کاربرد الگوریتم رتبه‌بندی در تهیه نقشه آنومالی‌های چند عنصری ژئوشیمیایی ورقه 1:100000سه‌چنگی خراسان جنوبی

نوع مقاله : علمی-پژوهشی

نویسنده

استادیار، گروه مهندسی معدن، دانشگاه صنعتی بیرجند، بیرجند

چکیده

تلفیق لایه‌های اکتشافی به ویژه ترکیب داده‌های ژئوشیمیایی می‌تواند برای تعیین آنومالی‌های ژئوشیمیایی چند عنصری به کار رود که نشان‌دهنده‌ مناطق دارای پتانسیل کانی‌زایی‌اند. هدف این مقاله معرفی الگوریتم‌های رتبه‌بندی به عنوان روشی دیگر در کنار روش‌های آماری، داده‌کاوی و تصمیم‌گیری چند معیاره برای تلفیق داده‌های اکتشافی است. برای این منظور از 362 نمونه‌ رسوبات آبراهه‌ای در ورقه سه‌چنگی در استان خراسان جنوبی استفاده شده که هر نمونه نیز برای 23 عنصر آنالیز شده است. پیاده کردن شش الگوریتم رتبه‌بندی CA، MA، VSA، PA، LA و CAA بر روی مجموعه داده‌ها نشان می‌دهد که محدوده‌های مناطق مستعد کانی‌زایی به دست آمده همپوشانی و موقعیت‌های تقریبا مشابه دارند. این محدوده‌ها بر روی واحدهای توف، آندزیتی، ریولیتی و رسوبات کواترنری قرار گرفته‌اند. مقایسه‌های کمی (روش جایگشت و تحلیل مولفه‌های اصلی مقاوم) و کیفی (مقایسه با نقشه‌ی زمین‌شناسی و اندیس‌های معدنی) نشان‌دهنده‌ برتری نسبی الگوریتم‌های CA و PA است. ترکیب شش نقشه به روش میانگین‌گیری وزن‌دار دو ناحیه یکی محدوده‌ای با پتانسیل بالاتر با مساحت حدود 24 کیلومتر مربع و دیگری محدوده‌ای با پتانسیل پایین‌تر با مساحت حدود 311 کیلومتر مربع را برای فاز اکتشافی بعدی در منطقه مطالعاتی پیشنهاد کرده است.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Ranking Algorithms for Mapping of Multi-element Geochemical Anomalies at the 1:100,000 Scale Sechangi Sheet in the Southern Khorasan Province

نویسنده [English]

  • H. Geranian
Assistant Professor, Dept. of Mining Engineering, Birjand University of Technology, Birjand, Iran
چکیده [English]

The integration of exploration layers can be used to determine the multi-element geochemical anomalies that represent areas with mineralization potentiality. This is especially true for the combination of geochemical data. This paper aims to introduce ranking algorithms as an alternative to statistical data mining and multi-criteria decision-making methods for integrating exploration data. For this purpose, 362 stream sediment samples were used from Sechangi map sheet of South Khorasan Province. Each sample was analyzed for 23 elements. The implementation of six ranking algorithms including CA, MA, VSA, PA, LA, and CAA on the dataset shows that the obtained mineralization zones have overlapping and almost similar locations. These zones are located on tuff, andesitic, rhyolitic, and quaternary sedimentary rock units. Quantitative comparisons such as permutation and robust principal component analysis methods reveal the relative superiority of CA and PA algorithms. This is also the case with qualitative comparisons that deal with comparing the results of the ranking algorithms with geological mapping and mineral indices of the same study area. Combining six maps through weighted averaging suggested two zones. While the first zone has higher mineralization potentiality of about 24 km2, the second zone shows lower mineralization potentiality of approximately 311 km2 for the next exploration phase in the study area.

کلیدواژه‌ها [English]

  • Multi-elements anomaly
  • Ranking samples
  • Characteristic Analysis
  • Mineral potential mapping
  • Sechangi sheet

