مدلسازی پتانسیل معدنی با به ‌کارگیری شبکه خودرمزنگار عمیق در پهنه اکتشافی دهسلم، شرق ایران

شناسایی نواحی مستعد مرتبط با کانی سازی و تلفیق مجموعه داده های چندمنبعی اکتشافی در مدلسازی پتانسیل معدنی ضروری است. در این پژوهش، از روش تحلیل داده های حجیم و یک الگوریتم یادگیری عمیق بدون ناظر، جهت شناسایی اهداف اکتشافی مرتبط با کانی سازی مس - طلای پورفیری در پهنه اکتشافی دهسلم، شرق ایران استفاده شده است. بر اساس شرایط زمین شناسی و تشکیل این تیپ کانی سازی، در این پژوهش 32 متغیر ورودی، شامل داده های زمین شناسی (لیتولوژی و ساختاری)، سنجش از دور (دگرسانی های آرژیلیک و اکسید آهن)، آنالیز 27 عنصر ژئوشیمی رسوبات آبراهه ای و نقشه برگردان به قطب مغناطیس هوابرد جهت مدلسازی اکتشافی مس و طلای پورفیری با به کارگیری الگوریتم شبکه خودرمزنگار عمیق، استفاده و نتایج حاصل با خروجی مدل میانگین هندسی مقایسه گردید. ارزیابی عملکرد مدل های پتانسیل معدنی تولیدشده با استفاده از نمودار آهنگ پیش بینی مساحت بهبودیافته بررسی شد. نتایج حاصل از این پژوهش نشان دهنده عملکرد مناسب مدل تولیدشده به روش خودرمزنگار عمیق، در شناسایی اهداف اکتشاف جهت برنامه ریزی فعالیت‌های اکتشافی تفصیلی است. خروجی مدل تولید شده منجر به شناسایی اهداف اکتشافی جدیدی در قسمت های شرق، شمال، غرب و جنوب غرب منطقه مورد مطالعه شده است. نتیجه این پژوهش، نشان دهنده پتانسیل روش های مبتنی برتحلیل داده‌های حجیم و یادگیری عمیق در مدلسازی پتانسیل معدنی است.

Mineral Potential Modeling Using Deep Learning AutoEncoder Network in the Dehsalm District, Eastern Iran

SummaryIdentification of promising areas associated with mineralization and integration of exploratory multiresource datasets are essential in mineral potential modeling. In this research, big data analysis method and an unsupervised deep autoencoder network algorithm were used to identify the exploratory targets areas associated with porphyry coppergold mineralization in the Dehsalm strict of Iran. The results show that the identified exploratory target areas have strong spatial relationships with known mineral indices in the study area. The PredictionArea (P_A) plot analysis shows that the generated model performs well. The result of this study demonstrates that big data analytics supported by deep learning methods is a potential technique to be considered for use in mineral prospectivity mapping. IntroductionNew theories and analytical methods are required for mapping, interpreting and integrating diverse geoinformation to increase the success rate and reduce the costs of mineral exploration. Particularly, as the amounts of highquality data from multiple sources covering a broad range of scales have recently become readily available. The massive collection of earth observation data presents an unprecedented opportunity to apply big data approaches to solving problems in the geosciences.  The significance of applying big data approaches to mineral exploration is not only to generate a variety of anomaly maps using different kinds of big data, but also to identify the statistical and spatial characteristics of distribution, enrichment and depletion of metallogenic elements. The core function of big data analytics is a prediction, making it an ideal approach in mineral potential modeling. Methodology and ApproachesIn this study, big data analytics and a deep autoencoder network were used to learn and mine meaningful patterns from massive amounts of input data for mapping mineral prospectivity in the Dehsalm strict of eastern Iran. This study aims to demonstrate the effectiveness of big data analytics and deep learning methods for mapping mineral prospectivity in this area. Results and ConclusionsThe case study of mapping porphyry CuAu mineralization in the Dehsalm strict of Iran demonstrates the effectiveness of big data analytics and deep learning algorithms for mineral prospectivity mapping. The output of the generated model predicted new exploratory target areas in the north, west and southwest parts of the study area.