تلفیق روش¬های سنجش از دور و مغناطیس¬سنجی به¬منظور اکتشاف کانسار آهن در گستره مراغ بندرچارک
محورهای موضوعی :رضا احمدی 1 * , عبدالرضا قره شیخ بیات 2
1 - عضو هیئت علمی دانشگاه صنعتی اراک
2 - دانشگاه صنعتی اراک
کلید واژه: سنجش¬از¬دور, مدلسازی وارون سه¬بعدی, مراغ بندرچارک, مغناطیس¬سنجی, نرم¬افزار ENVI,
چکیده مقاله :
در پژوهش حاضر با استفاده از داده های سنجنده ASTER و به کمک نرم افزار ENVI، مطالعات سنجش از دور به منظور شناسایی پتانسیل و حضور کانه سازی احتمالی آهن در گستره مراغ بندرچارک واقع در استان هرمزگان، انجام شد. سپس اکتشاف مقدماتی گستره-های امیدبخش، با استفاده از روش ژئوفیزیکی مغناطیس سنجی صورت گرفت. عملیات دورسنجی داده های گستره شامل مراحل پیش-پردازش همانند تصحیح هندسی به روش تصویر به تصویر و تصحیح اتمسفری و تکنیک های پردازش ترکیب رنگی کاذب، نسبت گیری باندی، برازش کمترین مربع ها، تحلیل مولفه های اصلی انتخابی و در نهایت طبقه بندی نظارت شده با استفاده از روش نقشه برداری زاویه طیفی است. در نتیجه این فرآیند، نقشه پهنه های دگرسانی مرتبط با کانی زایی آهن منطقه مورد مطالعه مشخص شد. عملیات برداشت مغناطیسی در گستره ای به وسعت تقریبی 2/11 کیلومتر مربع و در 1913 ایستگاه اندازه گیری با استفاده از دستگاه مگنتومتر پروتون انجام شده است. برای انجام عملیات پردازش و تفسیر کیفی داده های مغناطیسی نظیر اعمال تصحیحات و فیلترهای مختلف همانند برگردان به قطب، گسترش به سمت بالا تا ارتفاع های مختلف، فیلتر پایین گذر، فیلترهای مشتق شامل گرادیان افقی کل و سیگنال تحلیلی، از نرم افزار Geosoft Oasis montaj استفاده شد. درنهایت به منظور بررسی روند بی هنجاری های مغناطیسی مشاهده شده بر روی سطح، تعیین شکل تقریبی توده کانسار و تخمین عمق آن، مدلسازی وارون سه بعدی داده ها انجام گرفت. نتایج پژوهش حاضر از طریق تلفیق دو روش سنجش از دور و مغناطیس سنجی همراه با مدل سازی وارون سه بعدی داده های مغناطیسی نشان می دهند که منطقه مراغ از نظر کانه سازی آهن دارای پتانسیل بالایی است. نتایج این پژوهش برای کلیه کاربران علوم زمین بویژه زمین شناسان و مهندسین اکتشافی قابل استفاده خواهد بود.
تاجيک، م. و کاکائي، ر.، 1385. کاربرد تصاوير سنجنده ASTER در تفکيک زون¬هاي دگرساني مس پرفيري )برگه 1:100000 جبال بارز(. بيست و پنجمين گردهمايي علوم زمين.
علوی پناه، ک.، 1382. کاربرد سنجش از دور در علوم زمین. انتشارات دانشگاه تهران، 496.
فاتحی، م.، نوروزی، غ.ح. و حاجی‌ئی، ف.، 1392. برآورد عمق تودههای مغناطیسی با استفاده از مشتقات سیگنال تحلیلی. مجله ژئوفیزیک ایران. 7، 4، 63-52.
Abera, B.G., 2005. Application of Remote Sensing and Spatial Data Integration Modeling to Predictive Mapping of Apatite-mineralized Zones in the Bikalal Layered Gabbro Complex, Western Ethiopia ITC. MSc. Thesis, 63.
Alian, F. and Bazamad, M., 2014. Petrography of Zendan salt dome (Hara), Bandar Lengeh. In 6th Symposium of Iranian society of Economic Geology, Sistan and Baluchestan University, Zahedan, Iran.
Azizi, H., Tarverdi, M.A. and Akbarpour, A., 2010. Extraction of hydrothermal alterations from ASTER SWIR data from east Zanjan, northern Iran. Advances in Space Research, 46, 1, 99-109.
Boloki, N. and Poormirzaee, R., 2009. Using ASTER image processing for hydrothermal alteration and key alteration minerals mapping in Siyahrud, Iran. International Journal of Geology, 2, 3, 38-43.
