مقایسه روش‌های تحلیل اکتشافی داده‌ها و انحراف مطلق میانه به منظور شناسایی آنومالی‌های ژئوشیمیایی و مناطق مستعد کانی‌زایی (مطالعه موردی: ناحیه معدنی هنزا، جنوب کمربند فلززایی ارومیه- دختر)

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده فنی و مهندسی، گروه معدن، دانشگاه شهید باهنر کرمان

چکیده

ناحیه هنزا در بخش جنوبی کمربند فلززایی ارومیه- دختر واقع در جنوب شرقی ایران است. این ناحیه شامل چندین کانسار مس پورفیری بوده و برای اکتشاف این نوع کانی‌سازی محیط مطلوبی است. برای مطالعات ژئوشیمیایی اکتشافی تعداد 451 نمونه رسوبات آبراهه‌ای از این ناحیه برداشت شده است. هدف شناسایی مناطق کانی‌زایی و استفاده از روشی مطلوب جهت تعیین حد آستانه عناصر است. در این پژوهش حد آستانه عناصر توسط دو روش تحلیل اکتشافی داده‌ها (EDA) و انحراف مطلق میانه(MAD)  محاسبه شد. در روش EDA تخمین آستانه بر اساس انتخاب کلاس‌های ثابت در نمودار جعبه‌ای انجام می‌گیرد و به صورت Q3+1.5×(Q3-Q1) تعریف می‌شود. چارک سوم (Q3) و چارک اول (Q1) به ترتیب معادل 75 و 25 درصد فراوانی هستند. در روش MAD تخمین حد آستانه بر اساس میانه و انحراف مطلق میانه انجام می‌گیرد و به ‌صورت میانه+دو برابر انحراف مطلق میانه (Median+2×MAD) تعریف می‌شود. انحراف مطلق میانه (MAD) به ‌عنوان میانه انحرافات مطلق تمامی مقادیر داده‌ای از میانه داده‌ها است. در محدوده مورد مطالعه 6 کانسار شناخته شده مس پورفیری وجود دارد. به‌ منظور مقایسه توانایی دو روش EDA و MAD در شناسایی نواحی کانی‌سازی شده (منظور شناسایی نواحی کانساری)، نقشه مس و مولیبدن توسط دو روش تهیه شد و فقط سه کانسار با روش EDA شناسایی شد، در حالی‌ که توسط روش MAD، همه کانسارها شناسایی شدند. همچنین توسط روش MAD، هشت محدوده بی‌هنجاری جدید شناسایی گردید که پردازش‌های تصاویر ماهواره‌ای، توزیع فراگیر دگرسانی‌های مرتبط با سیستم‌های پورفیری را در آنها نشان داده است. هیچ یک از مناطق بی‌هنجاری جدید توسط روش EDA شناسایی نشدند و مشخص شد این روش برای شناسایی بی هنجاری‌هایی ژئوشیمیایی ناکارآمد است. روش MAD، برای شناسایی مناطق بی‌هنجاری مناسب‌تر است به ‌طوری‌که توسط این روش 11 محدوده (سه کانسار و 8 بی‌هنجاری جدید) بیشتر از روش EDA شناسایی شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of Exploratory Data Analysis (EDA) and Median Absolute Deviation (MAD) in order to identify geochemical anomaly and mineralization potential areas (Case Study: Hanza district, southern of Urrmia–Dokhtar metallogenic belt)

نویسندگان [English]

  • Amir Habibnia
  • Gholamreza Rahimipour
  • Hojjatollah Ranjbar
Dept. of Mining, Shahid Bahonar University of Kerman, Iran
چکیده [English]

Summary
In this study, two methods of Exploratory Data Analysis (EDA) and Median Absolute Deviation (MAD) are used for determining the threshold. In the EDA technique, outlier values are considered as anomalies and eII is high. In type I error (eI), samples with background values are accepted as anomaly; and in type II error (eII), samples with anomalous values are accepted as background. In fact, EDA method is inefficient for identifying anomalies with low contrast. This paper introduces MAD method to reduce eII for thresholds estimation.
 
