سیستم اطلاعات جغرافیایی
محمد کریمی؛ پرستو پیله فروش ها؛ علی صفری
چکیده
بـا توجـه بـه وسـعت زیـاد کشـور ایران و گسـتردگی منـاطق پتانسـیلدار ذخـایر معـدنی (وجـود کمربنـد ولکـانیکی ارومیـه ـ دختـر) و لـزوم شناسـایی و مـدیریت صـحیح ایـن ذخـایر، اسـتفاده از سیستم اطلاعـات مکانی به همراه مدلهای پیشبینی کننده داده و دانش محور، نقش بسـیار مهمی به منظور تهیه نقشه پتانسیل از احتمال یافتن ذخایر معدنی در ...
بیشتر
بـا توجـه بـه وسـعت زیـاد کشـور ایران و گسـتردگی منـاطق پتانسـیلدار ذخـایر معـدنی (وجـود کمربنـد ولکـانیکی ارومیـه ـ دختـر) و لـزوم شناسـایی و مـدیریت صـحیح ایـن ذخـایر، اسـتفاده از سیستم اطلاعـات مکانی به همراه مدلهای پیشبینی کننده داده و دانش محور، نقش بسـیار مهمی به منظور تهیه نقشه پتانسیل از احتمال یافتن ذخایر معدنی در یک مکان خاص دارد. هدف این تحقیق پیشبینی ذخایر مس پورفیری در ناحیه دهج - بزمان استان کرمان با استفاده از دو روش جنگلهای تصادفی[1] و ماشین بردار پشتیبان[2] است. به این منظور، از یک پایگاه داده مکانی متشکل از نقشههای جنس واحدهای سنگی، ساختارها، آلتراسیون، ژئوشیمی، ژئوفیریک و موقعیت 24 کانسار مس پورفیری شناختهشده در منطقه استفاده شد. با توجه به نتایج حاصل شده، مدل جنگلهای تصادفی توانست با صحت 93.33 درصد مناطق امیدبخش ذخایر مس پورفیری را پیشبینی کند. همچنین، در نقشه پتانسیل بدست آمده از این مدل، مناطق هدف 14 درصد از منطقه مورد مطالعه را در برگرفته است، که در آن 92 درصد ذخایر شناخته شده مشخص شدهاند. علاوه بر این، به منظور مقایسه نقشه پتانسیل ذخایر مس پورفیری منتج از روش جنگلهای تصادفی، از روش ماشین بردار پشتیبان و روشهای دانش محور همپوشانی شاخص و منطق فازی استفاده شد. در نقشههای پتانسیل ذخایر مس پورفیری بدست آمده از سه روش ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب مناطق هدف 17،16،14 درصد از منطقه مورد مطالعه را در برگرفته است که در آنها 79،83،87 درصد ذخایر شناخته شده وجود دارند. براساس نتایج این تحقیق، مدل جنگلهای تصادفی از نظر صحت پیش بینی از کارایی بالاتری نسبت به مدلهای دیگر برخوردار بوده و مدلهای ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب در رتبههای بعدی قرار دارند. [1] Random Forest (RF)[2] Support Vector Machine (SVM)