مراجع

[1] حسنی‌پاک، ع.؛ 1394؛ "طراحی پروژه‌های اکتشافی (ژئوشیمیایی ، ژئوفیزیکی و حفاری)". انتشارات دانشگاه تهران، 479 صفحه.
[2] یوسفی، م.، کامکارروحانی، ا.؛ 1389؛ "اصول روش‌های مدل‌سازی پتانسیل معدنی در محیط سیستم اطلاعات جغرافیایی". جهاد دانشگاهی (دانشگاه صنعتی امیرکبیر)، 226 صفحه.
[3] قدیری صوفی، ا.، یوسفی، م.؛ 1394؛ "ترکیب روشهای فازی داده‌محور و دانش‌محور در مدلسازی پتانسیل معدنی به منظور تولید نواحی اهداف اکتشاف". مجله علوم زمین، شماره 98، ص 11-18.
[4] Awange, J. L., Paláncz, B., Lewis, R. H., and Völgyesi, L. (2018). “Mathematical geosciences; hybrid symbolic-numeric methods”. Springer, pp. 615.
[5] Alvo, M., and Yu, P. L. H. (2014). “Statistical methods for ranking data”. Springer, New York, pp. 276.
[6] Corain, L., Arboretti, R., and Bonnini, S. (2016). “Ranking of Multivariate Populations, A Permutation Approach with Applications”. CRC Press, pp. 330.
[7] Carranza, E. J. M. (2010). “Mapping of anomalies in continuous and discrete fields of stream sediment geochemical landscapes”. Geochemistry: Exploration, Environment, Analysis, 10: 171-187.
[8] Sadeghi, M., Morris, G. A., Carranza, E. J. M., Ladenberger, A., and Andersson, M. (2013). “Rare earth element distribution and mineralization in Sweden: An application of principle component analysis to FOREGS soil geochemistry”. Journal of Geochemical Exploration, 133: 160-175.
[9] Morrison, J. M., Goldhaber, M. B., Ellefsen, K. J., and Mills, C. T. (2011). “Cluster analysis of a regional-scale soil geochemical dataset in northern California”. Applied Geochemistry, 26: 105-107.
[10] Ellefsen, K. J., and Smith, D. B. (2016). “Manual hierarchical clustering of regional geochemical data using a Bayesian finite mixture model”. Applied Geochemistry, 75: 200-210.
[11] Fatehi, M., and Asadi, H. H. (2017). “Application of semi-supervised fuzzy c-means method in clustering multivariate geochemical data, a case study from the Dalli Cu-Au porphyry deposit in central Iran”. Ore Geology Reviews, 81: 245-255.
[12] Templ, M., Filzmoser, P., and Reimann, C. (2008). “Cluster analysis applied to regional geochemical data: Problems and possibilities”. Applied Geochemistry, 23(8): 2198-2213.
[13] قزلباش، ر.، مقصودی، ع.؛ 1397؛ "استفاده از روش ترکیبی TOPSIS-AHP برای مدلسازی پتانسیل کانی‌زایی مس پورفیری در ورقه ورزقان، شمال باختر ایران". مجله علوم زمین، شماره 109، ص 33- 42.
[14] یوسفی، ت.؛ 1397؛ "تلفیق داده‌های زمین‌شناسی، ژئوشیمی و دورسنجی به منظور شناسایی مناطق امید بخش اکتشافی در ورقه 1:100000 دهسلم با استفاده از روش‌های تصمیم گیری چند معیاره در محیط GIS". پایان‌نامه کارشناسی ارشد، دانشگاه بیرجند.
[15] قاسمی، ر.؛ 1397؛ "تولید نقشه‌های پیشگوی اکتشافی بوسیله روش‌های تصمیم‌گیری چندمعیاره مکانی فازی و ارائه مدل عدم قطعیت، مطالعه موردی: ذخایر ماسیوسولفاید بوانات". رساله دکتری، دانشگاه شاهرود.
[16] Abedi, M., Mohammadi, R., Norouzi, G. H., and Mir Mohammadi, M. S. (2016). “A comprehensive VIKOR method for integration of various exploratory data in mineral potential mapping”. Arabian Journal of Geoscience, 9: 482.
[17] Büttcher, S., Clarke, C. L. A., and Cormack, G. V. (2016). “Information Retrieval: Implementing and Evaluating Search Engines (2nd edition)”. MIT, USA, pp. 632.
[18] زارع بیدکی، ع. م.؛ 1388؛ "رتبه‌بندی و خزش مؤثر در وب". رساله دکتری، دانشگاه تهران.
[19] Wu, L., Hsieh, C. J., and Sharpnack, J. (2018). “SQL-Rank: A Listwise Approach to Collaborative Ranking”. Proceedings of the 35th International Conference on Machine Learning, Stockholm, Sweden, PMLR 80.
[20] قنبری، ا.، شاکری، آ.؛ 1394؛ "ارائه الگوریتمی مبتنی بر یادگیری جمعی به منظور یادگیری رتبه‌بندی در بازیابی اطلاعات". فصلنامه فناوری اطلاعات و ارتباطات ایران، شماره 25 و 26، ص 67-86.
[21] Liu, T. Y. (2011). “Learning to Rank for Information Retrieval”. Now Publisher Inc., pp. 285.
[22] Beus, A. A., and Grigorian, S. V. (1977). “Geochemical Exploration Methods for Mineral Deposits”. Published by Applied Publishing Ltd, pp. 276.
[23] Hosseini-Dinani, H., Aftabi, A., Esmaeili, A., and Rabbani, M. (2015). “Composite soil-geochemical halos delineating carbonate-hosted zinc–lead– barium mineralization in the Irankuh district, Isfahan, west-central Iran”. Journal of Geochemical Exploration, 156: 114-130.
[24] Singh, J. N., and Dwivedi, S. K. (2012). “Analysis of Vector Space Model in Information Retrieval”. National Conference on Communication Technologies & its impact on Next Generation Computing CTNGC 2012.
