تحلیل روابط بین داده‌های اکتشافی، شامل لایه‌های داده یا عوارض اکتشافی، و کلاس‌های نامزد شده مشتق شده از آنها، در یک رویکرد سیستماتیک بسیار مهم است. تحولات مکانی نشان داده شده از طریق استفاده از عناصر متعدد مربوط به ذخایر معدنی، راه‌حل‌های ارزشمندی را برای اکتشاف مواد معدنی ارائه می‌دهد. تولید نقشه‌های دقیق چشم‌انداز معدنی (MPM) بر اساس مدل چشم‌انداز (PM) در طول مرحله شناسایی می‌تواند دقت ارزیابی پتانسیل ذخایر معدنی را افزایش دهد. ^{۱ ، ۲ ، ۳٫} پیچیدگی‌های ویژگی‌های داده‌های زمین‌شناسی بر الگوی پراکندگی PM در لایه‌های داده ^{۴ ، ۵ ، ۶} تأثیر می‌گذارد . PM شامل عوامل لیتولوژیکی، ساختاری (گسل‌ها و خطواره‌ها)، ژئوشیمیایی، مناطق دگرسانی (عوامل سنجش از دور)، توپوگرافی، ژئومورفولوژیکی، ژئوفیزیکی و بسیاری از عوامل دیگر است که بر ویژگی‌های چشم‌انداز در مدل تأثیر می‌گذارند و روابط بین آنها چالش برانگیز بوده است. ^{۷ ، ۸ ، ۹ ، ۱۰ ، ۱۱ ، ۱۲ ، ۱۳} .

تحلیل ساختارهای زمین‌شناسی نشان می‌دهد که این ساختارها نقش عمده‌ای در تشکیل ذخایر معدنی، زون‌های دگرسانی دارند و میزان خردشدگی آنها به فرآیندهای مرتبط با گسلش مرتبط است ^{۱۴ ، ۱۵ ، ۱۶ ، ۱۷٫} مدل‌سازی ریاضی بهترین ابزار برای درک رابطه بین ساختارها برای اکتشاف مگنتیت-آپاتیت است ^{۱۸ ، ۱۹٫} پیش‌پردازش‌های لازم برای مرحله اول بر روی لایه‌های داده انجام شد. لایه‌های داده به عنوان ویژگی‌های اکتشافی بر اساس اکتشاف از داده‌های زمین‌شناسی، ژئوشیمی، ژئوفیزیک و سنجش از دور استخراج شدند. در ابتدای فرآیند پیش‌پردازش، عواملی مانند چگالی نمونه‌برداری، مقادیر پرت و رابطه بین زیرلایه‌ها، برهمکنش لایه‌ها، همگون‌سازی و کلاس‌های احتمالی مربوط به مدل اکتشاف برای هر لایه بررسی و ارزیابی شدند. سپس، اصلاحات لازم بر روی داده‌ها اعمال شد تا کلاس‌های هدف در فرآیند جداسازی از هم جدا شوند.

در مرحله بعد، لایه‌های داده‌ای که به مدل‌های دوبعدی (نقشه‌های دوبعدی) در قالب تصاویر ثبت‌شده تبدیل شده‌اند، در فصل‌های مرتبط توضیح داده شده‌اند. سپس، تمام داده‌ها با استفاده از اندازه سلول/پیکسل استاندارد روی هم انباشته شدند و تمام نقشه‌ها/تصاویر خروجی از استخراج ویژگی لایه‌ها در ابعاد و مختصات مرجع ثبت شدند. سپس، برای ادغام لایه‌ها در الگوریتم ادغام تصویر که بر روی نقشه‌ها در کاربرد یادگیری عمیق مبتنی بر ResNet، VGG-19، AlexNet و GoogleNet انجام شده است، با استفاده از TensorFlow (نسخه ۲٫۱۰، https://www.tensorflow.org ) و PyTorch (نسخه ۱٫۱۲، https://pytorch.org ) پیاده‌سازی شده است. تکنیک ادغام، اکتشافات را به ناهنجاری‌های اکسید آهن-آپاتیت (IOA) و عناصر نادر خاکی (REEs) هدایت می‌کند. نتایج شبکه‌های از پیش آموزش‌دیده مورد استفاده در این مطالعه بر اساس کیفیت نتایج و همچنین ضریب آنتروپی ارزیابی شد و بهترین شبکه برای انجام ادغام بهینه لایه‌های اکتشافی انتخاب شد.

