توصيفگر ها :
اهر , آناليز مولفه اصلي وزن دار مكاني , رسوبات آبراهه‌اي , وزن دهي مكاني , اكتشافات ژئوشيميايي
چكيده فارسي :
آنومالي‌هاي مرتبط با كاني سازي و جدايش آن‌ها از مقدار زمينه از اهميت بالايي در اكتشافات ژئوشيميايي برخوردار مي‌باشد. همچنين در صورت بروز خطا و يا استفاده از روش‌هايي با دقت و صحت پايين در مرحله اكتشافات اوليه، هزينه‌هايي سنگيني به پروژه تحميل شده و موجب هدر رفت زمان خواهد شد. از اين رو همواره به كار گيري روشي مناسب و كارآمد براي شناسايي و جدايش آنومالي‌ها از زمينه چالش مهمي در بخش اكتشاف به همراه داشته است. در گذشته از روش‌هاي تحليل آماري تك متغيره –روش‌هاي كلاسيك- كه شامل روش‌هايي مانند ميانگين به علاوه دو برابر انحراف معيار بودند، استفاده مي‌شد. روش‌هاي آماري تك متغيره شامل ايراداتي از قبيل در نظر نگرفتن طبيعت فركتالي زمين و عوامل مختلف كنترل كننده كاني سازي بودند و به همين جهت تكنيك‌هاي تحليل آماري دو متغيره و چند متغيره براي رفع اين ايرادات مورد استفاده قرار گرفته است. به علاوه در كنار روش‌هاي تحليل آماري چند متغيره مي‌توان از تكنيك‌هايي مانند وزن دهي مكاني بر اساس عوامل مختلف كنترل كننده كاني سازي براي تقويت عملكرد روش‌هاي چند متغيره استفاده نمود. در اين پژوهش سعي بر اين بوده است كه با به كارگيري تكنيك وزن دهي مكاني، آناليز مؤلفه‌هاي اصلي وزن دار مكاني بر روي داده‌ها اعمال شود. هدف از به كارگيري تكنيك وزن دهي مكاني بهبود عملكرد آناليز مؤلفه اصلي و جدايش آنومالي‌هاي ضعيف و پنهان از مقدار زمينه و بدين ترتيب ضمن صرفه جويي در وقت و هزينه، نتايج قابل قبولي ارائه گردد. براي اين منظور آناليز مؤلفه اصلي و همچنين آناليز مؤلفه اصلي وزن دار مكاني بر روي داده‌هاي موجود اعمال گرديد و نتايج حاصل با يكديگر مقايسه شدند. محدوده مورد مطالعه واقع در شمال غرب ايران، برگه 1:100000 اهر، انتخاب شد كه بر روي كمربند اروميه-دختر واقع شده است و از اين رو منطقه مستعدي براي كاني سازي‌هاي مس پورفيري و طلا به حساب مي‌آيد. داده‌هاي مورد استفاده در اين مطالعه شامل داده‌هاي رسوبات آبراهه‌اي برگه 1:100000 اهر، نقشه رقومي ارتفاعي (DEM) و همچنين لايه‌هاي اطلاعاتي زمين شناسي و ساختاري منطقه مي‌باشد.