[25] Larsen, J., Szymkowiak, A., and Hansen, L. K. (2001). “Probabilistic Hierarchical Clustering with Labeled and Unlabeled Data”. International Journal of Knowledge-Based Intelligent Engineering Systems, 6: 56-62.
[26] Brauer, S. (2014). “A Probabilistic Expectation Maximization Algorithm for Multivariate Laplacian Mixtures”. MS Thesis of Paderborn University, pp. 78.
[27] Botbol, J. M. (1971). “An application of characteristic analysis to mineral exploration: Proe. 9th Syra. on Techniques for Decision-Making in the Mineral Industry”. Canadian Inst. of Mineral and Metallurgy, Montreal, Canada, Special 12: 92-99.
[28] Pan, G., and Harris, D. P. (1992). “Decomposed and weighted characteristic analysis for the quantitative estimation of mineral resources”. Mathematical Geology, 24(7): 807-823.
[29] Bridges, N. J., Hanley, J. T., and McCammon, R. B. (1985). “PREPRO: A Computer program for encoding regional exploration data for use in characteristic analysis”. Mathematical Geology, 11(5): 513-519.
[30] Malekzadeh Shafaroudi, A., and Karimpour, M. H. (2015). “Mineralogic, fluid inclusion, and sulfur isotope evidence for the genesis of Sechangi lead–zinc (–copper) deposit, Eastern Iran”. Journal of African Earth Sciences, 107: 1-14.
[31] Asadi, S., and Kolahdani, S. (2014). “Tectono-magmatic evolution of the Lut block, eastern Iran: A model for spatial localization of porphyry Cu mineralization”. Journal of Novel Applied Sciences, 3: 1058-1069.
[32] Esmaeily, D., Bouchez, J. L., and Siqueira, R. (2007). “Magnetic fabrics and microstructures of the Jurassic Shah-Kuh granite pluton (Lut Block, Eastern Iran) and geodynamic inference”. Tectonophysics 439: 149-170.
[33] Mahmoudi, S., Masoudi, F., Corfu, F., and Mehrabi, B. (2010). “Magmatic and metamorphic history of the Deh-Salm metamorphic Complex, Eastern Lut block, (Eastern Iran), from U–Pb geochronology”. Intonational Journal of Earth Science. 99: 1153-1165.
[34] Mazhari, S. A., and Safari, M. (2013). “High-K Calc-alkaline Plutonism in Zouzan, NE of Lut Block, Eastern Iran: An Evidence for Arc Related Magmatism in Cenozoic”. Journal Geological Society of India, 81: 698-708.
[35] Alavi, M. (1996). “Tectonostratigraphy synthesis and structural style of the Alborz Mountain system in northern Iran”. Journal of Geodynamics, 21: 1-33.
[36] Malekzadeh Shafaroudi, A., and Karimpour, M. H. (2013). “Hydrothermal alteration mapping in northern Khur, Iran, using ASTER image processing: a new insight to the type of copper mineralization”. Acta Geological Sinica, 87(3): 830-842.
[37] Filzmoser, P., Hron, K., Reimann, C., and Garrett, R. (2009). “Robust factor analysis for compositional data”. Computers & Geosciences, 35: 1854-1861.
[38] Filzmoser, P., Hron, K., and Reimann, C. (2009). “Principal component analysis for compositional data with outliers”. Environmetrics, 20: 621-632.
[39] Zhou, S., Zhou, K., Wang, J., Yang, G., and Wang, S. (2017). “Application of cluster analysis to geochemical compositional data for identifying ore-related geochemical anomalies”. Frontiers of Earth Science, 12(3): 491-505.
[40] Karimi, H., and Rezaeinia, A. (2011). “Adjusted permutation method for multiple attribute decision making with meta-heuristic solution approaches”. International Journal of Industrial Engineering Computations, 2: 369-384.
[41] Turskis, Z. (2008). “Multi-attribute contractors ranking method by applying ordering of feasible alternatives of solutions in terms of preferability technique”. Technological and Economic Development, 14: 224-239.
[42] یوسف‌زاده، م. ح.؛ 1392؛ "پتروگرافی سنگ‌های آتشفشانی ترشیری منطقه خور- سه‌چنگی (غرب خوسف، استان خراسان جنوبی) با نگرشی بر پرلیت‌زایی". ششمین همایش انجمن زمین‌شناسی اقتصادی ایران، دانشگاه سیستان و بلوچستان.
[43] روحبخش، پ.، کریم‌پور، م. ح.، ملک‌زاده شفارودی، آ.؛ 1394؛ "بررسی سنگ‌نگاری، کانی‌شناسی منطقه‌های دگرسانی و ژئوشیمی منطقه کانی‌سازی مس- طلای سرچاه، شرق ایران". مجله بلورشناسی و کانی‌شناسی ایران، سال بیست و سوم، شماره چهارم، ص 775-788.
[44] Yousefi, M., and Carranza, E. J. M. (2015). “Prediction–area (P–A) plot and C–A fractal analysis to classify and evaluate evidential maps for mineral prospectivity modeling”. Computers & Geosciences, 79: 69-81.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 26 آذر 1398
  • تاریخ بازنگری: 05 تیر 1399
  • تاریخ پذیرش: 04 مهر 1399

هم رسانی

ارجاع به این مقاله

آمار