مطالعه موردی، منطقه طارم در شمال غربی ایران و داده‌های مرتبط با آن بود. اولین محیط ایستگاه کاری، MATLAB R2023a ( https://www.mathworks.com ) برای انجام Fusion-Deep-Learning (FDL) در یک اسکریپت تولید شده توسط پورغلام و همکاران بود.۲۰ ^نتایج شبکه‌ها با هم مقایسه شدند و بهترین شبکه برای عملیات نهایی انتخاب شد. در مرحله بعد، نتایج با مدل‌سازی فراکتال-موجک ^۲۱ با استفاده از طبقه‌بندی‌کننده فراکتال موجک (FWC) ^۲۲ برای طبقه‌بندی نقشه یکپارچه از لایه‌ها برای ایجاد نقشه چشم‌انداز معدنی (MPM) مربوط به کانی‌سازی آهن-آپاتیت REE به دست آمد. کلاس‌های برچسب‌گذاری شده به عنوان اهداف در عملیات میدانی برای اعتبارسنجی نتایج MPM مربوط به IOA و کانی‌سازی REE استفاده شدند. نتایج نشان‌دهنده همبستگی بالا بین کلاس‌های نقشه MPM و نتایج نمونه‌برداری از عملیات میدانی، به ویژه در ناهنجاری‌های بالا است.

مجموعه داده‌ها و لایه‌های داده

لایه زمین شناسی

ویژگی‌های زمین‌شناسی، مانند واحدهای سنگی نامزد شده، گسل‌ها و ویژگی‌های ریخت‌شناسی، بر اساس نقشه زمین‌شناسی ۱:۱۰۰۰۰۰ منطقه طارم در ایران استخراج و طبقه‌بندی شدند. موقعیت منطقه مورد مطالعه و مجموعه‌های ماگمایی سنوزوئیک در ایران در شکل  ۱ الف و همچنین نقشه زمین‌شناسی طارم و ساختارهای کمربند ماگمایی البرز-آذربایجان، که در شکل ۱ ب در مقیاس بزرگنمایی ۲۳ و ۲۴ نشان داده شده است، نشان داده شده است  . برخی ^{از واحدهای سنگی} مرتبط/وابسته به کانی‌سازی آهن-آپاتیت جمع‌آوری و در شکل  ۲ به عنوان مناطق مطلوب نشان داده شدند. مناطق نامزد شده به عنوان ورودی برای مدل اکتشاف همجوشی به یک لایه مبتنی بر رستر تبدیل شدند. نقشه طبقه‌بندی شده مناطق امیدبخش در ۵ کلاس در شکل  ۲ ب و کلاس اول در شکل  ۲ ب نشان داده شده است. بر اساس شرح نقشه ۱:۱۰۰۰۰۰ (شکل  ۲ الف)، دسته اول مرتبط‌ترین عامل گرما در مدل اکتشافی شرح داده شده در بخش « مدل اکتشافی » در این مقاله است. کانسارهای اکسید آهن-آپاتیت (IOA) شامل مروارید، سرخه-دیزج، ذاکر، علی‌آباد، گلستان آباد، چورهناب و زرنان وجود دارند. این کانسارهای IOA توسط واحدهای سنگی کوارتز-مونزونیتی، آتشفشانی و آتشفشانی-آواری ^{۲۵ ، ۲۶} میزبانی می‌شوند .

لایه ژئوشیمیایی

مجموعه داده‌های ژئوشیمیایی برای هر عنصر مربوط به کانی‌سازی IOA با استفاده از multi-b-Spline نقشه‌برداری شد و نتایج با استفاده از شبکه‌های از پیش آموزش‌دیده در یک رویکرد مبتنی بر یادگیری عمیق، همانند روش ادغام شرح داده شده در بخش ادغام « ادغام مبتنی بر شبکه‌های یادگیری عمیق (FDL) »، ادغام شدند. در استفاده از ابزار FWC، نتایج مناسب بر اساس مدل موجک-فراکتال ^۲۱ طبقه‌بندی شدند . Sym 8 تبدیل موجک گسسته (DWT) را بر اساس مطالعات پورغلام و همکاران در سال ۲۰۲۱ ^۲۱ برای عناصر مربوط به IOA با استفاده از نمونه‌های ژئوشیمیایی رسوبات آبراهه‌ای از منطقه طارم انجام داد. پس از تجزیه سیگنال توسط ضرایب موجک در پنج سطح، داده‌های DWT با استفاده از مدل موجک-فراکتال برای ترسیم پتانسیل‌های آهن-آپاتیت طبقه‌بندی شدند. نقشه ژئوشیمیایی طبقه‌بندی شده نهایی ثبت شد (زمین مرجع، تغییر اندازه داده شده و اندازه پیکسل‌ها روی هم چیده شد) و به عنوان تصویر ورودی برای مدل ادغام-اکتشاف آماده شد (شکل  ۳ ).

