نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی اکتشاف معدن، دانشکده مهندسی معدن، دانشگاه تهران، تهران، ایران

2 گروه GIS، دانشکده نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

حجم زیاد نقشه­ها از منابع مختلف، در مقیاس­ها و قالب­های متفاوت و با سلیقه‌های فردی گوناگون و عدم وجود راه‌کارهای مناسب در تلفیق حجم وسیع اطلاعات، تهیه نقشه پتانسیل معدنی را با مشکل مواجه ساخته است. استفاده از علم و فناوری سامانه اطلاعات ‌جغرافیایی، افزون‌بر آن که می­تواند در ساماندهی اطلاعات مربوط به مطالعات اکتشاف ذخایر معدنی مورد استفاده قرار ‌گیرد، توانایی آن را دارد که تهیه و تلفیق لایه‌های اطلاعاتی مختلف را در قالب  مدل­های گوناگون، با سرعت و دقت بیشتری انجام داده و به عنوان پشتیبانی برای تصمیم‌گیری‌های فضایی مورد استفاده قرار گیرد. در این مقاله، نقشه پتانسیل معدنی اندیس مس نوچون به منظور تعیین نقاط حفاری تهیه شده است. لایه­های مورد استفاده شامل لایه­های تیپ سنگ­شناسی، ساختار، دگرسانی، نشانه­های کانی­سازی، زون بی‌هنجاری قابلیت شارژپذیری(شارژابیلیته)، مقاومت ظاهری،  فاکتور فلزی و بی‌هنجاری عناصر مس و مولیبدن، ادیتیو مس و مولیبدن هستند. پس از آماده‌سازی اطلاعات و تهیه نقشه‌های فاکتور و وزن‌دهی آنها، این نقشه­ها در قالب یک شبکه استنتاجی تلفیق شدند. استفاده تلفیقی از عملگرهای منطق فازی و همپوشانی شاخص در شبکه استنتاجی افزون‌بر مرتفع نمودن نقایص موجود در دیگر مدل­ها، امکان ترکیب قابل انعطاف‌تر نقشه‌های فاکتور را فراهم ساخته است. با توجه به نقشه پتانسیل معدنی تهیه شده، محتمل‌ترین منطقه از نظر وجود کانی­سازی مس پورفیری در بخش شمال­خاوری محدوده مورد مطالعه تعیین شد. در پایان با انطباق گمانه­های اکتشافی با نقشه­های پتانسیل معدنی نهایی، میزان تطابق نتایج بر اساس دو نوع کلاسه‌بندی نقشه پتانسیل معدنی به ترتیب برابر 52/64 و 16/63  درصد برآورد شد. گفتنی است در صورت انجام این مطالعات، پیش از انجام عملیات حفاری و تنها با فرض عدم حفر گمانه­های اکتشافی در مناطق دارای وضعیت ضعیف یا خیلی ضعیف، 26 درصد از گمانه­ها حفاری نشده و حدود 200 میلیون تومان در هزینه‌های حفاری صرفه‌جویی خواهد شد.

کلیدواژه‌ها

 
 
References
Agterberg, F. P. & Bonham-Carter, G. F., 1990- Deriving weights of evidence from geoscience contour maps for prediction of discrete events. Proceedings of the 22nd APCOM Symposium, Berlin, Germany, v.2, p. 381-395.
Agterberg, F. P., 1992- Combining indicator patterns in weights of evidence modeling for resource estimation. Nonrenewable Resources, v.1, p. 39-50.
Almasi, A., 2007- Results of drilling in Now Chun, National Iranian Copper Industries Company, Exploration management, Pars Olang Company.
An, P., Moon, W. M. & Rencz, A., 1991- Application of fuzzy set theory for integration of geological, geophysical and remote sensing data. Canadian Journal of Exploration Geophysics, v. 27, 1-11.
Asadi, H. H. & Hale, M., 1999- A predictive GIS model for mapping potential gold and base metal mineralization in Takab area, Iran, Computer & Geosciences.9 
Asadi, H. H., 2000- The Zarshuran gold deposit model applied in mineral exploration GIS in iran, PhD Thesis. ITC, Netherlands, 190pp.
Boleneus, D. E., Raines, G. L., Causey, J. D., Bookstrom, A. A., Frost, T. P. & Hyndman, P. C., 2001- Assessment method for epithermal gold deposits in northeast Washington State using weights-of-evidence GIS modeling. USGS Open-File Report 01-501, 52 pp.
Bonham-Carter, G. F., 1994- Geographic information systems for geoscientists: modeling with GIS, Pergamon Press, Ontario, Canada. 
Brown, W. M., Gedeon, T. D., Groves, D. I. & Barnes, R.G., 2000- Artificial neural networks: a new method for mineral prospectivity mapping: Australian Journal of Earth Sciences, v. 47, p. 757-770.
Carranza, E. J. M., & Hale, M., 2001- Geologically constrained fuzzy mapping of gold mineralization potential, Baguio district, Philippines. Natural Resources Research, v. 10(2), p. 125-136.
Carranza, J., 2002- Geographically-Constrained mineral potential mapping, PhD Thesis, Delft University of Technology, The Netherlands, 480 pp.
Karimi, M., Menhaj, M. B. & Mesgari, M. S., 2008a- Mineral potential mapping of copper minearls using fuzzy logic in GIS invironment, ISPRS 2008, Beijing, China.
Karimi, M., Valadan Zoj, M., Ebadi, H. & Sahebzamani, N., 2008b- Preparing of Mineral potential map of copper using GIS, Accepted in Geoscience Journal
Malczewski,  J., 1999- GIS and multicriteria decision analysis, John Wiley & Sons INC.
Mukhopadhyay, B., Hazra, N., Sengupta, S. R. & Kumar Das, S., 1996- Mineral potential map by a knowledge driven GIS modeling: an example from Singhbhum Copper Belt, Jharkhad,Geological Survey of India.
Porwal, A., 2006- Mineral potential mapping with mathematical geological models. Ph.D. Thesis, University of Utrecht, The Netherlands, 289 pp.
Porwal, A., Carranza, E. J. M. & Hale, M., 2003- Knowledge-driven and data-driven fuzzy models for predictive mineral potential mapping. Natural Resources Research,    v. 12(1), p. 1-25.
Wright, D. F. & Bonham-Carter, G. F., 1996- VHMS favorability mapping with GIS-based integration models, Chisel-Andersen Lake area. Geological Survey of Canada, Bulletin, v. 426, p.339-376.
Yugoslavia report, 1972- Report on explorations for copper in Now Chun area. Institute for geological and mining exploration Beograd-Yugoslavia, p.1-39.
Zadeh, L. A., 1965- Fuzzy sets. IEEE Information and Control, v.8, p. 338-353.