توصيفگر ها :
آنومالي‌هاي ژئوشيميايي , منطقه معلمان , تبديلات لگاريتم ريشه‌اي , تحليل مؤلفه‌هاي اصلي , روش‌هاي آماري تك متغيره و چند متغيره , سينگولاريتي , سينگولاريتي - كوانتايل
چكيده فارسي :
شناسايي ناهنجاري‌ها در اكتشافات معدني يكي از وظايف اساسي در استفاده از داده‌هاي ژئوشيميايي است براي اين منظور تكنيك‌هاي آماري سنتي، مانند نمودارهاي احتمال و تجزيه‌وتحليل داده‌هاي اكتشافي، براي ترسيم ناهنجاري‌هاي ژئوشيميايي استفاده شده‌اند. با اين حال، چنين تكنيك‌هاي آماري تنوع مكاني در داده‌هاي ژئوشيميايي را ناديده مي‌گيرند، و بنابراين اثربخشي آن‌ها در الگوهاي ناهنجاري پيچيده داده‌هاي ژئوشيميايي اكتشافي در موقعيت‌هاي پيچيده زمين‌شناسي محدود است. در مقابل، روش‌هاي فركتالي و چندفركتالي، به‌عنوان مثال، غلظت مساحت، محدوده طيف و نگاشت تكينگي كه براي تشخيص ناهنجاري‌هاي ژئوشيميايي استفاده شده‌اند، فراواني و توزيع فضايي داده‌هاي ژئوشيميايي را در نظر مي‌گيرند و بنابراين، براي تشخيص بي‌نظمي در الگوها، براي الگوهاي طبيعي، شناسايي پيچيدگي موقعيت‌هاي ژئوشيميايي، و براي ترسيم الگوهاي ناهنجاري پيچيده داده‌هاي ژئوشيميايي و براي بهبود و نقشه‌برداري الگوهاي ناهنجاري ضعيف مناسب‌تر هستند. نقشه‌برداري تكينگي يك روش چندفركتالي قدرتمند براي تشخيص ناهنجاري‌هاي ژئوشيميايي ضعيف در موقعيت‌هاي پيچيده زمين‌شناسي و الگوهاي ناهنجاري پيچيده است. در اين پايان‌نامه از روش‌هاي آماري تك متغيره و چند متغيره و روش‌هاي مولتي فركتال جهت تحليل و پردازش داده‌هاي ژئوشيميايي رسوب آبراهه‌اي استفاده شده است. در پژوهش حاضر جهت جداسازي آنومالي‌هاي ژئوشيميايي در منطقه معلمان، ابتدا از تبديلات لگاريتم ريشه‌اي جهت باز كردن مشكل بسته بودن داده‌هاي ژئوشيميايي استفاده شد و تحليل خوشه‌اي جهت استخراج عناصر مؤثر در كاني زايي انجام شده است و بر روي عناصر موثر آناليز مولفه‌هاي اصلي انجام شد، سپس نتايج به دست آمده از روش‌هاي PCA، سينگولاريتي معمولي و سينگولاريتي وزن‌دار با هم مقايسه شدند كه روش PCA و روش سينگولاريتي معمولي و وزن‌دار به ترتيب 71/35 ، 78/34 و 21/32 درصد از منطقه مورد مطالعه را اشغال كرده و به ترتيب 65 ، 67 و 70 درصد از كاني سازي شناخته را توانستند پيش‌بيني كنند، روش سينگولاريتي-كوانتايل عملكرد نامناسبي در تعيين آستانه‌هاي موردنظر در اين مطالعه داشت.
چكيده انگليسي :
Identifying anomalies in mineral exploration is one of the fundamental tasks in utilizing geochemical data. Traditional statistical techniques, such as probability plots and exploratory data analysis, have been used to delineate geochemical anomalies. However, these statistical techniques overlook the spatial variability in geochemical data, thereby limiting their effectiveness in complex geochemical anomaly patterns in intricate geological settings. Conversely, fractal and multifractal methods, such as concentration-area, spectrum-area, and singularity mapping, which are employed for detecting geochemical anomalies, take into account the frequency and spatial distribution of geochemical data. Therefore, they are more suitable for detecting irregularities in patterns, identifying the complexity of geochemical settings, mapping complex geochemical anomaly patterns, and enhancing the mapping of weak anomaly patterns. Singularity mapping is a powerful multifractal method for detecting weak geochemical anomalies in complex geological settings and intricate anomaly patterns. In this thesis, univariate and multivariate statistical methods and multifractal methods were utilized to analyze and process geochemical stream sediment data. In the present study, to isolate geochemical anomalies in the Moaleman region, centered logratio transformations were initially employed to resolve the issue of closed data. Cluster analysis was performed to extract elements effective in mineralization, and principal component analysis (PCA) was conducted on the significant elements. The results obtained from PCA, Ordinary singularity, and anisotropic singularity methods were compared. The PCA method and the Ordinary and anisotropic singularity methods occupied 35.71%, 34.78%, and 32.21% of the study area, respectively, and were able to predict 65%, 67%, and 70% of the recognized mineralization, respectively. The singularity-quantile method exhibited poor performance in determining the desired thresholds in this study.