لایه ژئوفیزیکی

ویژگی‌های اکتشاف ژئوفیزیکی با توجه به بخش‌های مناسب مغناطیس‌سنجی هوایی با فاصله خط پروفیل ۷.۵ کیلومتر در سازمان زمین‌شناسی ایران در سال ۱۹۷۸ و داده‌های رادیومتری این منطقه استخراج شدند. ویژگی‌های مهم این داده‌ها باید مربوط به سنگ‌های نفوذی اولیه و گسل‌های عمیق مرتبط با کانی‌سازی باشد. و با استفاده از داده‌های رادیومتری به واحدهای U و Th مربوط به سنگ‌های نفوذی و کانی‌سازی آهن-آپاتیت در این منطقه رسید. پارامترهای مؤثر در داده‌های رادیومتری مورد استفاده در این مقاله، نسبت‌های بین K، U و Th بودند که هر کدام به عنوان یک لایه جداگانه استفاده شدند. ارتباط معنادار Th با مدل اکتشاف مؤثر بود. همچنین، فیلتر سیگنال تحلیلی بر روی داده‌های مغناطیس‌سنجی هوایی با داده‌های ۷.۵ کیلومتر برای استخراج ویژگی‌های مربوط به واحدهای سنگی نفوذی و ویژگی‌های مربوط به موقعیت و هندسه آنها (الف) انجام شد. همچنین، فیلتر کاهش به قطب (RTP) بر روی داده‌های ژئومغناطیسی برای پنهان کردن واحدهای سنگی نفوذی و بررسی شواهد سطحی تغییرات معدنی مرتبط (ب) انجام شد.

روش RTP تکنیکی است که در پردازش داده‌های مغناطیسی برای اصلاح انحراف و کجی میدان مغناطیسی زمین استفاده می‌شود. با تبدیل داده‌های مغناطیسی به موقعیت قطب، تفسیر ناهنجاری‌های مغناطیسی مرتبط با ساختارهای زمین‌شناسی زیرسطحی را بهبود می‌بخشد. این روش به ویژه در مناطقی که میدان مغناطیسی عمودی نیست مفید است و امکان تجزیه و تحلیل واضح‌تری از منابع مغناطیسی را فراهم می‌کند . ^{۲۷ ، ۲۸}

روش سیگنال تحلیلی تکنیکی است که برای بهبود تفسیر داده‌های میدان پتانسیل (گرانش و مغناطیسی) استفاده می‌شود. این روش شامل محاسبه گرادیان کل میدان پتانسیل است که به شناسایی محل و عمق ناهنجاری‌های زیرسطحی کمک می‌کند. این روش به ویژه در تعیین لبه‌های اجسام زمین‌شناسی مؤثر است و می‌تواند برای داده‌های مغناطیسی و گرانشی ^{۲۹ ، ۳۰ ، ۳۱} اعمال شود . در شکل پیوسته داده‌های ژئوفیزیکی، تصویر نهایی شامل هر پیکسل با مقادیر دقیق و بدون طبقه‌بندی است. بنابراین، دو زیرلایه نشان داده شده‌اند و سایر ویژگی‌های استخراج شده ثبت شده و به عنوان تصاویر ورودی در اکتشاف تلفیقی استفاده می‌شوند (شکل  ۴ ).

لایه سنجش از دور

تصاویر ماهواره‌ای Landsat 8 OLI و ASTER برای استخراج ویژگی‌های اکتشافی سنجش از دور استفاده شدند. ویژگی‌های استخراج‌شده شامل مناطق دگرسانی، به‌ویژه اکسیدهای آهن، در منطقه مورد مطالعه هستند. این مناطق دگرسانی، شاخص آب نرمال‌شده (NWDI) و شاخص پوشش گیاهی نرمال‌شده (NDVI) با تکنیک‌های نسبت باندی و ترکیب باندی تعریف شدند. سپس، مقادیر محاسبه‌شده با استفاده از نقشه‌بردار زاویه طیفی (SAM)، k-means، حداقل کسر نویز، برازش ویژگی طیفی، فیلتر تطبیق و سپس کشش و آستانه‌گذاری با استفاده از مدل فرکتال SA و DWT-فرکتال تجزیه و تحلیل شدند (شکل  ۵ ). با توجه به رابطه عملی بین دگرسانی‌های اکسید آهن و کانی‌سازی مگنتیت در منطقه مورد مطالعه، مناطق امیدبخش با استفاده از یک مدل تصمیم‌گیری MCDM وزن‌دهی شدند. در این مطالعه، برای پیکربندی یک الگوریتم خودکار برای ادغام روی لایه‌ها و زیرلایه‌ها، از یک الگوریتم ادغام مبتنی بر یک شبکه یادگیری عمیق بهینه‌شده برای محاسبه مناطق هدف و پیکسل‌های ارزشمند برای مدل اکتشافی ادغام استفاده شد. شاخص‌های معدنی و دگرسانی‌های مربوط به کانی‌سازی آهن-آپاتیت به عنوان زیرلایه‌های سنجش از دور در شکل  ۶ نشان داده شده است . سپس، لایه سنجش از دور طبقه‌بندی‌شده نهایی به عنوان تصویر ورودی برای مدل اکتشاف همجوشی ثبت می‌شود (شکل  ۷ ).