Cooper, G.R.J. and Cowan, D.R., 2006. Enhancing potential field data using filters based on the local phase. Computers and Geosciences, 32, 10, 1585-1591.
Crosta, A.P., De Souza Filho, C.R., Azevedo, F. and Brodie, C., 2003. Targeting key alteration minerals in epithermal deposits in Patagonia, Argentina, using ASTER imagery and principal component analysis. International Journal of Remote Sensing, 24, 21, 4233-4240.
Di Tommaso, I. and Rubinstein, N., 2007. Hydrothermal alteration mapping using ASTER data in the Infiernillo porphyry deposit, Argentina. Ore Geology Reviews, 32, 1-2, 275-290.
Fakhari, S., Jafarirad, A., Afzal, P. and Lotfi, M., 2019. Delineation of hydrothermal alteration zones for porphyry systems utilizing ASTER data in Jebal barez area, SE Iran. Iranian Journal of Earth Sciences, 11, 80-92.
Gupta, H.K. and Roy, S., 2007. Geothermal energy: an alternative resource for the 21st century. Elsevier, 279.
Haddadan, M., 2006. Geological map of Iran, Garmsar sheet, scale 1:100,000. Geological Survey of Iran, Lar.
Hewson, R.D., Cudahy, T.J., Mizuhiko, S., Ueda, K. and Mauger, A.J., 2005. Seamless geological map generation using ASTER in the Broken Hill-Curnamona province of Australia. Remote Sensing of Environment, 99, 1-2, 159-172.
Khaleghi, M. and Ranjbar, H., 2011. Alteration mapping for exploration of porphyry copper mineralization in the Sarduiyeh area, Kerman province, Iran, using ASTER SWIR data. Australian Journal of Basic and Applied Sciences, 5, 8, 61-69.
Lelievre, P.G. and Oldenburg, D.W., 2006. Magnetic forward modelling and inversion for high susceptibility. Geophysical Journal International, 166, 1, 76-90.
Li, Y. and Oldenburg, D.W., 1996. 3-D inversion of magnetic data. Geophysics, 61, 2, 394-408.
Ninomiya, Y., 2003. A stabilized vegetation index and several mineralogic indices defined for ASTER VNIR and SWIR data. In IGARSS. IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE No. 03CH37477) (3, 1552-1554).
Parker, R.L. and Huestis, S.P., 1974. The inversion of magnetic anomalies in the presence of topography. Journal of Geophysical Research, 79, 11, 1587-1593.
Phillips, N.D., 2002. Geophysical inversion in an integrated exploration program: Examples from the San Nicolas deposit. Doctoral dissertation, University of British Columbia, 263.
Ranjbar, H., Honarmand, M. and Moezifar, Z., 2004. Application of the Crosta technique for porphyry copper alteration mapping, using ETM+ data in the southern part of the Iranian volcanic sedimentary belt. Journal of Asian Earth Sciences, 24, 2, 237-243.
Rowan, L.C. and Mars, J.C., 2003. Lithologic mapping in the Mountain Pass, California area using advanced space-borne thermal emission and reflection radiometer (ASTER) data. Remote Sensing of Environment, 84, 3, 350-366.
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geology Reviews, 14, 3-4, 157-183.
Schoppa, A., Schneider, J. and Wuppermann, C.D., 2000. Influence of the manufacturing process on the magnetic properties of non-oriented electrical steels. Journal of Magnetism and Magnetic Materials, 215, 74-78.
Soe, M., Kyaw, T.A. and Takashima, I., 2005. Application of remote sensing techniques on iron oxide detection from ASTER and Landsat images of Tanintharyi coastal area, Myanmar. Scientific and Technical Reports of Faculty of Engineering and Resource Science, Akita University, 26, 21-28.
Torres, C.A., 2007. Mineral Exploration Using GIS and Processed Aster Images. Advance GIS EES 6513 (Spring), University of Texas at San Antonio.
Williams, N.C., 2008. Geologically-constrained UBC–GIF gravity and magnetic inversions with examples from the Agnew-Wiluna greenstone belt, Western Australia. Doctoral dissertation, University of British Columbia, 509.
Yamaguchi, Y., Fujisada, H., Tsu, H., Sato, I., Watanabe, H., Kato, M., Kudoh, M., Kahle, A.B. and Pniel, M., 2001. ASTER early image evaluation. Advances in Space Research, 28, 1, 69-76.
