کاربرد الگوریتم رتبه‌بندی در تهیه نقشه آنومالی‌های چند عنصری ژئوشیمیایی ورقه 1:100000سه‌چنگی خراسان جنوبی

تلفیق لایه‌های اکتشافی به ویژه ترکیب داده‌های ژئوشیمیایی می‌تواند برای تعیین آنومالی‌های ژئوشیمیایی چند عنصری به کار رود که نشان‌دهنده‌ مناطق دارای پتانسیل کانی‌زایی‌اند. هدف این مقاله معرفی الگوریتم‌های رتبه‌بندی به عنوان روشی دیگر در کنار روش‌های آماری، داده‌کاوی و تصمیم‌گیری چند معیاره برای تلفیق داده‌های اکتشافی است. برای این منظور از 362 نمونه‌ رسوبات آبراهه‌ای در ورقه سه‌چنگی در استان خراسان جنوبی استفاده شده که هر نمونه نیز برای 23 عنصر آنالیز شده است. پیاده کردن شش الگوریتم رتبه‌بندی ca، ma، vsa، pa، la و caa بر روی مجموعه داده‌ها نشان می‌دهد که محدوده‌های مناطق مستعد کانی‌زایی به دست آمده همپوشانی و موقعیت‌های تقریبا مشابه دارند. این محدوده‌ها بر روی واحدهای توف، آندزیتی، ریولیتی و رسوبات کواترنری قرار گرفته‌اند. مقایسه‌های کمی (روش جایگشت و تحلیل مولفه‌های اصلی مقاوم) و کیفی (مقایسه با نقشه‌ی زمین‌شناسی و اندیس‌های معدنی) نشان‌دهنده‌ برتری نسبی الگوریتم‌های ca و pa است. ترکیب شش نقشه به روش میانگین‌گیری وزن‌دار دو ناحیه یکی محدوده‌ای با پتانسیل بالاتر با مساحت حدود 24 کیلومتر مربع و دیگری محدوده‌ای با پتانسیل پایین‌تر با مساحت حدود 311 کیلومتر مربع را برای فاز اکتشافی بعدی در منطقه مطالعاتی پیشنهاد کرده است.

Application of Ranking Algorithms for Mapping of Multi-element Geochemical Anomalies at the 1:100,000 Scale Sechangi Sheet in the Southern Khorasan Province

The integration of exploration layers can be used to determine the multielement geochemical anomalies that represent areas with mineralization potentiality. This is especially true for the combination of geochemical data. This paper aims to introduce ranking algorithms as an alternative to statistical data mining and multicriteria decisionmaking methods for integrating exploration data. For this purpose, 362 stream sediment samples were used from Sechangi map sheet of South Khorasan Province. Each sample was analyzed for 23 elements. The implementation of six ranking algorithms including CA, MA, VSA, PA, LA, and CAA on the dataset shows that the obtained mineralization zones have overlapping and almost similar locations. These zones are located on tuff, andesitic, rhyolitic, and quaternary sedimentary rock units. Quantitative comparisons such as permutation and robust principal component analysis methods reveal the relative superiority of CA and PA algorithms. This is also the case with qualitative comparisons that deal with comparing the results of the ranking algorithms with geological mapping and mineral indices of the same study area. Combining six maps through weighted averaging suggested two zones. While the first zone has higher mineralization potentiality of about 24 km2, the second zone shows lower mineralization potentiality of approximately 311 km2 for the next exploration phase in the study area.