لایه سازه‌ها

الگوریتم‌های فرسایش و تشخیص لبه، ابزارهای ضروری در تجزیه و تحلیل ساختارهای زمین‌شناسی، به ویژه در کاربردهای سنجش از دور برای اکتشاف مواد معدنی هستند. الگوریتم‌های فرسایش، که فرآیندهای هوازدگی طبیعی را شبیه‌سازی می‌کنند، با حذف نویز و جزئیات نامربوط از داده‌ها، به پالایش و ساده‌سازی ویژگی‌های زمین‌شناسی کمک می‌کنند. این فرآیند، قابلیت مشاهده ساختارهای مهم، مانند شکستگی‌ها و خطواره‌ها را که شاخص‌های حیاتی کانی‌سازی هستند، افزایش می‌دهد. از سوی دیگر، الگوریتم‌های تشخیص لبه، بر شناسایی تغییرات شدید در شدت یا رنگ در داده‌ها تمرکز دارند و به طور موثر مرزها و ناپیوستگی‌ها را در سازندهای زمین‌شناسی برجسته می‌کنند. شویرف در مورد الگوریتم‌سازی تجزیه و تحلیل سنجش از دور بحث می‌کند و تأکید می‌کند که چگونه این تکنیک‌ها با مشخص کردن دقیق ویژگی‌های ساختاری، تفسیر داده‌های زمین‌شناسی را بهبود می‌بخشند . ^۳۲ علاوه بر این، نرم‌افزار LEFA که توسط شویرف توسعه داده شده است، یک پلتفرم جامع برای استخراج خطواره‌ها و تجزیه و تحلیل شکستگی‌ها ارائه می‌دهد که شامل محاسبات ریاضی مختلف برای تعیین کمیت جهت‌گیری، چگالی و توزیع ناپیوستگی‌های زمین‌شناسی است . ^۳۳ در این مطالعه، محیط یکپارچه‌سازی QGIS 3.28.0 ( https://qgis.org )/Python 3.9 ( https://www.python.org ) بود. بنابراین، LEFA در مدل ما در QGIS/Python اعمال شد.

ویژگی‌های ساختاری با استفاده از الگوریتم‌های LEFA ^{۳۲ و ۳۳} استخراج شدند و نتایج بر اساس اولویت آنها بر اساس پارامتر فاصله وزن‌دهی شدند. فاکتورهای فاصله و چگالی با استفاده از یک بافر مناسب بر روی ویژگی‌های خطی انجام و سپس به فرمت رستری (مبتنی بر پیکسل) تبدیل شدند. تصویر نهایی ساختارها شامل گسل‌های بافر شده و سایر ساختارهایی است که به عنوان داده‌های ورودی برای مدل اکتشاف (بر اساس مدل اکتشاف شرح داده شده در فصل‌های ۲٫۲٫۱ و روش FDL مورد بحث در ۲٫۲٫۲) استفاده می‌شوند (شکل  ۸ ). لایه ساختار شامل گسل‌های پی سنگی، گسل‌های اصلی، گسل‌های فرعی، خطواره‌ها و سایر الگوهای ساختاری مرتبط است.

روش‌شناسی

مدل اکتشافی

در سال ۱۹۸۸، بونهام کارتر و همکاران ^۳۴ مجموعه داده‌های زمین‌شناسی را برای اکتشاف طلا ادغام کردند. کارانزا و همکاران ^۳۵ مدل‌های اکتشافی را با GIS برای ایجاد نقشه‌های پتانسیل معدنی (MPM) مطالعه کردند. روابط بین ویژگی‌های اکتشافی استخراج‌شده از تمام داده‌های اکتشافی، و به‌ویژه مدل‌های ژنتیکی زمین‌شناسی مربوط به کانی‌سازی هدف، اساس یک مدل اکتشافی را تشکیل می‌دهند. رفتار هر ویژگی بر روی ویژگی‌های دیگر برای جستجوی پیکسل‌های ارزشمند مناطق غیرطبیعی در امتداد پس‌زمینه‌ها ضروری است. بر اساس مدل‌های مربوط به کانی‌سازی آهن ماگمایی در تماس با زون‌های فسفات (به شکل آپاتیت، مونازیت و غیره) شامل عناصر خاکی کمیاب است. رابطه شماتیک بین ویژگی‌های داده‌های اکتشافی کانی‌سازی هدف در نمودارهای شکل  ۹ نشان داده شده است . عامل منبع حرارتی، همانطور که در بخش زمین‌شناسی ذکر شد، توده نفوذی کوارتز-مونزونیت‌ها، سنگ‌های آتشفشانی و آتشفشانی-آواری بود که در آن کوارتز-مونزونیت (Qm) به عنوان عامل زمین‌شناسی میزبان و سنگ‌شناسی برای کانی‌سازی هدف معرفی شد و کلاس‌ها بر اساس شدت ارتباط با آن رتبه‌بندی شدند.