Yuhas, R.H., Goetz, A.F. and Boardman, J.W., 1992. Discrimination among semi-arid landscape endmembers using the spectral angle mapper (SAM) algorithm. Geoscience Workshop, 1, AVIRIS Workshop, 147-149.
Zamyad, M., Afzal, P., Pourkermani, M., Nouri, R. and Jafari, M.R., 2019. Determination of hydrothermal alteration zones by remote sensing methods in Tirka area, Toroud, NE Iran. Journal of the Indian Society of Remote Sensing, 47, 1817–1830.
تلفیق روشهای سنجش از دور و مغناطیسسنجی بهمنظور اکتشاف کانسار آهن در گستره مراغ بندرچارک
رضا احمدي1و1، عبدالرضا قره شیخ بیات2
1. استادیار گروه مهندسی معدن، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک
2. دانش‌آموخته مهندسی معدن، گروه مهندسی معدن، دانشگاه صنعتی اراک
چکیده
در پژوهش حاضر با استفاده از دادههای سنجنده ASTER و به کمک نرمافزار ENVI، مطالعات سنجش از دور بهمنظور شناسایی پتانسیل و حضور کانهسازی احتمالی آهن در گستره مراغ بندرچارک واقع در استان هرمزگان، انجام شد. سپس اکتشاف مقدماتی گسترههای امیدبخش، با استفاده از روش ژئوفیزیکی مغناطیسسنجی صورت گرفت. عملیات دورسنجی دادههای گستره شامل مراحل پیشپردازش همانند تصحیح هندسی به روش تصویر به تصویر و تصحیح اتمسفری و تکنیکهای پردازش ترکیب رنگی کاذب، نسبتگیری باندی، برازش کمترین مربعها، تحلیل مولفههای اصلی انتخابی و در نهایت طبقهبندی نظارت شده با استفاده از روش نقشهبرداری زاویه طیفی است. در نتیجه این فرآیند، نقشه پهنههای دگرسانی مرتبط با کانیزایی آهن منطقه مورد مطالعه مشخص شد. عملیات برداشت مغناطیسی در گسترهای به وسعت تقریبی 2/11 کیلومتر مربع و در 1913 ایستگاه اندازهگیری با استفاده از دستگاه مگنتومتر پروتون انجام شده است. برای انجام عملیات پردازش و تفسیر کیفی دادههای مغناطیسی نظیر اعمال تصحیحات و فیلترهای مختلف همانند برگردان به قطب، گسترش به سمت بالا تا ارتفاعهای مختلف، فیلتر پایینگذر، فیلترهای مشتق شامل گرادیان افقی کل و سیگنال تحلیلی، از نرمافزار Geosoft Oasis montaj استفاده شد. درنهایت بهمنظور بررسی روند بیهنجاریهای مغناطیسی مشاهده شده بر روی سطح، تعیین شکل تقریبی توده کانسار و تخمین عمق آن، مدلسازی وارون سهبعدی دادهها انجام گرفت. نتایج پژوهش حاضر از طریق تلفیق دو روش سنجش از دور و مغناطیسسنجی همراه با مدلسازی وارون سهبعدی دادههای مغناطیسی نشان میدهند که منطقه مراغ از نظر کانهسازی آهن دارای پتانسیل بالایی است. نتایج این پژوهش برای کلیه کاربران علوم زمین بویژه زمینشناسان و مهندسین اکتشافی قابل استفاده خواهد بود.
واژههای کلیدی: سنجشازدور، مدلسازی وارون سهبعدی، مراغ بندرچارک، مغناطیسسنجی، نرمافزار ENVI
مقدمه
کانیهای آهن که ضمن هوازدگی در محیطهای غنی از اکسیژن نزدیک سطح زمین دچار انحلال میشوند، تشکیل یک بیرونزدگی غنی از اکسیدها را در سطح میدهند که در گسترههای بزرگ با استفاده از روشهای سنجش از دور میتوان مرزهای مناطق دارای اکسید آهن را با دقت قابل قبولی مشخص کرد. امروزه بررسیهای دورسنجی بهدلیل داشتن دادههایی با دید وسیع، یکپارچه و محدوده طول موجی مختلف، از بهترین روشها در پیجویی کانسارهای مغناطیسی شناخته میشوند.
