پروژه حاضر با هدف ارائه برداشتی عمیق‌تر و رفتاری از دگرسانی پروپیلیتیک، از داده‌های سنجش‌ازدور و مجموعه‌ای از الگوریتم‌های خوشه‌بندی بدون‌ناظر استفاده می‌کند. این امر کمک می‌کند ساختارهای پنهان در الگوی طیفی–مکانی منطقه استخراج شود. داده‌های نسبت‌باندی معمولاً تنها یک تصویر خاکستری تولید می‌کننـد که تفسیر آن به تجـربه فردی وابستـه است و نسبت به آستانـه‌گذاری‌ها حساسیت شدید دارد. این پروژه تلاش می‌کند به‌جای اتکا به روش‌های کلاسیک، از ظرفیت یادگیری ماشین برای فهم رفتار واقعی دگرسانی بهره ببرد و خوشه‌بندی بدون‌ناظر دگرسانی پروپیلیتیک را به‌عنوان راه‌حل اصلی به‌کار گیرد.
فرایند با پاک‌سازی و نرمال‌سازی داده‌ها آغاز شد تا اختلاف دامنه‌ها و نویزها مانع استخراج الگو نشود. در ادامه، چندین الگوریتم بررسی شدند، اما KMeans بهترین توازن میان سادگی، پایداری و قابلیت تفسیر زمین‌شناسی را ارائه داد. این مدل سه خوشه اصلی را استخراج کرد که هر کدام الگوی رفتاری متفاوتی دارند. خوشه سوم که شدت طیفی بالاتری دارد، تنها ۱۹ درصد داده‌ها را تشکیل می‌دهد اما از نظر زمین‌شناسی مهم‌ترین زون است: پیکسل‌های آن دقیقاً روی رگه‌ها و ساختارهای کششی قرار می‌گیرند، جایی که معمولاً شدت دگرسانی بیشتر است و احتمال هم‌زمانی با کانی‌سازی بالاتر می‌رود. خوشه‌های اول و دوم نیز نمایانگر بخش‌های وسیع‌تر و کم‌قدرت‌تر دگرسانی هستند و ساختارهای مرزی منطقه را شکل می‌دهند.
نتیجه مهم این است که مدل بدون دریافت هرگونه داده ساختمانی یا ژئوشیمیایی توانسته پیوستگی مکانی دگرسانی را تشخیص دهد و خوشه‌بندی بدون‌ناظر دگرسانی پروپیلیتیک را با دقتی مناسب انجام دهد. این توانایی نشان می‌دهد داده‌هایی که ظاهر ساده دارند، در صورت تحلیل صحیح می‌توانند حامل الگوهای عمیق باشند. خروجی مدل نه‌تنها شدت طیفی را مشخص می‌کند بلکه ساختار فضایی دگرسانی را نیز بازتاب می‌دهد؛ موضوعی که معمولاً در ابزارهایی مانند ENVI قابل دستیابی نیست.
این مدل می‌تواند اثر اقتصادی قابل توجهی داشته باشد. تفکیک نواحی با رفتار مشابه باعث می‌شود نمونه‌برداری ژئوشیمیایی و انتخاب موقعیت‌های حفـاری با دقـت بیشتری انـجام شـود. حـذف مناطق کم‌پتانسیل و تمرکـز بر بخش‌های کلیدی، هزینـه عملیات را کاهـش می‌دهد و احتمال موفقیت حفـاری را افزایـش می‌دهـد. هنگامی که این خروجی با داده‌های ژئوشیمیایی ترکیب شود، مناطق دارای همگرایی طیفی–شیمیایی بهترین گزینه‌ها برای ادامه کار خواهند بود.
معماری پروژه به‌گونه‌ای طراحی شـده که بدون وابستگی به نرم‌افزارهای خاص تکرارپذیر باشد و قابلیت توسعه داشته باشد. در توسعه آینده، ترکیب این روش با تکنیک‌های نیمه‌نظارتی، مدل‌های چندمنبعی و لایه‌های DEM می‌تواند نقشه‌های پتانسیل‌یابی بسیار دقیق‌تری تولید کند. این پروژه نه جایگزین برداشت صحرایی است و نه رقیب روش‌های کلاسیک؛ بلکه ابزاری هوشمند و مکمل برای کاهش ریسک و بهبود تصمیم‌گیری در مراحل مختلف اکتشاف معدنی است.
این پژوهش نشان می‌دهد که خوشه‌بندی بدون‌ناظر دگرسانی پروپیلیتیک می‌تواند یک چارچوب قدرتمند برای فـهم رفتار پیچیـده داده‌های سنجش‌ازدور فراهـم کند. مسیر جدیدی برای تحلیل اولیه مناطق اکتشافی بگشاید.
دریافت متن کامل