Introduction
Today EDA method is commonly used for threshold calculation and anomalies separation. In the EDA method, determination of threshold performs based on selection of fixed classes in box plot and is defined as Q3+1.5×(Q3-Q1). The third (Q3) and the first (Q1) quartiles are considered as 75% and 25% frequency, respectively. In the MAD method, estimation of thresholds performs based on median and median absolute deviation (MAD) and is defined as Q2+2×(MAD).
 
Methodology and Approaches
In order to compare EDA and MAD methods, the dot histogram was used and position of threshold of the two methods was displayed on the histogram. In the study area, there are six known PCDs. In order to compare the ability of EDA and MAD methods in identifying PCDs, copper and molybdenum maps were prepared by the two methods. Remote sensing data was used to demonstrate the importance of the anomaly regions that were identified by MAD. Key minerals of argillic and phyllic alterations were identified by valid remote sensing techniques based on the spectral characteristics. These techniques include False-color composite (FCC) and band ratio (BR) based on Relative Band Depth (RBD).
 
Results and Conclusions
The threshold of EDA is located in the end tail of dot histogram therefore by this method, just outlier values are identified as anomaly. The threshold of MAD method has a desirable position on the dot histogram. According to the investigation of copper and molybdenum maps, only three PCDs were identified by EDA while by MAD, all PCDs were identified. Also by MAD, eight new anomalous areas were detected. Satellite images processing has shown extensive distribution of hydrothermal alteration associated with porphyry systems in the eight new anomalous areas. These new anomalous areas have not been recognized by EDA and this method is inefficient for identifying geochemical anomalies. The MAD method is more suitable for identifying geochemical anomalous areas. this method detected 11 more areas (three PCDs and 8 new anomaly) than EDA method.

کلیدواژه‌ها [English]

  • Geochemical exploration studies
  • Geochemical anomalies
  • Thresholds calculation
  • EDA
  • MAD

ناحیه هنزا در شمال برگه زمین‌شناسی یکصدهزارم ساردوییه واقع در استان کرمان و در بخش جنوبی کمربند فلززایی ارومیه- دختر قراردارد. این ناحیه در جنوب شرقی ایران بوده و دارای چندین کانسار مس پورفیری و دیگر ذخایر تیپ گرمابی است و از دیدگاه ژئوشیمیایی به ‌عنوان یک ناحیه معدنی مطرح است]1،2،3،4[. در این ناحیه تعداد 6 کانسار مس پورفیری شامل درالو، بندار هنزا، سرمشک، هنزا، گورو و سوراخ مار وجود دارد. تشخیص و جدایش نهشته‌های معدنی مرتبط با بی‌‌هنجاری‌های ژئوشیمیایی در اکتشاف منابع معدنی، ضروری است. بی‌هنجاری‌های ژئوشیمیایی می‌توانند شاخص‌های مستقیمی در کشف ذخایر ناشناخته باشند]5[. شناسایی بی‌هنجاری‌ها در طول فعالیت‌های اکتشافی یکی از وظایف اساسی در استفاده از داده‌های ژئوشیمیایی است]6[. یک روش برای درک بهتر از توزیع تک عنصری و تشخیص داده‌های خارج از ردیف (بی‌هنجاری)، استفاده از روش EDAاست که توسط تدکی (1977) و هوگلن (1983) توسعه یافته است]7، 8[. این روش جزء روش‎های آماری موسوم به Robust Statistic (روش آماری با عدم حساسیت به تغییرات مقدار در نمونه‎ها) دسته‎بندی شده و برای تجزیه و تحلیل داده‌های تک عنصری استفاده می‌شود]9[. روش دیگر برای شناسایی بی‌هنجاری، روش انحراف مطلق میانه (MAD) است. روش MAD انعطاف پذیری بیشتری نسبت به مقادیر پَرت دارد، مستقل از توزیع داده بوده و نیاز به نرمالسازی ندارد[9-11]. اسدی و همکاران در مطالعه لیتوژئوشیمیایی محلی در تپه‌های آق داغ (واقع در شمال شرق ایران)، به منظور تعیین مناطق حفاری در کانی‌زایی طلای گرمابی ساری گونای از روش‌های فرکتال عیار- مساحت و EDA برای تعیین حد آستانه استفاده نمود. او در بررسی خود نشان داد که با روش EDA تنها بی‌هنجاری‌های شدید شناسایی می‌شوند]10[. به منظور شناسایی بی‌هنجاری‌های ژئوشیمیایی مرتبط با کانی زایی در بخش طلادار هاتو و بوگاتو در ناحیه کارامای واقع در استان زینجیانگ چین، نتایج تکنیک‌های EDA و فرکتال عیار- مساحت مقایسه شدند. سرانجام، نشان داده شد که روش EDA برای پیش‌بینی اهداف اکتشافی مواد معدنی مناسب نیست و حد آستانه آن برای همه عناصر خیلی بالا است]6[.