ادغام مبتنی بر شبکه‌های یادگیری عمیق (FDL)

ادغام به طور گسترده در زمینه‌های عملیات مبتنی بر تصویر به عنوان ابزاری ارزشمند برای بهبود عملکرد یک سیستم عمومی مورد استفاده قرار می‌گیرد. Pohl و Genderen36 ^رویکرد ادغام تصویر را در تفسیر تصاویر هوایی و ماهواره‌ای برای تشخیص اشیاء زمینی به کار بردند. اگرچه یک چارچوب مشترک برای ادغام تصاویر چندوضوحی توسط Piella در سال ۲۰۰۳ گسترش یافت ^، اما Zhang و همکارانش ^۳۸ یک فرهنگ لغت از روش‌های یادگیری برای ادغام تصاویر مبتنی بر نمایش پراکنده مشترک ارائه کردند. در کاربردهای دیگر، Hui Li و همکارانش ادغام تصاویر مادون قرمز و مرئی را با اعمال یک ساختار یادگیری عمیق در سال ۲۰۱۸ و برای ادغام تصویر با استفاده از ResNet و تجزیه و تحلیل مؤلفه فاز صفر در سال ۲۰۱۹ انجام دادند، اما در سال ۲۰۱۹ این کار را انجام ندادند. ^{در این مطالعه} ، هر لایه در قاب استاندارد پروژه ثبت و انباشته شد و نقشه‌های خروجی مناطق انتخاب شده به شکل مقادیر پیکسل، الگوریتم ادغام را به عنوان تصاویر ورودی تغذیه می‌کنند. این الگوریتم با استفاده از یادگیری عمیق مبتنی بر ResNet، VGG-19، GoogleNet و AlexNet در نظر گرفته شد.

این شبکه‌ها به دلیل کاربردشان در برنامه‌های غیر یکسان و همچنین به دلیل اشتراک در قابلیت سرویس‌دهی و این مطالعه، مورد بررسی قرار گرفته‌اند. الگوریتم ادغام مبتنی بر این شبکه‌ها بر روی تمام لایه‌های اکتشافی اجرا شد. بنابراین، نتایج حاصل از اجرای این شبکه‌ها با مقادیر آنتروپی و زمان پاسخ الگوریتم مقایسه شد. با این حال، انتظار می‌رود تصاویر ادغام شده شامل پیکسل‌های ارزشمندی از مناطق بالقوه آهن-آپاتیت باشند که از ۰ تا ۲۵۵ امتیازدهی شده‌اند (شکل  ۱۰ ).

مدل فراکتال-موجک و ابزار FWC

پیکسل‌های ارزشمند باید از پیکسل‌های پس‌زمینه در خروجی تصویر ادغام‌شده نهایی از لایه‌ها و زیرلایه‌های مختلف ذکر شده در بخش « بحث » متمایز شوند. در الگوریتم فرکتال، مناطق معدنی شامل مقادیر غلظت بالا در مناطق کوچک و مقادیر کم در مناطق بسیار بزرگتر هستند. مدل‌های چندفرکتال اغلب می‌توانند این موقعیت‌ها را توضیح دهند ^{۴۱ ، ۴۲ ، ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷٫} پورغلام و همکاران مدل فرکتال عدد موجک (WN) را در اکتشاف سیستماتیک سال‌های ۲۰۲۱ و ۲۰۲۲ برای اکتشاف ناهنجاری‌های ژئوشیمیایی ارائه کردند. آنها مدل فرکتال موجک را برای اعمال تشخیص ناهنجاری و طبقه‌بندی مناطق ژئوشیمیایی پیشنهاد کردند ^{۲۱ ، ۴۸٫} در این مطالعه، مدل فرکتال موجک، تصاویر ادغام‌شده نهایی را طبقه‌بندی کرد تا پیکسل‌های ناهنجاری نهایی را برای نقشه پیش‌بینی خروجی منطقه پتانسیل آهن-آپاتیت نشان دهد. در پروژه دیگری، پورغلام و همکاران. ۲۰۲۳ یک برنامه در محیط QGIS/Python-GIS به عنوان یک افزونه و یک برنامه قابل اجرا مبتنی بر پایتون علاوه بر آن بر اساس الگوریتم موجک فراکتال برای طبقه‌بندی ناهنجاری‌های ژئوشیمیایی در کلاس‌های پس‌زمینه و غیرطبیعی طراحی کرد. آنها آن را طبقه‌بندی‌کننده موجک فراکتال (FWC) ^۲۲ نامیدند .

