استفاده از الگوریتم خوشه‌بندی k-means برای تشخیص ناهنجاری ژئوشیمیایی عنصر مس در ورقه 1:100000 انارک، اصفهان

جدایش آنومالی از زمینه یکی از مهم‎ترین و کلیدی‌ترین مراحل در اکتشافات ژئوشیمیایی است. روش‎های مختلفی برای جداسازی و تشخیص مناطق آنومال از زمینه وجود دارد. این مطالعه با هدف شناسایی شاخص‌های ژئوشیمیایی مرتبط با عنصر مس در ناحیه انارک در استان اصفهان با استفاده از داده‌های ژئوشیمیایی رسوبات آبراهه‌ای انجام شد. بنابراین از ترکیبی از تکنیک‌های کاهش ابعاد و روش‌های پیچیده یادگیری ماشین برای بهبود دقت و سرعت تشخیص ناهنجاری‌های ژئوشیمیایی مس در رسوبات آبراهه‌ای در ورقه یکصد هزار انارک بهره برده شده است. یکی از معروف‌ترین الگوریتم‌های خوشه‌بندی، الگوریتم k-means است که سعی می‌کند بر اساس یک معیار فاصله، داده‌ها را به k خوشه تقسیم نماید. پس از پیش‌پردازش داده‌های اولیه، این رویکرد، با تجزیه و تحلیل مولفه‌های اصلی (pca) شروع شد. سپس در این مطالعه از k-means، که یک الگوریتم خوشه‌بندی بدون نظارت، برای دسته‌بندی مقادیر ژئوشیمیایی در گروه‌های معنادار است، استفاده شده است. این روش از پردازش داده‌های اولیه از طریق ماتریس‌های همبستگی و کاهش ابعاد و به دنبال آن از خوشه‌بندی k-means بر روی مقادیر تبدیل شده استفاده می‌کند. از طریق این مدل محاسباتی در این تحقیق به طور موثر نمونه‌های رسوبات آبراهه‌ای به وسیله دو روش silhouette و elbow در چهار خوشه مجزا طبقه‌بندی شدند و محدوده‌های امیدبخش برای اکتشافات بیشتر مشخص شد. این محدوده‌های امیدبخش که در قسمت‌های شمالی به خصوص شمال‌غربی انارک قرار گرفته‌اند با اندیس‌های شناخته شده مس نیز همبستگی مناسبی دارند. بنابراین این روش بینشی عمیق‌تر از ویژگی‌های زمین‌شناسی منطقه و شناسایی ذخایر معدنی احتمالی ارائه کرده است که به نیاز درک هاله‌های ژئوشیمیایی به روشی دقیق‌تر پاسخ می‌دهد.