[1]           Djokovic, I., Dimitrijevic, M.N., Cvetic, S., Dimitrijevic, M.D., 1973. Geological map of Iran sheet 7448-Sarduiye, Scale 1:100,000.

[2]           Mohebi, A., Mirnejad, H., Lentz, D., Behzadi, M., Kani, A., Taghizadeh, H., Dolati, A., 2015. Controls on porphyry Cu mineralization around Hanza Mountain, south-east of Iran: An analysis of structural evolution from remote sensing, geophysical, geochemical and geological data. Journal of ore geology Reviews, 69,187–198.

[3]           Agard, P., Monié, P., Gerber, W., Omrani, J., Molinaro, M., Labrousse, L., Vrielynck, B.,Meyer, B., Jolivet, L., Yamato, P., 2006. Transient, syn-obduction exhumation of Zagros blueschists inferred from P-T-deformation-time and kinematic constraints implications for Neotethyan wedge dynamics, Journal of Geophysical Research. 111. B11401.

[4]           Berberian, F., Muir, I.D., Pankhurst, R.J., Berberian, M., 1982. Late Cretaceous and early Miocene Andean-type plutonic activity in northern Makran and Central Iran. Journal of the Geological Society -Lyell Collection, 139, 605–614.

[5]           Yang, J., Frederik P. A., Cheng, Q. 2015. Anovelfiltering technique for enhancing mineralization associated geochemical and geophysical anomalies. Journal of Computers & Geosciences, 79, 94–104

[6]           Zhou, S., Zhou, K., Cui, Y., Wang, J., Ding, J., 2014. Exploratory Data Analysis and Singularity Mapping in Geochemical Anomaly Identification in Karamay, Xinjiang, China. Journal of GeochemicalExploration.

[7]           Tukey, J.W., 1977. Exploratory data analysis. Addison-Wesley, Reading.

[8]           Hoaglin, D.C., 2015. Exploratory Data Analysis: Univariate Methods. International Encyclopedia of the Social & Behavioral Sciences, 2nd edition, 8, 600-604.

[9]           Carranza, E. J. M., 2009. Exploratory analysis of geochemical anomalies. In M. Hale (Ed.) Geochemical Anomaly and Mineral Prospectivity Mapping in GIS, Handbook of Exploration and Environmental Geochemistry, 11, (Elsevier, 351 pp).

[10]         Asadi, H.H., Kianpouryan, S., JunLu, Y., McCuaig, T.C., 2014. Exploratory data analysis and C–A fractal model applied in mapping multi-element soil anomalies for drilling: A case study from the Sari Gunay epithermal gold deposit, NW Iran. Journal of Geochemical Exploration 145, 233–241.

[11]         Ghannadpour, S.S., Hezarkhani, A., Maghsoudi, A., Farahbakhsh, E., 2015. Assessment of prospective areas for providing the geochemical anomaly maps of lead and zinc in Parkam district, Kerman, Iran. Journal of Geosciences, 19(3), 431–440.

[12]         Shahabpour, J., 2005. Tectonic evolution of the orogenic belt in the region located between Kerman and Neyriz. Journal of Asian Earth Sciences, 24, 405–417.

[13]         Berberian, M., King, G.C., 1981, Towards a paleogeography and tectonic evolution of Iran. Canadian Journal of Earth Sciences, 18, 210–265.

[14]         Aftabi, A., Atapour, H., 1997. Geochemical and petrological characteristics of shoshonitic and potassic calcalkaline magmatism at Sarcheshmeh and Dehsiahan porphyry copper deposits, Kerman, Iran, Research Bulletin of Isfahan University 9, 127–156 (in Persian).

