روش های پردازش داده های ژئوشیمی: مروری بر روش ها در طول زمان

مقدمه ای بر پردازش داده های ژئوشیمی در طول زمان

داده های ژئوشیمی اکتشافی در اکتشافات معدنی و مطالعات زمین شناسی اهمیت بسیار زیادی دارند و نقش قابل توجهی در اکتشاف ذخایر معدنی ایفا می نمایند. در این مقاله، روش های متداول جهت پردازش داده های ژئوشیمی اکتشافی و شناسایی آنومالی‌های ژئوشیمیایی مرتبط با کانی سازی‌ها مدنظر بررسی شده است. در چندین دهه گذشته، در مقالات و گزارش های علمی و تخصصی گوناگون انواع توزیع پراکندگی مقادیر عناصر مانند توزیع‌های نرمال، لاگ نرمال، قانون توان و انواع توزیع‌های پیچیده را مورد بررسی قرار گرفته است. بنابراین، پردازش داده‌های ژئوشیمی اکتشافی همسو با پیشرفت تکنولوژی دچار تغییرات بسیار زیادی شده است. پردازش داده های ژئوشیمی اکتشافی از آمار کلاسیک، آمار چند متغیره، مطالعات زمین آماری به مدل‌های فراکتال/ مولتی فرکتال و الگوریتم‌های یادگیری ماشین تغییر کرده است. داده های ژئوشیمی اکتشافی، به عنوان داده های ترکیبی، با مشکل بسته بودن سیستم عددی مواجه هستند به همین دلیل در ابتدا باید سیستم عددی آن ها را با استفاده از تبدیل ratio-log به سیستمی باز تبدیل نمود. در حال حاضر روش‌های یادگیری ماشین و یادگیری عمیق محبوبیت بالایی در زمینه پردازش داده های ژئوشیمی و مدلسازی پتانسیل‌های معدنی دارند.

این مقاله از سایت زمین پی‌جویان نگار بر اساس مقاله علمی و تخصصی زیر نوشته شده است:

Zuo et al., 2021. The processing methods of geochemical exploration data: past, present, and future. Applied Geochemistry.

درباره آمار کلاسیک در پردازش داده های ژئوشیمی اکتشافی

آمار کلاسیک در اکتشافات ژئوشیمیایی شامل تجزیه و تحلیل تک متغیره است که معمولاً با محاسبه پارامترهای مرکزی مانند میانگین، انحراف استاندارد، میانه، مد و معیارهای تمایل و پراکندگی استفاده می شود. این پارامترها اغلب برای نمایش مشخصات توزیع پراکندگی عناصر ژئوشیمیایی در یک جدول ارائه شده و جهت بررسی شکل توزیع عناصر از روش های پیش پردازش مانند تبدیل باکس کاکس (Box-Cox) و لگاریتمی استفاده میگردد. با استفاده از تبدیل های ذکر شده داده های ژئوشیمی اکتشافی جهت ادامه تجزیه و تحلیل آماری کلاسیک آماده‌ می‌شوند. همچنین محاسبه ضرب و نسبت نتایج آنالیز عناصر ژئوشیمیایی به عنوان ابزاری دیگر برای شناسایی ناهنجاری‌ها و یا آنومالی‌ها شناخته شده اند که پس زمینه را تهی و سیگنال‌های مرتبط با کانی‌سازی را تقویت می نمایند. با استفاده از روش های آمار کلاسیک میتوان حدود آستانه (Threshold) جوامع ژئوشیمی را جدا نمود.

آمار چند متغیره در پردازش داده‌های ژئوشیمی اکتشافی

زمانیکه نتایج آنالیز ژئوشیمی ها به عنوان داده‌های ورودی دارای پیچیدگی می باشند، باید به جای روش‌های آماری تک متغیره از روش‌های آماری چند متغیره استفاده نمود. تکنیک‌های رایج مانند FA ،PCA، تجزیه و تحلیل مؤلفه مستقل، خوشه بندی و مقیاس چند بعدی به ویژه در شناسایی ناهنجاری های چند متغیره مرتبط با کانی سازی موثر می باشند.

