مقایسه روش‌های تحلیل اکتشافی داده‌ها و انحراف مطلق میانه به منظور شناسایی آنومالی‌های ژئوشیمیایی و مناطق مستعد کانی‌زایی (مطالعه موردی: ناحیه معدنی هنزا، جنوب کمربند فلززایی ارومیه-دختر)

ناحیه هنزا در بخش جنوبی کمربند فلززایی ارومیه دختر واقع در جنوب شرقی ایران است. این ناحیه شامل چندین کانسار مس پورفیری بوده و برای اکتشاف این نوع کانی‌سازی محیط مطلوبی است. برای مطالعات ژئوشیمیایی اکتشافی تعداد 451 نمونه رسوبات آبراهه‌ای از این ناحیه برداشت شده است. هدف شناسایی مناطق کانی‌زایی و استفاده از روشی مطلوب جهت تعیین حد آستانه عناصر است. در این پژوهش حد آستانه عناصر توسط دو روش تحلیل اکتشافی داده‌ها (eda) و انحراف مطلق میانه(mad)  محاسبه شد. در روش eda تخمین آستانه بر اساس انتخاب کلاس‌های ثابت در نمودار جعبه‌ای انجام می‌گیرد و به صورت q3+1.5×(q3q1) تعریف می‌شود. چارک سوم (q3) و چارک اول (q1) به ترتیب معادل 75 و 25 درصد فراوانی هستند. در روش mad تخمین حد آستانه بر اساس میانه و انحراف مطلق میانه انجام می‌گیرد و به ‌صورت میانه+دو برابر انحراف مطلق میانه (median+2×mad) تعریف می‌شود. انحراف مطلق میانه (mad) به ‌عنوان میانه انحرافات مطلق تمامی مقادیر داده‌ای از میانه داده‌ها است. در محدوده مورد مطالعه 6 کانسار شناخته شده مس پورفیری وجود دارد. به‌ منظور مقایسه توانایی دو روش eda و mad در شناسایی نواحی کانی‌سازی شده (منظور شناسایی نواحی کانساری)، نقشه مس و مولیبدن توسط دو روش تهیه شد و فقط سه کانسار با روش eda شناسایی شد، در حالی‌ که توسط روش mad، همه کانسارها شناسایی شدند. همچنین توسط روش mad، هشت محدوده بی‌هنجاری جدید شناسایی گردید که پردازش‌های تصاویر ماهواره‌ای، توزیع فراگیر دگرسانی‌های مرتبط با سیستم‌های پورفیری را در آنها نشان داده است. هیچ یک از مناطق بی‌هنجاری جدید توسط روش eda شناسایی نشدند و مشخص شد این روش برای شناسایی بی هنجاری‌هایی ژئوشیمیایی ناکارآمد است. روش mad، برای شناسایی مناطق بی‌هنجاری مناسب‌تر است به ‌طوری‌که توسط این روش 11 محدوده (سه کانسار و 8 بی‌هنجاری جدید) بیشتر از روش eda شناسایی شده است.

Comparison of Exploratory Data Analysis (EDA) and Median Absolute Deviation (MAD) in order to identify geochemical anomaly and mineralization potential areas (Case Study: Hanza district, southern of Urrmia–Dokhtar metallogenic belt)

SummaryIn this study, two methods of Exploratory Data Analysis (EDA) and Median Absolute Deviation (MAD) are used for determining the threshold. In the EDA technique, outlier values are considered as anomalies and eII is high. In type I error (eI), samples with background values are accepted as anomaly; and in type II error (eII), samples with anomalous values are accepted as background. In fact, EDA method is inefficient for identifying anomalies with low contrast. This paper introduces MAD method to reduce eII for thresholds estimation. IntroductionToday EDA method is commonly used for threshold calculation and anomalies separation. In the EDA method, determination of threshold performs based on selection of fixed classes in box plot and is defined as Q3+1.5×(Q3Q1). The third (Q3) and the first (Q1) quartiles are considered as 75% and 25% frequency, respectively. In the MAD method, estimation of thresholds performs based on median and median absolute deviation (MAD) and is defined as Q2+2×(MAD). Methodology and ApproachesIn order to compare EDA and MAD methods, the dot histogram was used and position of threshold of the two methods was displayed on the histogram. In the study area, there are six known PCDs. In order to compare the ability of EDA and MAD methods in identifying PCDs, copper and molybdenum maps were prepared by the two methods. Remote sensing data was used to demonstrate the importance of the anomaly regions that were identified by MAD. Key minerals of argillic and phyllic alterations were identified by valid remote sensing techniques based on the spectral characteristics. These techniques include Falsecolor composite (FCC) and band ratio (BR) based on Relative Band Depth (RBD). Results and ConclusionsThe threshold of EDA is located in the end tail of dot histogram therefore by this method, just outlier values are identified as anomaly. The threshold of MAD method has a desirable position on the dot histogram. According to the investigation of copper and molybdenum maps, only three PCDs were identified by EDA while by MAD, all PCDs were identified. Also by MAD, eight new anomalous areas were detected. Satellite images processing has shown extensive distribution of hydrothermal alteration associated with porphyry systems in the eight new anomalous areas. These new anomalous areas have not been recognized by EDA and this method is inefficient for identifying geochemical anomalies. The MAD method is more suitable for identifying geochemical anomalous areas. this method detected 11 more areas (three PCDs and 8 new anomaly) than EDA method.