[15]         Hassanzadeh, J., 1993. Metallogenic and tectonomagmatic events in the SE sector of the Cenozoic active continental margin of central Iran (Shahr e Babak area, Keman Province) Ph.D. Thesis University of California, Los Angeles (pp 204).

[16]         Wellmer, F.W. 1998, Statistical evaluations in exploration for mineral deposits, Springer New York, P.379.

[17]         Cheng, Q., Agterberg F.P., Bonham-Carter, G.F., 1996. A spatial analysis method for geochemical anomaly separation.Journal of Geochemical Exploration 56, 183-195.

[18]         Stanley. CR., 1988. Comparison of data classification proceduresin applied geochemistry using Monte Carlo simulation. Unpublished Ph.D. thesis, Univ. of British Columbia, Vancouver, 256 pp.

[19]         Templ, M., Filzmoser, P., Reimann, C., 2008. Cluster analysis applied to regional geochemical data: Problems and possibilities. Journal of Applied Geochemistry 23, 2198-2213.

[20]         Reimann, C., Filzmoser, P., Garrett, R.G., 2005. Background and threshold: critical comparison of methods of determination. Science of the total Environment, 346, 1-16.

[21]         Kürzl, H. 1988. Exploratory data analysis: recent advances for the interpretations of geochemical data. Journal of Geochemical Exploration, 30, 309-322.

[22]         Gutiérrez, M., Reyes Gomez, V, M., Nuez Lopez, D., 2012. Exploratory Analysis of Sediment Geochemistry to Determine the Source and Dispersion of Ba, Fe, Mn, Pb and Cu and in Chihuahua, Northern Mexico. Journal of Geography and Geology, 4, 26-39.

[23]         Campbell, N.A., 1982. Statistical treatment of geochemical data. In: R.E. Smith (Ed.), Geochemical Exploration in Deeply Weathered Terrain. CSIRO Institute of Energy and Earth Resources, Floreat Park, Western Australia, 141-144.

[24]         Howarth, R.J., 1984. Statistical approach in geochemical prospecting: a survey of recent developments. Journal of Geochemical Exploration, 21, 41-61.

[25]         Garrett, R.G., 1988. IDEAS: an interactive computer graphics tool to assist the exploration geochemist. In: Current Research, Part F. Journal of Geological Survey of Canada, Paper 88-1F, 1-13.

[26]         O’Connor, P.J., Reimann, C., 1992. Multielement regional geochemical reconnaissance as an aid to target selection in Irish Caledonian terrains. Journal of Geochemical Exploration, 47, 63–87.

[27]         Zhang, C., & Selinus, O. 1998. Statistics and GIS in environmental geochemistry-some problems and solutions. Journal of Geochemical Exploration, 64, 339-354.

[28]         Reimann, C., Filzmoser, P., Garrett, R.G., 2002. Factor analysis applied to regional geochemical data: problems and possibilities. Journal of Applied Geochemistry, 17, 185–206.

[29]         Reimann, C., Garrett, R.G., 2005. Geochemical background-concept and reality. Journal of Science of the total Environment, 350, 12–27.

[30]         Bounessaha, M., Atkinb, B.P., 2003, An application of exploratory data analysis (EDA) as a robust non parametric technique for geochemical mapping in a semi-arid climate, Journal of Applied Geochemistry. 18, 1185–1195.

[31]         Grunsky, E.C., 2006. The evaluation of geochemical survey data: data analysis and statistical methods using geographic information systems. In: J.R. Harris (Ed.), GIS for the Earth Sciences. Geological Association of Canada Special Publication 44, 229-283.

[32]         Chiprés, J. A., Castro-Larragoitia, J., Monroy, M. G. 2009. Exploratory and spatial data analysis (EDA-SDA) for determining regional background levels and anomalies of potentially toxic elements in soils from Catorce-Matehuala, Mexico. Journal of Applied Geochemistry, 24, 1579-1589.

[33]         Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Journal of Ore Geology Reviews. 38, 59–69.

[34]         Beiranvnd Pour, A., Hashim, M., 2011. Identification of hydrothermal alteration minerals for exploring of porphyry copper deposit using ASTER data, SE Iran. Journal of Asian Earth Sciences 42, 1309–1323.