اساس کار روش‌های PCA و FA کاهش ابعاد داده‌ها و نمایش همبستگی‌های اصلی نتایج آنالیز‌های ژئوشیمی می باشد، اما ممکن است به دلیل حساسیت به نقاط پرت (Outliers)، برخی اطلاعات را از دست بدهند. جهت رفع این محدودیت‌ها، از روش‌های پیشرفته‌تر همانند SWPCA ،RPCA و SFA استفاده می گردد. این روش های توسعه یافته مطالعات داده های ژئوشیمی اکتشافی قادر به کنترل تأثیر مقادیر پرت بوده و همچنین با در نظر قرار دادن ویژگی‌های فضایی و شناسایی عناصر غیرشاخص نتایج به مراتب قوی تری را نشان می‌دهند. این روش های پیشرفته تر در مطالعات آماری چند متغیر داده های ژئوشیمی اکتشافی در بسته‌های R قابل دسترسی می باشند.

مطالعات زمین آماری در بررسی های ژئوشیمی اکتشافی

مطالعات زمین آماری (Geostatistical Studies) یکی از زیرشاخه‌های آمار فضایی می باشد که بر مدل‌سازی و کمی‌سازی پدیده‌های مکانی تمرکز دارد. مطالعات زمین آماری بر متغیرهای تصادفی منطقه ای که همبستگی فضایی را نشان میدهند، متمرکز می باشد.

اجزای اصلی مطالعات زمین آماری شامل مدلسازی نیم متغیر، کریجینگ و شبیه سازی تصادفی می باشد. مزایای مهم مطالعات زمین آماری شامل موارد ذیل است:

۱- بهبود دقت پیش‌بینی.

۲- کمی‌سازی عدم قطعیت.

۳- کاهش هزینه‌های اکتشاف معدن.

سه مزیت ذکر شده در بالا، هدف اصلی مطالعات اکتشافی در هر محدوده اکتشافی می باشد.

روش فراکتال و مولتی فراکتال در پردازش داده های ژئوشیمی اکتشافی

فراکتال‌ها و مولتی فراکتال‌ها مفاهیم ریاضی هستند که برای توصیف الگوهای هندسی تکراری در مقیاس‌های گوناگون مورد استفاده قرار می‌گیرند. در مطالعات ژئوشیمی اکتشافی، مدل‌های فراکتالی و مولتی فرکتالی جهت تحلیل و تفسیر داده های ژئوشیمیایی دارای توسعه یافته اند. این مدل‌ها شامل مدل عیار-مساحت (C-A)، مدل عیار-تعداد (N-A)، مدل عیار - حجم (C-V) و مولتی فراکتالی می باشند. هدف این مدل ها شناسایی ناهنجاری های ژئوشیمیایی و درک تغییرپذیری فضایی الگوهای ژئوشیمیایی می باشد. یکی از کاربردهای مهم این مدل‌ها ایجاد نقشه‌های شطرنجی از داده‌های نقطه‌ای ژئوشیمیایی است و می توان مدل وزن‌دهی معکوس فاصله مولتی فراکتال (MIDW) را به عنوان یک روش موفق در مطالعات ژئوشیمی اکتشافی در پروژه های اکتشافی و زمین شناسی در نظر قرار داد.

ابزارهای نرم افزاری مانند GeoDAS و افزونه های ArcGIS برای پیاده سازی این مدل‌ها در اکتشافات ژئوشیمیایی مورد استفاده مهندسان معدن و زمین شناسان قرار می گیرد. به طور کلی، مدل های فراکتال و مولتی فراکتالی به ابزارهای کلیدی در اکتشافات ژئوشیمیایی تبدیل شده اند. با بهره گیری از این مدل‌ها در بررسی های محدوده های اکتشافی امکان دستیابی به اطلاعات معنی دار از مجموعه داده های بزرگ فراهم می‌گردد.

