چارچوب ترکیبی یادگیری ماشین و تصمیم‌گیری چندمعیاره برای تهیه نقشه پتانسیل معدنی

شناسایی مناطق با پتانسیل معدنی در مراحل پیشرفته اکتشاف، به منظور بهینه‌سازی فرآیند طراحی برنامه‌های اکتشافی، مستلزم تحلیل دقیق و ارزیابی جامع داده‌های موجود است. در این راستا، مدل‌سازی پتانسیل معدنی به‌کار گرفته می‌شود تا به تصمیم‌گیری‌های دقیق‌تر و هدفمندتر کمک کند. این مطالعه با استفاده از الگوریتم‌های یادگیری ماشین نظارت‌شده نظیر ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی مصنوعی، به تهیه نقشه پتانسیل معدنی منطقه شادان، واقع در بلوک لوت و کمربند افیولیتی-فلیشی شرق ایران، پرداخته است. داده‌های مورد استفاده شامل اطلاعات زمین‌شناسی (سنگ‌شناسی و ساختاری)، ژئوشیمیایی نمونه‌های سنگی، تصاویر ماهواره‌ای و داده‌های ژئوفیزیکی نظیر ژئومغناطیس می‌باشند. پس از پردازش و اعمال الگوریتم‌های مذکور، مناطق مناسب برای حفاری‌های دقیق‌تر شناسایی گردید. عملکرد مدل‌ها از طریق معیارهایی نظیر دقت، حساسیت و منحنی roc ارزیابی و مقایسه شد. نتایج به‌دست‌آمده نشان داد که هر سه مدل در شناسایی اهداف اکتشافی مرتبط با کانی سازی مس- طلای پورفیری عملکرد مناسبی داشته‌اند. برای تهیه یک نقشه جامع و نهایی و استفاده از نتایج پیش‌بینی هر سه روش، خروجی‌های مدل‌های مختلف از طریق روش‌های تصمیم‌گیری چندمعیاره ادغام شده و نواحی هم‌پوشانی به عنوان نواحی هدف نهایی انتخاب گردیدند. مناطق شناسایی‌شده عمدتاً در واحدهای سنگی آندزیت، گرانیت و گرانودیوریت و در مجاورت مناطق دارای فعالیت‌های تکتونیکی شدید قرار دارند و منطیق بر مدل مفهومی مس-طلای پورفیری است. این پژوهش نشان‌دهنده کارایی رویکرد بکاررفته در شناسایی پتانسیل‌های معدنی منطقه است و می‌تواند راهگشای مراحل بعدی در فرایند اکتشافات تفصیلی باشد.