In this paper, three data-driven methods (i.e., Bayesian, k-nearest neighbour (k-nn) and neural network classifiers) are used to generate a prospectivity map for porphyry-Cu deposits. Different data layers of geological, geophysical and geochemical themes are integrated to evaluate the Now Chun porphyry-Cu deposit, located in the Kerman province of Iran, and to prepare a prospectivity map for mineral exploration. Both the Bayesian and k-nn methods showed correct classification rates (CCR) of 52.38% for 21 boreholes divided into five classes. Three types of the neural networks including multi-layer perceptron, radial based function (RBF) and probabilistic neural network are applied to evaluate the result. Among neural networks used, the RBF neural network generated the highest CCR equal to 80.95%. Multi-classification of the prospect for detailed study could increase the resolution of the prospectivity map and decrease the drilling risk

چکیده

در این مقاله از سه روش داده محور (بیزین، k-نزدیکترین همسایگی (k-nn) و طبقه بندی‌ کننده های شبکه عصبی) برای ایجاد نقشه پتانسیل معدنی برای کانسارهای مس پرفیری استفاده می شود. لایه های مختلف داده های زمین شناسی، ژئوفیزیکی و ژئوشیمیایی برای ارزیابی کانسار مس پرفیری نوچون در استان کرمان ایران و تهیه نقشه پتانسیل معدنی جهت اکتشافات معدنی با هم تلفیق می شوند. هم روش های بیزین و هم روش های k-nn نرخ های طبقه بندی صحیح (CCR) 52.38% را برای 21 گمانه که در پنج کلاس طبقه بندی شده‌ بودند نشان دادند. برای ارزیابی نتیجه از سه نوع شبکه عصبی شامل پرسپترون چند لایه ای، تابع شعاع مبنا (RBF) و شبکه عصبی احتمالاتی استفاده شد. در میان شبکه های عصبی مورد استفاده، شبکه عصبی RBF، بزرگترین CCR معادل با 80.95% را ایجاد کرد. طبقه بندی چند کلاسه محدوده امید بخش برای مطالعه تفصیلی  موجب افزایش قدرت تفکیک نقشه پتانسیل معدنی و کاهش ریسک حفاری می شود.

1-مقدمه

هدف از اکتشافات معدنی اکتشاف کانسارهای جدید در منطقه مورد نظر است که یکی از گام های اصلی آن تمایز نواحی امید بخش می باشد. در پهنه بندی پتانسیل معدنی (MPM) برای تمایز نواحی امید بخش، مجموعه‌ ژئودیتاهای موضوعی مختلف (مانند مجموعه داده های زمین شناسی، ژئوفیزیکی و ژئوشیمیایی) جمع‌آوری، تحلیل و تلفیق می شوند. از این رو، پهنه بندی پتانسیل معدنی نوعی کار تصمیم گیری چند معیاری (MCDM) است و مدلی پیشگویانه را برای تعیین نواحی امید بخش تولید می کند...