توصيفگر ها :
پتانسيل يابي مواد معدني , آهنگران , ماشين بردار پشتيبان , يادگيري نيمه نظارتي خود آموز , حوضه آبريز واقعي نمونه
چكيده فارسي :
منطقه آهنگران از مناطقي است كه داراي پتانسيل براي انواع ذخاير كروم، مس، طلا و ... است، كه در استان خراسان جنوبي و در 100 كيلومتري شمال بيرجند واقع شده‌است؛ با اين حال مطالعات زيادي براي تعيين نواحي اميد بخش در اين قسمت انجام نشده است؛ از اينرو اين منطقه به عنوان منطقه مورد مطالعه جهت پتانسيل‌يابي مواد معدني نظير طلا و مس انتخاب شد. در اين نوشتار از الگوريتم نظارت شده و نيمه نظارتي خودآموز ماشين بردار پشتيبان با استفاده از تابع كرنل پايه شعاعي استفاده شد. به منظور تعيين بهينه پارامترهاي الگوريتم از اعتبارسنجي متقابل k-fold با 5= k استفاده شد و مقادير بهينه پارامتر كنترل كننده حاشيه C براي طبقه بندي كننده جهت آموزش نيمه نظارتي و نظارت شده به ترتيب برابر 6/0 و 2/0 بود و مقدار گاما(پارامتر كرنل پايه شعاعي) نيز به ترتيب برابر 1/0و 01/0 برآورد شد. مقادير بهينه پارامترهاي مربوط به طبقه بندي كننده چند كلاسه براي آموزش نيمه نظارتي برابر 6/0 = C و برابر 015/0 و براي آموزش نظارت شده اين مقادير به ترتيب برابر 3/0 و 001/0 بدست آمد. پس از آماده‌سازي لايه هاي ژئوشيمي با استفاده از روش حوضه آبريز واقعي نمونه، ليتولوژي و چگالي گسل‌هاي منطقه، كليه لايه ها به داده رستري با اندازه پيكسل 75 متر تبديل شد، سپس اين لايه‌هاي رستري براي انجام محاسبات و آموزش الگوريتم‌هاي ماشين بردار پشتيبان نظارت شده و الگوريتم نيمه نظارتي خودآموز ماشين بردار پشتيبان با تابع كرنل تابع پايه شعاعي، به لايه‌هاي وكتوري تبديل شدند؛ با استفاده از موقعيت مكاني انديس‌هاي مس شناخته شده در منطقه، داده‌هاي برچسب‌دار به تعداد 124 عدد تعيين شد كه از اين تعداد 70 درصد معادل 87 عدد به عنوان داده آموزش و 37 عدد به عنوان داده تست به صورت تصادفي انتخاب و مورد استفاده قرار گرفت. همچنين به منظور آموزش الگوريتم نيمه نظارتي خودآموز 10000 داده بدون برچسب به صورت تصادفي از بين داده‌هاي كلي استخراج و به همراه داده‌هاي آموزش مورد استفاده قرارگرفت. نتايج بدست‌آمده از ماتريس درهم ريختگي حاصل از اجراي الگوريتم بر روي داده‌هاي تست، برتري روش آموزش نيمه نظارتي خودآموز در حالت دو كلاسه(دقت 100 در برابر 97 درصد)، را نشان مي‌دهد در حاليكه براي طبقه بندي چند كلاسه با استفاده از اين دو روش آموزش، نتايج حاصل مشابه بوده و اختلافي ندارد. همپوشاني مدل‌هاي حاصل با معيارهاي اكتشافي نظير واحدهاي ليتولوژي مرتبط با هريك از تيپ‌هاي كاني‌سازي مس و به موازات گسل‌هاي اصلي امتداد لغز نشان از مطلوبيت و كارايي مدل‌هاست.
چكيده انگليسي :
Ahangaran region is one of the regions that has the potential for various reserves of chromium, copper, gold etc. which is located in South Khorasan province, 100 km north of Birjand. However, not many studies have been done to determine prospecting areas in this area; Therefore, this area was selected as the study area. In this paper, the supervised and semi-supervised tutorial algorithm of the support vector machine using the radial basis function kernel was used. In order to determine the optimal parameters of the algorithm, k-fold cross-validation with k = 5 was used and the optimal values of the C-margin controlling parameter for the classifier for semi-supervised and supervised training were 0.6 and 0.2, respectively. Gamma (radial base kernel parameter) was also estimated to be 0.1 and 0.01, respectively. The optimal values of the parameters related to the multi-class classifier for semi-regulatory training were equal to C = 0.6 and γ equal to 0.015 and for supervised training these values were equal to 0.3 and 0.001, respectively. After preparing the layers of geochemistry, lithology and density of faults in the area, all layers were converted to raster data with a pixel size of 75 meters, then these raster layers were monitored for calculations and training of backup vector algorithms and semi-automatic backup machine tutorial algorithm. With the kernel function, the radial basis function became vector layers; Using the location of known copper indices in the region, 124 tagged data were determined, of which 70%, equivalent to 87 as training data and 37 as test data were randomly selected and used. Also, in order to teach the semi-tutorial algorithm, 10,000 unlabeled data were randomly extracted from the general data and used along with the training data. The results obtained from the clutter matrix resulting from the implementation of the algorithm on the test data show the superiority of the semi-regulatory tutorial method in the two-class mode (100 vs. 97% accuracy), while for multi-class classification using these two methods. Training, the results are the same and there is no difference. The overlap of the obtained models with exploratory criteria such as lithology units related to each type of copper mineralization and parallel to the main faults along the strike-slip shows the desirability and efficiency of the models.