دادههای ابرطیفی دربرگیرنده مجموعه اطلاعات غنی از بازتابهای الکترومغناطیسی سطحی زمین هستند. اجسام مختلف در محدوده طول موجهای طیف الکترومغناطیسی، بسته به ویژگیهای فیزیکی و ترکیبات کانیشناسی و شیمی خود، امواج الکترومغناطیسی را در طول موجهای مختلف با شدتهای متفاوت بازتاب کرده یا جذب میکنند. وجود اطلاعاتی از رفتار طیفی اجسام گوناگون در طول موجهای مختلف، بر اساس منحنیهای شاخص بازتابندگی و جذب طیف در سنجش از دور بسیار بااهمیت است (Gupta and Roy, 2007). بهطورکلی روشهای پردازش تصویرهای ماهوارهای را میتوان به دو گروه آمارپایه و طیفمبنا تقسیمبندی کرد. در روش اول (آمارپایه) اصول پردازش بر مبنای نحوه پراکندگی فراوانینمای مقادیر پیکسلی هر باند، میانگین، میانه و مد پایهگذاری شده است. این در حالی است که در روش دوم (طیفمبنا) از ابتدای پردازش باید الگوی طیفی مرجع، مشخص باشد.
پس از شناسایی مناطق مستعد مغناطیسی با سنجش از دور، مغناطیسسنجی بهعنوان یک روش ژئوفیزیکی سریع و ارزان قیمت برای اکتشاف کانسارهای آهن مورد استفاده قرار میگیرد. در این روش هدف بهدست آوردن خودپذیری مغناطیسی و تعیین وضعیت کانسار در عمق از طریق اندازهگیری شدت میدان مغناطیسی در یک محدوده است (Cooper and Cowan, 2006). در سالهای اخیر روش مغناطیسسنجی بهطور موفقیتآمیزی برای اکتشاف کانیهای مغناطیسی مگنتیت، ایلمنیت، هماتیت، سیدریت، لیمونیت و گوتیت در نقاط مختلف جهان مورد استفاده قرار گرفته است. مدلسازی پیشرو و وارون، ابزار تصویرسازی کانسنگ در روش مغناطیسسنجی هستند. بویژه روش وارونسازی برای بررسی و تفسیر بیهنجاریهای مغناطیسی، به دفعات زیاد مورد استفاده قرار گرفته (بهعنوان نمونه فاتحی و همکاران 1392؛ Parker and Huestis, 1974؛Schoppa et al., 2000) و در موارد بکاررفته نتایج مطلوبی حاصل شده است.
موقعیت جغرافیایی و زمینشناسی گستره مورد مطالعه
گستره مراغ مطابق شکل 1 در یک کیلومتری جنوب روستایی به همین نام از توابع بخش شیبکوه شهرستان بندرلنگه، 3/14 کیلومتری شمال شرقی بندرچارک استان هرمزگان در جنوب ایران قرار دارد. این گستره از شمال به روستای مراغ، از جنوب به باوردان، از غرب به سه کنار و از شرق به ارمک محدود میشود.
شکل 2 نیز نقشه زمینشناسی گستره مورد مطالعه را نمایش میدهد. گستره اکتشافی براساس تقسیمات زمینشناسی- ساختاری ایران در بخش جنوب شرقی پهنه زاگرس قرار دارد (Alian and Bazamad, 2014). این گستره از واحدهای درهم سازند هرمز بهعنوان قدیمیترین سازند منطقه، شیل، مارن و خاک سرخ به سن پرکامبرین تشکیل شده است و در سازندهای میشان (مارن خاکستری و آهکهای رسی)، آغاجاری (ماسهسنگ آهکی و مارنهای سرخرنگ) و بختیاری (کنگلومرا و ماسهسنگهای آهکی چرتی) با سن سنوزوئیک برونزد یافته است.
سنگهای آذرین موجود در گستره مورد بررسی، شامل بازالتهای حفرهدار و دیاباز هستند که توزیع پراکنده و ناهماهنگی دارند. در بخش شرقی، ارتفاعات بهنسبت بلند بازالتي قرار دارد. سنگهای دیابازی بهصورت استوک و دایک برونزد دارند و اغلب درآمیخته با رسوبات هستند. کانسنگ آهن منطقه شامل كانیهای هماتیت، اسپیکولاریت، مگنتیت، گوتیت و دیگر اکسیدها و هیدروکسیدهای آهن است (Alian and Bazamad, 2014).
