تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)

محل انتشار: همایش ژئوماتیک 85
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,683

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GEO85_13

تاریخ نمایه سازی: 24 دی 1384

چکیده مقاله:

تحلیل متالوژنیک کانی زایی مهمترین مرحله از یک پروسه اکتشافی بحساب می آید. در این میان GIS بعنوان یک تکنولوژی مهم در اکتشافات معدنی، ابزاریست که در مراحل مختلف فرایند اکتشافی مانند مدیریت پایگاه داده ها، ترکیب، نمایش و نهایتا تحلیل داده های مذکور مورد استفاده قرار می گیرد. متاسفانه تحقیقات نسبتا کمی در روش شناسی تحلیلهای متالوژنیک و یا چگونگی استفاده از GIS در تحلیل روند کانیزایی برای فعالتیهای اکتشافی صورت گرفته است. روشهای موجود ترکیب داده ها از برخی محدودیت های قابل توجه برخوردارند. روشهای آماری مانند WOE و CA برای نواحی که بخوبی شناخته شده نیستند و یا اطلاعات اندکی از آنها در دست می باشد، نتایج قابل اطمینانی را ارائه نمی دهند. مدلهای مفهومی و دانش پایه نیز علی رغم اینکه نیازمند دانش اولیه کمی از منطقه می باشند، با این وجود وابسته به نظرات کارشناسی می باشند. شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی و غیر پارامتریک بواسطه قابلیتهای منحصر به فردی از قبیل قابلیت آموزش، پردازش موازی و قابلیت درونیابی بالا و بدون نیاز به دانش اولیه از داده ها، بشکل مناسبتری روابط پیچیده و غیر خطی فرایندکانی زایی را مدل می نمایند. در این مقاله بمنظور تحلیل مدل کانی زایی مس (Cu ) برای برگه 100000/1 طارم، ابتدا اطلاعات مورد نیاز از داده های سنجش از دور، ژئوفیزیک هوایی و زمین شناسی استخراج و سپس فرایند مدلسازی باسه الگوریتم Characteristic Analysis ، Weight of Evidence و Artificial Neural Networks انجام شد. از 26 اندیس معدنی Cu برای آموزش و تست سه روش مذکور استفاده شد. نتایج حاصل از سه روش ANN , CA, WOE مورد تجزیه و تحلیل قرار گرفت. نتایج حاصله حاکی از بهبود قابل ملاحظه روش ANN نسبت به دو روش دیگر است.

نویسندگان

جلال کرمی

دانشجوی دکترای GIS دانشگاه صنعتی خواجه نصیرالدین طوسی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • حسنی پاک علی اصغر، تحلیل داده های اکتشافی، دانشگاه تهران، ...
  • کرمی جلال، طبقه بندی شیء گرای تصاویر لندست ETM+ منطقه ...
  • منهاج محمد باقر، مبانی شبکه های عصبی مصنوعی، دانشگاه صنعتی ...
  • B.Carter, Geographic information system for G eoscientists _ modeling with ...
  • D. DRUMM, M .PURVIS and Q.ZHOU , Spatial ecology and ...
  • G.PAN & P.HARRIS, Information Synthesis for Mineral Exploration, OXFORD UN ...
  • Gonzalez Rafael .C and WOODS RICHARD.E, Digital Image Processing, Add ...
  • P.M .ATKINSON and A. R. L.TANALL, Introduction, Neural Networks in ...
  • Richards John. A, Remote Sensing Digital Image Analysis, Springer, 1998 ...
  • Warick. BROWN, Application of Artificial Neural Networks to Mineral Prospectively ...
  • نمایش کامل مراجع