler, J. and Carvalhais, N., 2019. Deep learning and process understanding for data-driven earth system science. Nature, 77(43): 195–204. https://doi.org/10.1038/s41586-019-0912-1

Scott, A.J. and Knott, M., 1974. A cluster analysis method for grouping means in the analysis of variance. Biometrics, 30(30): 507–512. https://doi.org/10.2307/2529204

Silverman, B.W., 1986. Density Estimation for Statistics and Data Analysis. Chapman & Hall, London – New York, 175 pp. https://doi.org/10.1002/bimj.4710300745

Sim, B.L., Agterberg, F.P. and Beaudry, C., 1999. Determining the cutoff between background and relative base metal smelter contamination levels using multifractal methods. Computers & Geosciences, 25(9): 1023–1041. https://doi.org/10.1016/S0098-3004(99)00064-3

Sun, T., Chen, F., Zhong, L., Liu, W. and Wang, Y., 2019. GIS-based mineral prospectivity mapping using machine learning methods: a case study from Tongling ore district, eastern China. Ore Geology Reviews, 109: 26–49. https://doi.org/10.1016/j.oregeorev.2019.04.003

Tukey, J.W., 1977. Some thoughts on clinical trials, especially problems of multiplicity. Science. 198(4318): 679–684. https://doi.org/10.1126/science.333584

Vapnik, V., 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York. 188 pp. http://doi.org/10.1007/978-1-4757-2440-0

Wackernagel, H., 2003. Multivariate geostatistics: An introduction with applications. Springer Science & Business Media, Mathematical Geology, 388 pp. http://doi.org/10.1007/978-3-662-05294-5

Ziaii, M., Ardejani, F.D., Ziaei, M. and Soleymani, A.A., 2012. Neuro-fuzzy modeling based genetic algorithms for identification of geochemical anomalies in mining geochemistry. Applied Geochemistry, 27(3): 663–676. https://doi.org/10.1016/j.apgeochem.2011.12.020

Ziaii, M., Pouyan, A.A. and Ziaei M., 2009.  Neuro-fuzzy modelling in mining geochemistry: Identification of geochemical anomalies. Journal of Geochemical Exploration.100(1): 25–36. https://doi.org/10.1016/j.gexplo.2008.03.004

Zuo, R., 2017. Machine learning of mineralization-related geochemical anomalies: a review of potential methods. Natural Resources Research, 26: 457–464. https://doi.org/10.1007/s11053-017-9345-4

Zuo, R., Cheng, Q., Agterberg, F.P. and Xia, Q., 2009. Application of singularity mapping technique to identify local anomalies using stream sediment geochemical data, a case study from Gangdese, Tibet, western China. Journal of Geochemical Exploration,101(3): 225–235. https://doi.org/10.1016/j.gexplo.2008.08.003

Zuo, R. and Wang, J., 2016. Fractal/multifractal modeling of geochemical data. Journal of Geochemical Exploration. 164: 33–41. https://doi.org/10.1016/j.gexplo.2015.04.010

Zuo, R., Xiong, Y., Wang, J. and Carranza, E., 2019. Deep learning and its application in geochemical mapping. Earth- Science Reviews, 192: 1–14. https://doi.org/10.1016/j.earscirev.2019.02.023