[35]         Ranjbar1, H., Shahriari1, H., Honarmand, M., 2003. Comparison of ASTER and ETM+ data for exploration of porphyry copper mineralization: A case study of Sar Cheshmeh areas, Kerman, Iran. Map Asia Conference, © GISdevelopment.

[36]         Honarmand, M., Ranjbar, H., Shahabpour, J., 2011. Application of Spectral Analysis in Mapping Hydrothermal Alteration of the Northwestern Part of the Kerman Cenozoic Magmatic Arc, Iran. Journal of Sciences, Islamic Republic of Iran 22, 221-238.

[37]         Kruse, F.A., 1988. Use of airborne imaging spectrometer data to map minerals associated with hydrothermally altered rocks in the northern Grapevine Mountains, Nevada, and California. Journal of Remote Sensing of Environment, 24, 31-51.

[38]         Ben-Dor, E. and Kruse, F.A., 1994, The relationship between the size of spatial subsets of GER 63 channel scanner data and the quality of the Internal Average Relative Reflectance (IARR) atmospheric correction technique. Journal of Remote Sensing, 15(3), 683-690.

[39]         Van Ruitenbeek, F.J.A., Pravesh, D., Van der Meer, F.D. et al., 2006. Mapping white micas and their absorption wavelengths using hyperspectral band ratios. Journal of Remote Sensing of Environment, 102, 211–222.

[40]         Sillitoe, R. H. 2010.  Porphyry Copper Systems. Journal of Economic Geology, 105, 3–41.

[41]         Legg, C.A., 1994. Remote sensing and geographical information system geological mapping, Mineral Exploration and Mining. New York: Ellis Horwood. 166 p.

[42]         Vincent, R.K., 1997. Fundamentals of geological and environmental remote sensing. Prentice Hall, 370 p.

[43]         Mars, J.C., Rowan, L.C., 2006. Regional mapping of phyllic- and argillic-altered rocks in the Zagros magmatic arc, Iran, using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data and logical operator algorithms. Journal of Geosphere 2, 161–186.

[44]         Nouri, R., Jafari, M.R., Arain, M. and Feizi, F., 2012. Hydrothermal Alteration Zones Identification Based on Remote Sensing Data in the Mahin Area, West of Qazvin Province, Iran. World Academy of Science, Engineering and Technology, International Journal of Environmental, Chemical, Ecological, Geological and Geophysical Engineering, 6, 382-385.

[45]         Ferreir, G.; White, K.; Griffiths, G.; Bryant, R. and Stefofuli, M., 2002. The mapping of hydrothermal alteration zons on the island of Levos,Greece using an integrated remote sensing dataset. International journal of remote sensing, 23, 341-356.

[46]         Di Tommaso, I.D. and Rubinstein, N., 2007. Hydrothermal alteration mapping using ASTER data in the Infiernillo porphyry deposit, Argentina. Journal of Ore Geology Reviews 32, 275–290.

[47]         Mars, J.C. and Rowan, L.C., 2010. Spectral assessment of new ASTER SWIR surface reflectance data products for spectroscopic mapping of rocks and minerals. Journal of Remote Sensing of Environment, 114, 2011–2025.

[48]         Hewson, R.D., Cudahy, T.J., Mizuhiko, S., Ueda, K., Mauger, A.J. 2005. Seamless geological map generation using ASTER in the Broken Hill–Curnamona province of Australia. Journal of remote sensing, 9, 159–172.

[49]         Solovof A.P., Arkhipov A.Y., Bugrov C.A., Varabiev C.A.Gershman D.M., Grigorian C.V., Kviatkovcki E.M., Matveev A.A.,Miliaev C.A., Nikolaev V.A., Perelman A.E., Shvarov U.V., UfaB.Y., Yaroshefski A.A., 1990. Handbook of geochemical exploration for mineral deposits, Moscow, Nedra,

[50]         Mojtahedzadeh, S.H., Bemani, M., Malakzadeh, S., 2017, Geochemical Data Analysis of Irankouh (Isfahan) Pb- Zn Mine, Using Exploratory Data Analysis (EDA) and Fractal Methods. Journal of Analytical and Numerical Methods in Mining Engineering. Volume 7, Issue 13 , Page 71-90. (In Persian).