جلال کرمی - دانشجوی دکترای GIS دانشگاه صنعتی خواجه نصیرالدین طوسی

تحلیل متالوژنیک کانی زایی مهمترین مرحله از یک پروسه اکتشافی بحساب می آید. در این میان GIS بعنوان یک تکنولوژی مهم در اکتشافات معدنی، ابزاریست که در مراحل مختلف فرایند اکتشافی مانند مدیریت پایگاه داده ها، ترکیب، نمایش و نهایتا تحلیل داده های مذکور مورد استفاده قرار می گیرد. متاسفانه تحقیقات نسبتا کمی در روش شناسی تحلیلهای متالوژنیک و یا چگونگی استفاده از GIS در تحلیل روند کانیزایی برای فعالتیهای اکتشافی صورت گرفته است. روشهای موجود ترکیب داده ها از برخی محدودیت های قابل توجه برخوردارند. روشهای آماری مانند WOE و CA برای نواحی که بخوبی شناخته شده نیستند و یا اطلاعات اندکی از آنها در دست می باشد، نتایج قابل اطمینانی را ارائه نمی دهند. مدلهای مفهومی و دانش پایه نیز علی رغم اینکه نیازمند دانش اولیه کمی از منطقه می باشند، با این وجود وابسته به نظرات کارشناسی می باشند. شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی و غیر پارامتریک بواسطه قابلیتهای منحصر به فردی از قبیل قابلیت آموزش، پردازش موازی و قابلیت درونیابی بالا و بدون نیاز به دانش اولیه از داده ها، بشکل مناسبتری روابط پیچیده و غیر خطی فرایندکانی زایی را مدل می نمایند. در این مقاله بمنظور تحلیل مدل کانی زایی مس (Cu ) برای برگه 100000/1 طارم، ابتدا اطلاعات مورد نیاز از داده های سنجش از دور، ژئوفیزیک هوایی و زمین شناسی استخراج و سپس فرایند مدلسازی باسه الگوریتم Characteristic Analysis ، Weight of Evidence و Artificial Neural Networks انجام شد. از 26 اندیس معدنی Cu برای آموزش و تست سه روش مذکور استفاده شد. نتایج حاصل از سه روش ANN , CA, WOE مورد تجزیه و تحلیل قرار گرفت. نتایج حاصله حاکی از بهبود قابل ملاحظه روش ANN نسبت به دو روش دیگر است.

سیستم اطلاعات جغرافیایی ، شبکه های عصبی مصنوعی ، الگوریتمهای داده پایه ، تحلیلهای متالوژنیک ، نقشه پتانسل معدنی