مدل‌ سازی پتانسیل کانی سازی مس و طلای پورفیری با به‌ کارگیری روش یادگیری نیمه‌ نظارتی در پهنه اکتشافی دهسلم، شرق ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

• مجید کیخای حسین پور ¹
• امیرحسین کوهساری ¹
• امین حسین مرشدی ¹
• آلوک پروال ²

¹ گروه مهندسی اکتشاف معدن، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد، یزد، ایران

² مرکز مطالعات مهندسی منابع، مرکز تکنولوژی بمبئی هند، بمبئی، هندوستان

10.22067/econg.v13i1.81382

چکیده

شناسایی نواحی امیدبخش معدنی در اکتشافات ناحیه ­ای برای برنامه­ ریزی عملیات اکتشاف تفصیلی با به‌کارگیری و تحلیل داده ­های اکتشافی موجود در قالب مدل‌سازی پتانسیل معدنی توسعه‌یافته است. در این پژوهش، برای مدل‌سازی پتانسیل مس و طلای پورفیری در پهنه اکتشافی دهسلم واقع‌ در جنوب بلوک لوت، شرق ایران، از روش یادگیری ماشین بردار پشتیبان نیمه‌نظارتی استفاده‌شده است. روش­های یادگیری نیمه‌نظارتی در مرحله یادگیری، از داده­ های برچسب ­دار و بدون برچسب اکتشافی در الگوریتم محاسباتی خود بهره می­ برند. در این مقاله، با به‌کارگیری الگوریتم ماشین بردار پشتیبان نیمه‌‌نظارتی بر روی داده­ های اکتشافی منطقه دهسلم شامل داده ­های زمین­ شناسی (سنگ‌شناسی و ساختاری)، ژئوشیمی رسوبات آبراهه­ ای، تصاویر ماهواره­ای و مغناطیس هوابرد، مناطق هدف اکتشافی مس و طلای پورفیری شناسایی شد. در ادامه، نتیجه به‌کارگیری این مدل با خروجی روش ماشین بردار پشتیبان در حالت نظارت‌شده مقایسه و ارزیابی عملکرد مدل­ های تولیدشده با استفاده از نمودارهای منحنی مشخصه عملکرد سیستم و میزان تغییرات پیش­ بینی-مساحت بهبودیافته، بررسی شد. بر این اساس، مدل پتانسیل نیمه­ نظارتی عملکرد بهتری را در شناسایی اهداف اکتشافی مس و طلای پورفیری داشته است. نواحی اهداف پتانسیل شناسایی‌شده در مدل نیمه­ نظارتی، تمامی اندیس­ های معدنی شناخته‌شده در منطقه مورد بررسی را در 2/9 درصد از مساحت ناحیه مورد بررسی، به ­درستی پیش­ بینی کرده است. اهداف اکتشافی معرفی‌شده، اغلب هم‌راستا با روند گسل­ های اصلی منطقه، در راستای شمال‌غربی- جنوب‌شرقی و مرتبط با واحدهای ولکانیک نظیر ریولیت، آندزیت، داسیت و ریوداسیت هستند. نتیجه حاصل از این پژوهش نشان ­دهنده برتری روش یادگیری نیمه ­نظارتی در شناسایی نواحی هدف معدنی برای برنامه ­ریزی عملیات تفصیلی اکتشافی است.

کلیدواژه‌ها

• مدل‌سازی پتانسیل معدنی
• مس و طلای پورفیری
• یادگیری نیمه‌نظارتی
• ماشین بردار پشتیبان
• دهسلم

20.1001.1.20087306.1400.13.1.8.2

---

مراجع

Abedi, M., Norouzi, G.H. and Bahroudi, A., 2012. Support vector machine for multi-classification of mineral prospectivity areas. Computers & Geosciences, 46: 272–283.  https://doi.org/10.1016/j.cageo.2011.12.014

Abedi, M., Norouzi, G.H. and Torabi, S.A., 2013. Clustering of mineral prospectivity area as an unsupervised classification approach to explore copper deposit. Arabian Journal of Geosciences, 6(10): 3601–3613. https://doi.org/10.1007/s12517-012-0615-5

Afzal, P., Yusefi, M., Mirzaie, M., Ghadiri-Sufi, E., Ghasemzadeh, S. and Daneshvar Saein, L., 2019. Delineation of podiform-type chromite mineralization using geochemical mineralization prospectivity index and staged factor analysis in Balvard area (SE Iran). Journal of Mining and Environment, 10(3): 705–715. https://doi.org/10.22044/JME.2019.8107.1678

Akrami, M.A. and Naderi Mighan, N., 2005. Geological map of Dehsalm (1:100,000). Geological Survey of Iran.