نقش هوش مصنوعی در ژئوشیمی اکتشافی

یادگیری ماشین (Machine Learning - ML) و یادگیری عمیق (Deep Learning - DL) در سالهای اخیر جهت تشخیص ناهنجاری‌های ژئوشیمیایی، به ویژه داده های ژئوشیمیایی که چند متغیره هستند، توجه زیادی را به خود جلب کرده اند. این روش ها مزایای زیادی نسبت به روش‌های سنتی مانند PCA و LSA دارند، از جمله توانایی تشخیص الگوهای پیچیده بدون نیاز به فرض‌های قبلی، استخراج خودکار ویژگی‌ها در سطوح مختلف، و توانایی بالا در مدیریت داده‌های بزرگ و پیچیده.

یادگیری نظارتی (Supervised Learning) مانند روش های شبکه عصبی، SVM، و جنگل تصادفی و همچنین یادگیری بدون نظارت (Unsupervised Learning) همانند روش‌ خوشه‌بندی دو طریق اصلی در یادگیری ماشین می باشند. یادگیری عمیق نیز با روش هایی مانند رمزگذارهای خودکار، متغیر، و کانولوشنی به عنوان یک روش موفق و دقیق در مدل سازی پتانسیل معدنی و مدل سازی ژئوشیمی مورد استفاده قرار گرفته است. انتخاب نوع روش یادگیری ماشین به عوامل مانند پیچیدگی داده ها، در دسترس بودن داده ها، و منابع محاسباتی بستگی دارد. در بسیاری از پروژه های پی جویی و اکتشاف شرکت زمین پی‌جویان نگار از روش های نوین هوش مصنوعی محور استفاده می شود. دلیل این امر افزایش دقت در مطالعات زمین شناسی و ژئوشیمی می باشد.

روش حوضه آبریز در پردازش داده های ژئوشیمی اکتشافی

روش حوضه آبریز (catchment basin) در اکتشافات ژئوشیمیایی برای حل مسئله تراکم نمونه برداری ناکافی استفاده میشود. ترکیبات نمونه برداشت شده از انتهای هر حوضه آبریز نمایانگر ترکیب مواد موجود در بالادست حوضه آبریز می باشد. این تکنیک پس زمینه ژئوشیمیایی هر حوضه آبریز را تعیین کرده و آن را از مقادیر مشاهده شده جداسازی می نماید تا ناهنجاری های ژئوشیمیایی ناشی از کانی سازی را شناسایی نماید. این روش با تکاملاتی همچون در نظر گرفتن الگوهای هیدروگرافی و ژئومورفیک، بررسی تراکم زهکشی، و ادغام داده های مختلف (ژئوشیمیایی، ژئوفیزیکی، زمین شناسی) بهبود یافته است. پیاده سازی این روش معمولاً با استفاده از تحلیل هیدرولوژیکی بر اساس مدل های رقومی ارتفاع (DEM) و سیستم های اطلاعات جغرافیایی انجام میشود و به بهبود نمایش الگوها و ناهنجاریهای ژئوشیمیایی کمک میکند.

نتیجه گیری روش های پردازش داده های ژئوشیمی اکتشافی

بر اساس روش هایی که در این مقاله آورده شده است، در عصر کنونی به دلیل ارتقا لحظه ای هوش مصنوعی مناسب ترین روش پردازش داده های ژئوشیمی اکتشافی، روش یادگیری ماشین و یادگیری عمیق می باشد. کارشناسان خبره شرکت زمین پی جویان نگار در طی چند سال اخیر با بهره گیری از روش های یادگیری ماشین و یادگیری عمیق در پروژه اکتشافی و زمین شناسی خود، دقت پردازش های داده های ژئوشیمی، ژئوفیزیک و زمین شناسی را دو چندان نموده اند تا مناسب ترین و دقیق ترین پاسخ را به نیاز های کارفرما های شرکت ارائه نمایند.