فهرست نشریات علمی دسترسی آزاد ایران

در تهیه نقشه‌های پیش‌بینی پتانسیل معدنی، استفاده از الگوریتم‌های هیبریدی یادگیری ماشین به همراه داده‌های همگن منجر به دستیابی به نتایج قابل‌اعتماد می‌شود. برای همگن‌سازی و کشف ساختارهای پنهان  داده‌ها، روش‌های خوشه‌بندی بدون نظارت بسیار کارآمد هستند. ازاین‌رو در این مقاله با ترکیبی از روش‌های تحت نظارت و بدون نظارت با استفاده از داده‌های آموزشی و آزمایشی، نقشة پتانسیل بادقت بالا تهیه شد. در اینجا الگوریتم ماشین بردار پشتیبان نیمه نظارت شده برای تهیه نقشه پتانسیل معدنی استفاده شد. ابتدا لایه‌های رستری از 10 ویژگی اکتشافی تهیه شد. سپس 27 گمانه اکتشافی حفر شده بر اساس غلظت مس به 4 کلاس C1 تا C4 تقسیم شدند و از هر کلاس دو گمانه انتخاب و 100 متر بافرزنی در اطراف این گمانه‌ها انجام شد تا 1113 داده آموزشی استخراج شود. سپس داده‌های موجود با روش گوستافسون خوشه‌بندی شدند و کل داده‌ها و داده‌های خوشه‌بندی وارد الگوریتم ماشین بردار پشتیبان شدند تا دقت روش طبقه‌بندی‌کننده ماشین بردار پشتیبان در 4 خوشه مختلف ارزیابی شود. نتایج نشان‌دهنده افزایش دقت در هنگام استفاده از داده‌های خوشه‌بندی‌شده به‌جای کل داده‌ها است. همچنین در صورت عدم استفاده از داده‌های خوشه 4 دارای بالاترین دقت 97 درصد است. برای اعتبارسنجی، گمانه‌هایی که در آموزش داده‌ها مورد استفاده قرار نگرفتند، مورد ارزیابی قرار گرفتند. نتایج کلی بر اساس طبقه‌بندی گمانه‌ها و نقشه پتانسیل تهیه‌شده نشان‌دهنده دقت روش نیمه نظارتی ماشین بردار پشتیبان به‌عنوان یک نتیجه بهینه برای اکتشاف بیشتر و تعیین اهداف کانی‌سازی است.