Beydokhti, R.M., Karimpour, M.H., Mazaheri, S.A., Santos, J.F. and Klötzli, U., 2015. U-Pb zircon geochronology, Sr-Nd geochemistry, petrogenesis and tectonic setting of Mahoor granitoid rocks (Lut Block, Eastern Iran). Journal of Asian Earth Sciences, 111: 192–205. https://doi.org/10.1016/j.jseaes.2015.07.028

Carranza, E.J.M., 2008. Geochemical anomaly and mineral prospectivity mapping in GIS. Elsevier, Amsterdam, 365 pp.

Carranza, E.J.M. and Hale, M., 2002. Where porphyry copper deposits are spatially localized? A case study in Benguet province, Philippines. Natural Resources Research, 11(1): 45–59. https://doi.org/10.1023/A:1014287720379

Carranza, E.J.M. and Laborte, A.G., 2015. Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines). Computers & Geosciences, 74: 60–70. https://doi.org/10.1016/j.cageo.2014.10.004

Chen, Y., 2015. Mineral potential mapping with a restricted Boltzmann machine. Ore Geology Reviews, 71: 749–760. https://doi.org/10.1016/j.oregeorev.2014.08.012

Chen, Y. and Wu, W., 2016. A prospecting cost-benefit strategy for mineral potential mapping based on ROC curve analysis. Ore Geology Reviews, 74: 26–38. https://doi.org/10.1016/j.oregeorev.2015.11.011

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

Clark, D.A., 2014. Magnetic effects of hydrothermal alteration in porphyry copper and iron-oxide copper–gold systems: a review. Tectonophysics, 624–625: 46–65. https://doi.org/10.1016/j.tecto.2013.12.011

Fatehi, M. and Asadi, H.H., 2017. Data integration modeling applied to drill hole planning through semi-supervised learning: A case study from the Dalli Cu-Au porphyry deposit in the central Iran. Journal of African Earth Sciences, 128: 147–160. https://doi.org/10.1016/j.jafrearsci.2016.09.007

Geranian, H., Tabatabaei, S.H., Asadi, H.H. and Carranza, E.J.M., 2016. Application of discriminant analysis and support vector machine in mapping gold potential areas for further drilling in the Sari-Gunay gold deposit, NW Iran. Natural Resources Research, 25(2): 145–159. https://doi.org/10.1007/s11053-015-9271-2

Hengl, T., 2006. Finding the right pixel size. Computers & geosciences, 32(9): 1283–1298. https://doi.org/10.1016/j.cageo.2005.11.008

John, D.A., Ayuso, R.A., Barton, M.D., Blakely, R.J., Bodnar, R.J., Dilles, J.H., Gray, F., Graybeal, F.T., Mars, J.C., McPhee, D.K. and Seal, R.R., 2010. Porphyry copper deposit model. US Geological Survey Scientific Investigations, Reston, Report 2010–5070–B, 169 pp. https://doi.org/10.3133/sir20105070B

Karimpour, M., Stern, C., Farmer, L. and Saadat, S., 2011. Review of age, Rb-Sr geochemistry and petrogenesis of Jurassic to Quaternary igneous rocks in Lut Block, Eastern Iran. Geopersia, 1(1): 19–54. https://doi.org/10.22059/JGEOPE.2011.22162

Keykha Hoseinpoor, M. and Aryafar, A., 2014. The use of robust factor analysis of compositional geochemical data for the recognition of the target area in Khusf 1: 100000 sheet, South Khorasan, Iran. International Journal of Mining and Geo-Engineering, 48(2): 191–199. https://doi.org/10.22059/IJMGE.2014.53107

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 Geologica Sinica‐English Edition, 87(3): 830–842. https://doi.org/10.1111/1755-6724.12092

Malekzadeh Shafaroudi, A., Karimpour, M.H. and Stern, C.R., 2015. The Khopik porphyry copper prospect, Lut Block, Eastern Iran: geology, alteration and mineralization, fluid inclusion, and oxygen isotope studies. Ore Geology Reviews, 65(Part2): 522–544. https://doi.org/10.1016/j.oregeorev.2014.04.015

McCuaig, T.C., Beresford, S. and Hronsky, J., 2010. Translating the mineral systems approach into an effective exploration targeting system. Ore Geology Reviews, 38(3): 128–138. https://doi.org/10.1016/j.oregeorev.2010.05.008

Ostadhosseini, A., Barati, M., Afzal, P. and Lee, I., 2018. Prospecting polymetallic mineralization in Ardestan area, Central Iran, using fractal modeling and staged factor analysis. Geopersia, 8(2): 279–292. https://doi.org/10.22059/GEOPE.2018.254848.648376

