عنوان	ترکیب شاخص‌های ژئوشیمیایی و یادگیری ماشین برای شناسایی مناطق امیدبخش کانی‌زایی مس پورفیری
نوع پژوهش	مقاله ارائه شده کنفرانسی
کلیدواژه‌ها	داده های ژئوشیمیایی، یادگیری ماشین، رگرسیون لجستیک، مس پورفیری
چکیده	شناسایی نواحی امیدبخش برای کانی‌زایی مس پورفیری نیازمند روش‌های پیشرفته تحلیل داده‌های ژئوشیمیایی است. در این پژوهش، ترکیب شاخص احتمال کانی زایی ژئوشیمایی (GMPI) و رگرسیون لجستیک برای پردازش و مدل‌سازی داده‌های ژئوشیمیایی به‌کار گرفته شده است. محدوده مورد مطالعه بخشهایی از ورقه های ساردوئیه و بافت در استان کرمان میباشد. داده‌های ژئوشیمیایی شامل 49 عنصر از حدود 1500 نقطه نمونه‌برداری پس از پردازش اولیه مورد تجزیه‌وتحلیل قرار گرفتند. ابتدا، نقشه های GMPI برای عناصر مس-طلا، آرسنیک-مولیبدن و سرب- روی تهیه شد و مناطق دارای آنومالی مشخص گردید در ادامه مدل رگرسیون لجستیک به‌عنوان یک روش یادگیری ماشین برای طبقه‌بندی مناطق دارای پتانسل کانی‌سازی مس پورفیری مورد استفاده قرار گرفت. نقشه های ژئوشیمیایی تهیه شده به عنوان ورودی مدل رگرسیون لجستیک انتخاب شد. همچنین از کانسارهای شناخته شده و نقاط غیر کانساری جهت آموزش استفاده شد. براساس انتخاب بهترین مدل محدوده مورد مطالعه به دوبخش دارای پتانسیل و فاقد پتانسیل تقسیم گردید. مقایسه مدل پیشنهادی با روش‌های سنتی نشان داد که ترکیب GMPI و رگرسیون لجستیک می‌تواند دقت پیش‌بینی را بهبود بخشد و به‌عنوان یک ابزار کارآمد در کاهش هزینه‌ها و افزایش کارایی در اکتشاف کانسارهای مس پورفیری مورد استفاده قرار گیرد.
پژوهشگران	کامران مصطفائی (نفر اول)، مهیار یوسفی (نفر دوم)