فرآیند ادغام نهایی برای ادغام لایه‌های اکتشافی جهت ایجاد پیکسل‌های ارزشمند نهایی انجام شد. بنابراین، آنتروپی برای هر مدل یادگیری عمیق ادغامی مبتنی بر شبکه‌های AlexNet، GoogleNet، VGG-19، ResNet50 و ResNet101 محاسبه شد تا دقت نتایج مقایسه شود. بر اساس نتایج آنتروپی هر شبکه که در جدول  ۱ نشان داده شده است ، بهترین نتیجه از ResNet101 به دست آمد که حداکثر آنتروپی را داشت.

بر این اساس، نتیجه ادغام ResNet101 برای ادغام لایه‌ها و زیرلایه‌های مدل اکتشاف آهن-آپاتیت استفاده شد. داده‌ها با استفاده از تبدیل موجک گسسته (DWT) توسط یک موجک مادر مناسب به حوزه موجک منتقل شدند. سپس، نرم L2 برای هسته محاسبه شد تا نتایج ادغام به پس‌زمینه‌ها و کلاس‌های غیرطبیعی طبقه‌بندی شوند. تمام ثبت تصویر قبل از پردازش طبقه‌بندی تصویر انجام می‌شود. همه این توابع توسط FWC در محیط QGIS/Python انجام می‌شوند. لازم به ذکر است که مقادیر پیکسلی نتیجه به‌دست‌آمده، نمرات حاصل از فرآیند ادغام لایه‌های داده بودند. نقشه پرسپکتیو نهایی پتانسیل ناهنجاری‌های آهن-آپاتیت در شکل  ۱۱ نشان داده شده است (کلاس‌ها به شکل مقادیر دقیق تجسم شده‌اند). بنابراین، برای به دست آوردن مقادیر نهایی برای تصویر MPM، آستانه‌های استخراج‌شده از FWC به نتایج اعمال شدند و نقشه طبقه‌بندی نهایی در شکل  ۱۲ نشان داده شد (دسته‌ها به شکل مقادیر گسسته تجسم شده‌اند).

اعتبارسنجی نتایج با بررسی میدانی

در نهایت، نمونه‌برداری برای بررسی ناهنجاری‌ها انجام شد تا نتایج نهایی نقشه پتانسیل آهن-آپاتیت (شکل  ۱۰ ) با استفاده از اعضای انتهایی اعتبارسنجی شود. در نقشه پتانسیل نهایی، نقاط کنترل زمینی یا عضو انتهایی نمونه‌ها از رخنمون‌های موجود در منطقه با پتانسیل بالای نقاط نشان داده شده جمع‌آوری شدند. در برخی مناطق منطقه طارم، رخنمون‌های کانی‌سازی مگنتیت-آپاتیت قابل مشاهده بود که نشان‌دهنده ارتباط بالای بین نتایج نقشه پتانسیل و کانی‌سازی هدف به عنوان هدف اصلی بود (شکل  ۱۳ ).

در این مطالعه، یکی از نقاط کنترل زمینی بررسی ناهنجاری، سرخه دیزج در منطقه طارم بود که پتانسیل بالایی برای کانی‌سازی هدف در نقشه پتانسیل نهایی نشان می‌دهد. بنابراین، نمودار عنکبوتی عناصر خاکی کمیاب در نمونه‌های سنگ‌شناسی جمع‌آوری‌شده از این منطقه بر اساس روش سان و مک‌دانا با استفاده از نرمال‌سازی مقادیر در مقایسه با مقادیر کندریت ^{۴۹ ، ۵۰} ترسیم شد . نتایج نشان‌دهنده احتمال وجود روابط بین ناهنجاری‌ها و شاخص‌های کانی‌سازی نوع آهن-آپاتیت (سیرونا) در منطقه سرخه دیزج بود. نمودار عنکبوتی غلظت بالای عناصر LREE و HREE را نشان می‌دهد. همچنین فقدان Eu مربوط به نوع کانی‌سازی آهن-آپاتیت را نشان می‌دهد (شکل  ۱۴ ). همه شواهد با کانی‌سازی آهن-آپاتیت به عنوان هدف میدانی این مطالعه ارتباط زیادی داشتند.

اعتبارسنجی FDL-FWC منجر به بررسی ناهنجاری می‌شود

اهداف بالقوه که با استفاده از نمونه‌های عضو انتهایی اعتبارسنجی شدند، از آنومالی‌های بالا در منطقه تارو جمع‌آوری شدند. روش نمونه‌برداری، نمونه‌برداری تراشه‌ای از رخنمون‌های مگنتیت-آپاتیت از منطقه طارم بود. محل نمونه‌های جمع‌آوری‌شده در عملیات میدانی بررسی آنومالی‌ها در منطقه طارم، ارتباط بالایی با MPM نهایی آنومالی‌های آهن/مگنتیت-آپاتیت نشان داد، همانطور که در شکل  ۱۵ نشان داده شده است .