در ابتدا به كمك نمونه‌هاي رسوبات آبراهه‌اي و همچنين نقشه رقومي ارتفاعي منطقه، آبراهه‌ها و حوضه‌هاي آبريز محدوده مورد مطالعه در نرم افزار GIS ترسيم شدند. آناليز مؤلفه‌هاي اصلي بر روي داده‌ها اعمال و با بررسي همبستگي بين مؤلفه‌هاي اصلي و متغيرهاي اوليه و همچنين نمودار نرخ پيش بيني-مساحت، مشخص گرديد كه مؤلفه‌ي سوم با شناسايي 77 درصد از كانسارهاي شناخته شده در 23 درصد از مساحت محدوده مورد مطالعه بالاترين عملكرد را ارائه داده است. در ادامه از ميان عوامل مختلف كنترل كننده كاني سازي مانند واحدهاي زمين شناسي، سيستم گسلي، توده‌هاي نفوذي، دگرساني‌ها و ...، توده‌هاي نفوذي و سيستم گسلي منطقه به عنوان دو عامل كنترل كننده كاني سازي انتخاب شدند و دو فاكتور وزن دهي بر اساس فاصله از مرز توده‌هاي نفوذي و فاصله از سيستم گسلي تعيين گرديد. با مقايسه جداول همبستگي به دست آمده از داده‌هاي اوليه و داده‌هاي وزن دار مشخص گرديد كه فاكتور وزن دهي مكاني بدست آمده بر اساس فاصله از مرز توده‌هاي نفوذي عملكرد بهتري نسبت به فاكتور وزن دهي بدست آمده بر اساس فاصله از سيستم گسلي ارائه مي‌دهد. در نهايت با اعمال فاكتورهاي وزن دهي مكاني، آناليز مؤلفه اصلي وزن دار مكاني بر روي داده‌ها اعمال شده و نتايج حاصل با آناليز مؤلفه اصلي مقايسه شد. در حالت وزن دار نيز مؤلفه‌ي سوم با داشتن همبستگي بالا با عناصر، بهترين عملكرد را ارائه داد. طبق مقايسه بين نتايج به دست آمده، مؤلفه‌ي سوم آناليز مؤلفه‌ي اصلي وزن دار مكاني در 16 درصد از مساحت محدوده مورد مطالعه 84 درصد از كانسارهاي شناخته شده را نشان داده است كه بيانگر افزايش 7 درصدي نمايش كانسارهاي شناخته شده و كاهش 7 درصدي مساحت مورد مطالعه نسبت به مؤلفه‌ي سوم آناليز مؤلفه‌ي اصلي مي‌باشد. به طور كلي برتري آناليز مؤلفه اصلي وزن دار مكاني نسبت به آناليز مؤلفه اصلي قابل مشاهده است.
چكيده انگليسي :
Anomalies related to mineralization and their separation from the background are of great importance in geochemical discoveries. Also, in the case of an error occurance or application of methods with low precision and accuracy in the initial discovery stage, heavy costs will be imposed on the project and it will cause a waste of time. Therefore, applying a suitable and efficient method to identify and separate anomalies from the background has always been an important challenge in the exploration. In the past, univariate statistical analysis methods - classical methods - were used, which included methods such as the mean plus two standard deviations. Univariate statistical methods included disadvantages such as ignoring the fractal nature of the earth and various factors controlling mineralization, and for this reason, bivariate and multivariate statistical analysis techniques have been used to solve these disadvantages. In addition, along with multivariate statistical analysis methods, techniques such as spatial weighting based on various mineralization controlling factors can be used to strengthen the performance of multivariate methods. In this research, an attempt has been made to apply spatially weighted principal component analysis to the data by applying spatial weighting technique. The purpose of applying the spatial weighting technique is to improve the performance of principal component analysis and to separate weak and hidden anomalies from the background value, to provide acceptable results while saving time and money. For this purpose, principal component analysis and spatially weighted principal component analysis were applied to the available data, and the results were compared with each other. Ahar 1:100000 sheet was chosen as the study area, which is in the northwest of Iran and located on the Urmia-Dokhtar belt, and hence it is considered a potential area for porphyry copper and gold mineralization. The data used in this study includes the 1:100,000 Ahar sheet stream sediment data, digital elevation map (DEM), and the region's geological and structural information layers.
Firstly, streams and the watersheds of the region were drawn in GIS using the stream sediment data and digital elevation map. Principal component analysis was applied to the data and by examining the correlation between the principal components and the initial variables as well as the prediction rate-area diagram, it was determined that the third component had the highest performance by identifying 77% of the known deposits in 23% of the studied area. As it follows, among various mineralization controlling factors such as geological units, fault system, intrusive contacts, alterations, etc., intrusive contacts and fault system of the region were selected as two mineralization controlling factors and two weighting factors based on the distance from the intrusive contacts and the distance from the fault system were determined. By comparing the correlation tables obtained from the primary data and the weighted data, it was found that the spatial weighting factor based on the distance from the boundary of intrusive contacts provides better performance than the weighting factor based on the distance from the fault system. Finally, by applying spatial weighting factors, spatially weighted principal component analysis was applied to the data, and the results were compared with principal component analysis. In the weighted form, the third component provided the best performance with a high correlation with the elements.
