فهرست نشریات علمی دسترسی آزاد ایران

تهیه نقشه پتانسیل معدنی به‌عنوان ابزاری کارآمد در شناسایی مناطق امیدبخش برای اکتشافات معدنی، نیازمند ترکیب و تلفیق هوشمند داده‌های چندمنبعی است. در سال‌های اخیر، روش‌های یادگیری عمیق به‌دلیل توانایی در پردازش داده‌های حجیم و چندبٌعدی، جایگاه ویژه‌ای در این حوزه یافته‌اند. این پژوهش با هدف توسعه و ارزیابی مدل‌های مبتنی بر معماری U-Net با اینکودر‌های از پیش آموزش دیده مختلف (بکبون) برای تلفیق داده‌های اکتشافی و تهیه نقشه پتانسیل معدنی در منطقه جنوب غربی استان کرمان انجام شده است. در این راستا، 11 نقشه نشانگر شامل داده‌های زمین‌شناسی (چگالی گسل، فاصله از گسل‌ها، وجود واحدهای نفوذی و فاصله از آن‌ها)، دورسنجی (وجود دگرسانی‌های فیلیک، آرژیلیک و پروپیلیتیک و فاصله از محدوده آن‌ها) و ژئوشیمیایی استخراج و پس از استانداردسازی به‌عنوان ورودی مدل استفاده شدند. برای غلبه بر چالش عدم توازن داده‌ها، از تابع هزینه فوکال و ایجاد برش‌ها از تصاویر استفاده شد. همچنین برای مدیریت حجم بالای داده‌ها، تصاویر به برش‌های کوچکتر تقسیم شدند. عملکرد پنج اینکودر‌ از پیش آموزش دیده مختلف شامل ResNet50، EfficientNetB0، MobileNetV2، VGG16 و DenseNet121 در ترکیب با معماری U-Net مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل با اینکودر‌ از پیش آموزش دیده  DenseNet121 با مقدار AUC برابر 9/0، بهترین عملکرد را در تشخیص مناطق با پتانسیل کانی‌زایی داشته است. همچنین، روش تجمعی (Ensemble) با ترکیب نتایج مدل‌های مختلف، عملکرد قابل قبول و مناسبی را ارائه داد. نقشه پتانسیل معدنی نهایی، هم‌خوانی بالایی با نقاط کانی‌زایی شناخته شده در منطقه نشان داد. این پژوهش نشان می‌دهد که روش‌های یادگیری عمیق قابلیت بالایی در ترکیب و تلفیق داده‌های اکتشافی متنوع دارند و به‌عنوان ابزاری کارآمد در بهینه‌سازی فرآیند اکتشاف ذخایر معدنی مورد استفاده قرار می‌گیرند.