نتایج مدل اکتشاف یادگیری عمیق مبتنی بر تلفیق برای کانی‌سازی آهن-آپاتیت، همبستگی بالایی را بین نتایج آنالیز نمونه‌های سنگ نشان می‌دهد. این الگوریتم خودکار می‌تواند برای ادغام لایه‌ها و زیرلایه‌های استخراج‌شده از داده‌های اکتشافی بر اساس مدل اکتشاف آهن-آپاتیت انجام شود.

مقایسه با آثار پیشین

نقشه‌برداری از پتانسیل معدنی در این مطالعه از طریق ادغام یادگیری عمیق با تکنیک‌های موجک فراکتال، که بر اساس سه اصل روش‌شناختی کلیدی بنا شده است، پیشرفته است: (۱) رویکردهای زمین‌آماری فراکتال ^{۵۱ ، ۵۲} ، (۲) مدل‌سازی ژئوشیمیایی ترکیبی ^۵۳ و (۳) کاربردهای یادگیری ماشین در سیستم‌های ماگمایی ^۵۴٫ نوآوری‌های فعلی در جدول  ۲ در مقایسه با این کارهای قبلی از طریق مقایسه‌های روش‌شناختی، عملیاتی و مبتنی بر نتیجه ^{۵۵ ، ۵۶} ، زمینه‌سازی شده‌اند .

تمایزات کلیدی:

1. ۱.سنتز روش‌شناختی : در حالی که فراکتال‌های سرعت-حجم برای مخازن هیدروکربنی توسط کیانوش و همکاران ^{۵۲ مطرح شدند و یادگیری ماشین مستقل توسط لو و همکاران ۵۴} برای سیستم‌های پورفیری به کار گرفته شد، چارچوب FDL-FWC ارائه شده در اینجا به طور منحصر به فردی این الگوها را برای ذخایر IOA-REE ادغام می‌کند.
2. ۲.ادغام داده‌ها : برخلاف تمرکز داده‌های ژئوشیمیایی تک‌وجهی حسینی و همکاران ^۵۳ یا ورودی‌های ژئوفیزیکی اولیه مورد استفاده لو و همکاران ^۵۴ ، در این مطالعه شش نوع داده (ژئوشیمیایی، ژئوفیزیکی، ساختاری و غیره) از طریق ادغام آموخته‌شده هماهنگ شده‌اند.
3. ۳.دقت اعتبارسنجی : سنجش‌های میدانی در این مطالعه ( n  = ۴۷ نمونه) در مقایسه با اعتبارسنجی‌های مصنوعی در Luo و همکاران. ^۵۴ و He و همکاران. ^۵۶ یا بررسی‌های میدانی در مقیاس کوچک در Kianoush و همکاران. ^۵۱ و Adib & Kianoush ^{۵۷ ، ۵۸} ، اطمینان بالاتری را ارائه می‌دهند .

پیشرفت‌ها نشان دادند:

1. ۱.دقت : در این مدل، در مقایسه با رویکرد جنگل تصادفی لو و همکاران، ^۵۴ در زمین‌های ماگمایی مشابه، نتایج مثبت کاذب ۱۸ درصد کاهش یافته است.
2. ۲.کارایی عملیاتی : برخلاف محدودیت‌های پردازش دسته‌ای در پیاده‌سازی MATLAB حسینی و همکاران، به‌روزرسانی‌های بلادرنگ توسط ابزار FWC (افزونه QGIS) امکان‌پذیر است . ^۵۳
3. ۳.یکپارچه‌سازی نظری : معماری‌های ResNet برای اولین بار در داده‌های جغرافیایی طبقه‌بندی‌شده با فرکتال اعمال می‌شوند و شکاف بین تمرکز زمین‌آماری کیانوش و همکاران. ^۵۱ و الگوی یادگیری ماشینی خالص لو و همکاران. ^۵۴ و فرزانه و همکاران. ^{۵۹ را پر} می‌کنند .

محدودیت‌ها و مزایای مطالعه

محدودیت‌ها

در طول این تحقیق با چندین محدودیت مواجه بودیم:

1. ۱.وضوح داده‌ها : داده‌های ژئوفیزیکی هوایی مورد استفاده در سال ۱۹۷۸ با فاصله خطوط ۷.۵ کیلومتر جمع‌آوری شده‌اند که ممکن است در مقایسه با نقشه‌برداری‌های مدرن با وضوح بالا، ناهنجاری‌های ریزمقیاس را ثبت نکنند.
2. ۲.نیازهای محاسباتی : رویکرد یادگیری عمیق مبتنی بر تلفیق (FDL)، اگرچه مؤثر بود، اما به منابع قابل توجهی از پردازنده گرافیکی (GPU) نیاز داشت، به خصوص هنگام پردازش ادغام‌های چند لایه در محیط‌های MATLAB و QGIS.
3. ۳.دامنه اعتبارسنجی میدانی : اگرچه از مناطق با پتانسیل بالا نمونه‌برداری شد، اما تعداد مکان‌های میدانی ( n  = ۴۷) به دلیل چالش‌های لجستیکی در زمین ناهموار منطقه طارم محدود بود.
4. ۴.تعمیم‌پذیری الگوریتم : طبقه‌بندی‌کننده موجک فراکتال (FWC) برای سیستم‌های آهن-آپاتیت بهینه شده است؛ عملکرد آن در سایر انواع کانسارها (مثلاً طلای اپی‌ترمال) هنوز آزمایش نشده است.
5. ۵.شکاف‌های زمانی داده‌ها : داده‌های ژئوشیمیایی رسوبات رودخانه‌ای و تصاویر ماهواره‌ای در سال‌های مختلف (۲۰۱۵-۲۰۲۰) به دست آمده‌اند که به طور بالقوه باعث ایجاد نویز در تغییرات زمانی می‌شوند.

مزایا

نوآوری‌های روش‌شناختی این مطالعه چندین مزیت کلیدی ارائه می‌دهد:

1. ۱.ادغام چند منبعی : برای اولین بار در منطقه طارم، داده‌های ژئوشیمیایی، ژئوفیزیکی، ساختاری و سنجش از دور با استفاده از یک چارچوب یادگیری عمیق استاندارد ادغام شدند و سوگیری مفسر را کاهش دادند.
2. ۲.تعیین خودکار ناهنجاری : آستانه‌گذاری دستی، که یک محدودیت مداوم در مطالعات فرکتال قبلی (مثلاً ^۵۳ ) بود، توسط ابزار FWC از طریق مرزهای خودکار کلاس‌ها از طریق هنجارهای موجک حذف شد.
3. ۳.تکرارپذیری : تمام گردش‌های کاری در پلتفرم‌های متن‌باز (QGIS، پایتون) پیاده‌سازی شدند و اسکریپت‌هایی در مطالب تکمیلی ارائه شدند که امکان تکرار در زمین‌های مشابه را فراهم می‌کند.
4. ۴.هدف‌گیری با دقت بالا : دقت اعتبارسنجی میدانی ۸۹٪ توسط ادغام مبتنی بر ResNet101 حاصل شد که از روش‌های سنتی همپوشانی شاخص (مثلاً ^{۵۴ ، ۶۰} ) در منطقه مورد مطالعه بهتر عمل می‌کند.
5. ۵.مقیاس‌پذیری : رویکرد تلفیق مبتنی بر پیکسل، امکان ادغام یکپارچه مجموعه داده‌های با وضوح بالاتر (مثلاً بررسی‌های مغناطیسی پهپاد) را بدون نیاز به اصلاح الگوریتم فراهم می‌کند.

نکته کلیدی در مورد بده‌بستان : اگرچه روش FDL-FWC در مقایسه با تکنیک‌های مستقل، به سرمایه‌گذاری محاسباتی اولیه بیشتری نیاز دارد، اما افزایش دقت، تخصیص منابع برای هدف‌گیری اکتشافات حیاتی را توجیه می‌کند.

این مطالعه از الگوریتم موجک-فراکتال ترکیبی، که از طریق طبقه‌بندی شبکه‌ای بهینه‌سازی شده است، برای ترسیم چشم‌انداز معدنی با ترکیب مجموعه داده‌های ژئوشیمیایی، ژئوفیزیکی و زمین‌شناسی در یک چارچوب اکتشافی جدید متناسب با سیستم‌های اکسید آهن-آپاتیت (IOA) غنی‌شده با عناصر خاکی کمیاب (REE) استفاده کرد. نتایج اعتبارسنجی‌شده میدانی (شکل‌های  ۱۳ ، ۱۴ و ۱۵ ) استحکام نقشه چشم‌انداز معدنی تولید شده (MPM) را تأیید کرد، که ناهنجاری‌های مغناطیسی، ویژگی‌های سنگ‌ساختاری و نشانه‌های دگرسانی را برای اولویت‌بندی مناطق با پتانسیل بالا ادغام می‌کند. این الگوریتم سازگاری برای اتوماسیون در گردش‌های کاری هدف‌گیری چندرشته‌ای را نشان می‌دهد، کارایی محاسباتی را بهبود می‌بخشد و ردپاهای اکتشافی را اصلاح می‌کند. غلظت‌های بالای عناصر نادر خاکی و ایتریم (Y)، که در نمونه‌های عیار بالا در حاشیه شمالی واحد Qm با سن الیگوسن (کوارتز مونزودیوریت، کوارتز مونزونیت، کوارتز سینیت) شناسایی شده‌اند، به صورت مکانی با برش‌های گرمابی مرتبط با IOA و مسیرهای سیال کنترل‌شده توسط گسل همبستگی دارند و بر کاربرد این مدل در شناسایی رژیم‌های کانی‌سازی پیچیده تأکید می‌کنند.