Parsa, M., Maghsoudi, A., Yousefi, M. and Sadeghi, M., 2016. Prospectivity modeling of porphyry-Cu deposits by identification and integration of efficient mono-elemental geochemical signatures. Journal of African Earth Sciences, 114: 228–241. https://doi.org/10.1016/j.jafrearsci.2015.12.007

Porwal, A. and Carranza, E.J.M., 2015. Introduction to the Special Issue: GIS-based mineral potential modelling and geological data analyses for mineral exploration. Ore Geology Reviews, 71: 477–483. https://doi.org/10.1016/j.oregeorev.2015.04.017

Porwal, A., Carranza, E.J.M. and Hale, M., 2003. Artificial neural networks for mineral-potential mapping: a case study from Aravalli Province, Western India. Natural resources research, 12(3): 155–171. https://doi.org/10.1023/A:1025171803637

Rodriguez-Galiano, V.F., Chica-Olmo, M. and Chica-Rivas, M., 2014. Predictive modelling of gold potential with the integration of multisource information based on random forest: a case study on the Rodalquilar area, Southern Spain. International Journal of Geographical Information Science, 28(7): 1336–1354. https://doi.org/10.1080/13658816.2014.885527

Roshanravan, B., Aghajani, H., Yousefi, M. and Kreuzer, O., 2019. An improved prediction-area plot for prospectivity analysis of mineral deposits. Natural Resources Research, 28(3): 1089–1105. https://doi.org/10.1007/s11053-018-9439-7

Rotiroti, M., Di Mauro, B., Fumagalli, L. and Bonomi, T., 2015. COMPSEC, a new tool to derive natural background levels by the component separation approach: application in two different hydrogeological contexts in northern Italy. Journal of Geochemical Exploration, 158: 44–54. https://doi.org/10.1016/j.gexplo.2015.06.017

Shabankareh, M. and Hezarkhani, A., 2017. Application of support vector machines for copper potential mapping in Kerman region, Iran. Journal of African Earth Sciences, 128: 116–126. https://doi.org/10.1016/j.jafrearsci.2016.11.032

Shahsavar, S., Rad, A.J., Afzal, P., Nezafati, N. and Aghdam, M.A., 2019. Prospecting for polymetallic mineralization using step-wise weight assessment ratio analysis (SWARA) and fractal modeling in Aghkand Area, NW Iran. Arabian Journal of Geosciences, 12(7): 248–258. https://doi.org/10.1007/s12517-019-4304-5

Sillitoe, R.H., 1972. A plate tectonic model for the origin of porphyry copper deposits. Economic geology, 67(2): 184-197. https://doi.org/10.2113/gsecongeo.67.2.184

Sillitoe, R.H., 2000. Gold-rich porphyry deposits: descriptive and genetic models and their role in exploration and discovery. In: S.G. Hagemann and P.‌E. Brown (Editors), Gold in 2000. Society of Economic Geologists, Colorado, pp. 315–345. https://doi.org/10.5382/Rev.13.09

Sillitoe, R.H., 2010. Porphyry copper systems. Economic geology, 105(1): 3–41. https://doi.org/10.2113/gsecongeo.105.1.3

Wang, J., Zuo, R. and Xiong, Y., 2020. Mapping mineral prospectivity via semi-supervised random forest. Natural Resources Research, 29(1): 189–202. https://doi.org/10.1007/s11053-019-09510-8

Whitney, D.L. and Evans, B.W., 2010. Abbreviations for names of rock-forming minerals. American Mineralogist, 95(1): 185–187. https://doi.org/10.2138/am.2010.3371

Yousefi, M. and Carranza, E.J.M., 2015a. Fuzzification of continuous-value spatial evidence for mineral prospectivity mapping. Computers & Geosciences, 74: 97–109. https://doi.org/10.1016/j.cageo.2014.10.014

Yousefi, M. and Carranza, E.J.M., 2015b. 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. https://doi.org/10.1016/j.cageo.2015.03.007

Yousefi, M. and Carranza, E.J.M., 2016. Data-driven index overlay and Boolean logic mineral prospectivity modeling in greenfields exploration. Natural Resources Research, 25(1): 3–18. https://doi.org/10.1007/s11053-014-9261-9

Yousefi, M. and Nykänen, V., 2017. Introduction to the special issue: GIS-based mineral potential targeting. Journal of African Earth Sciences,  128: 1–4. https://doi.org/10.1016/j.jafrearsci.2017.02.023

Zuo, R. and Carranza, E.J.M., 2011. Support vector machine: a tool for mapping mineral prospectivity. Computers & Geosciences, 37(12): 1967–1975. https://doi.org/10.1016/j.cageo.2010.09.014