خوشه ‌بندی نواحی مستعد کانه ‌زایی آهن در محدوده اسفوردی مبتنی بر روش هیبریدی رهیافت دانش و داده مبنا

در این پژوهش، یک رویکرد هیبریدی برای خوشه‌بندی نواحی مستعد کانه‌زایی مگنتیت-آپاتیت در محدوده برگه 1:100000 اسفوردی به کار گرفته شده است که تعداد بهینه خوشه‌ها به کمک یک روش داده محور و مدل فرکتال مقدار- مساحت (c-a) به دست آمده‌ است. بدین منظور، با توجه به ویژگی‌های متالوژنیکی ذخایر هدف در محدوده مورد مطالعه، 9 لایه شاهد که شامل نشانگرهای زمین‌شناسی، ژئوشیمیایی، ژئوفیزیکی و دورسنجی است، از مجموعه داده‌های مکانی استخراج و تولید شده‌اند. از منحنی پیش‌بینی- مساحت (p-a)، به عنوان یک روش داده محور برای تعیین وزن و اهمیت هر لایه استفاده شده ‌است. تکنیک همپوشانی شاخص جهت ادغام 9 لایه وزن‌دار شده، به کار گرفته شده ‌است. در الگوریتم‌های خوشه‌بندی، تعداد خوشه‌ها تاثیر قابل توجهی بر نتیجه مدلسازی پتانسیل معدنی دارد. برای تعیین تعداد صحیح خوشه‌ها، تعداد کلاس‌های نقشه نهایی تولید شده به کمک مدل فرکتالی مقدار- مساحت شناسایی و در ادامه از آن برای اجرای الگوریتم‌های خوشه‌بندی بدون نظارت استفاده شده ‌است. با فرض پنج خوشه (به عنوان تعداد بهینه خوشه‌ها)، سه الگوریتم خوشه‌بندی که شامل k-means، فازی c-means و نقشه خود سازمانده (som) است، برای شناسایی مناطق امیدبخش کانه‌زایی هدف به کار گرفته شده‌ است. در بین سه الگوریتم اجرا شده، الگوریتم k-means، بیشترین بازدهی را در شناسایی ذخایر شناخته شده آهن در محدوده مورد مطالعه داشته ‌است؛ به طوری که زون پتانسیل معرفی شده با 8 درصد مساحت محدوده، حدود 65% رخدادهای معدنی را شناسایی کرده است.

clustering of areas prone to iron mineralization in esfordi range based on a hybrid method of knowledge- and data-driven approaches

in this study, a hybrid approach is established for clustering the most favorable regions  in association with magnetite-apatite mineralization at the esfordi district in the central iran. an optimum number of clusters is derived from a data-driven methodology through a concentration-area (c-a) fractal model of a synthesized geospatial data set. according to the metallogenic characteristics of the sought deposits, nine evidential layers deriving from geological, geochemical, geophysical, and remote sensing data were extracted. prediction-area curve (p-a) was used as a data-driven method to determine the weight and importance of those evidences; then an index overlay method integrated them into a single propsectivity map. the number of clusters significantly affects the mineral potential modeling results in clustering algorithms. to determine an optimum number of clusters, the c-a fractal curve of the overlaid map indicated the correct population within this district, and then used as the optimal number to run the unsupervised clustering algorithms. assuming five clusters, three clustering algorithms, including k-means, fuzzy c-means, and self-organizing map (som), were used to identify and localize iron-bearing favourable areas. the k-means algorithm had the highest accuracy in identifying those potential areas, by which 8% of the whole area could predict 65% of known deposits in the main favorable region.