3.41Km |
شکل 1. موقعیت جغرافیایی گستره مورد مطالعه (مستطیل آبیرنگ) در نقشه Google Earth
شکل 2. نقشه زمینشناسی و واحدهای لیتولوژی گستره مورد مطالعه (مستطیل سفیدرنگ) (Haddadan, 2006)
روش مطالعه
در پژوهش حاضر ابتدا دادههای سنجنده ASTER گستره مراغ بندرچارک واقع در استان هرمزگان با استفاده از نسخه 7/4 نرمافزار ENVI مورد پردازش، تحلیلهای مشاهدهای و طیفی سنجش از دور قرار گرفتند. در این مطالعه از دادههای ASTER یک برگه از نوع ASTER Level 1T با شماره AST_L1T_00308232003070852_ 20150430144431_28971_T مربوط به تاریخ 23/08/2003 استفاده شده است. امروزه دادههای ASTER با توجه به قیمت پایین، دسترسی آسان و تفکیکپذیری بهنسبت مطلوب، به ابزاری مفید برای مقاصد اکتشافی، تبدیل شده است. این سنجنده یکی از تصویربرداریهای موجود بر روی ماهواره TERRA میباشد که در دسامبر سال 1999 بهعنوان بخشی از سامانه مشاهده زمین2 (ناسا) پرتاب شد (Torres, 2007). سنجنده ASTER سه محدوده طیفی مرئی و فروسرخ نزدیک3، فروسرخ طول موج کوتاه4 و فروسرخ حرارتی5 را در قالب 14 باند و از طول موج 52/0 تا 65/11 میکرومتر پوشش میدهد (Yamaguchi et al., 2001). در این راستا پهنههای دگرسانی مرتبط با کانیسازی آهن مشخص شد. پس از شناسایی گستره و مشخص شدن حضور کانیسازی احتمالی آهن، اکتشاف مقدماتی کانسار با روش مغناطیسسنجی، پردازش دادههای مغناطیسی با استفاده از نرمافزار Oasis montaj Geosoft و مدلسازی وارون سهبعدی دادهها انجام گرفت.
بحث
فرآیند سنجش از دور گستره مورد مطالعه
فرآیند سنجش از دور مشتمل بر دو مرحله است. مرحله اول، پیشپردازش و آمادهسازی دادهها قبل از ورود آنها به مرحله پردازش است. عملیات پیشپردازش دادههای گستره مورد مطالعه شامل تصحیح هندسی به روش تصویر به تصویر6 و تصحیح اتمسفری7 است. مرحله دوم تعیین بهترین باندهای سنجنده ASTER و اعمال تکنیکهای ترکیب رنگی کاذب8 (FCC)، نسبتگیری باندی9 (BR)، برازش کمترین مربعات10 (LS-Fit)، روش انتخابی کروستا11 یا تحلیل مولفههای اصلی انتخابی12 (DPCA) و در نهایت طبقهبندی نظارت شده با استفاده از روش نقشهبرداری زاویه طیفی13 (SAM) و تهیه نقشه دگرسانی گستره مورد مطالعه است.
اعمال تکنیک ترکیب رنگی کاذب
در این روش با قرار دادن باندهای مناسب تصویر در جعبههای قرمز، سبز و آبی، عوارض مورد نظر مفسر به رنگهای دلخواه در تصویر، نمایان میشوند تا عوارض مطلوب بهآسانی از تصویر بدست آمده استخراج شود. ترکیب رنگی کاذب باندهای R(4)G(6)B(8) بهدلیل جذب کانیهای شاخص کمربند فیلیک- آرژیلیک (کائولینیت، ایلیت و مونت موریونیت) در باند شش مادون قرمز کوتاه (SWIR) و جذب کانیهای شاخص دگرسانی پروپیلیتیک (کلریت و اپیدوت) در باند هشت مادون قرمز کوتاه (SWIR) برای آشکارسازی دگرسانیها در گستره کانسار مناسب هستند (Azizi et al., 2010; Boloki and Poormirzaee, 2009; Di Tommaso and Rubinstein, 2007).
در ترکیب رنگی R(4)G(6)B(8)، دگرسانی آرژیلیک به رنگ صورتی تا قرمز و دگرسانی پروپیلیتیک به رنگ سبز نمایان میشود (شکل 3-الف). ترکیب رنگی کاذب باندهای R(1)G(2)B(3) بهمنظور آشکارسازی اکسیدهای آهن (هماتیت، گوتیت و لیمونیت)، با توجه به ویژگی جذب طیفی در محدوده امواج مادون قرمز نزدیک و طیف مرئی (VNIR) (تاجيک و کاکائي، 1385) مورد استفاده قرار گرفته است (شکل 3-ب). در این ترکیب رنگی مناطق دارای اکسید آهن بین پیکسلهای سفید و زرد متغیر هستند. بهعلاوه ترکیب رنگی R(4)G(6)B(1) نیز برای بازسازی اکسیدهای آهن استفاده شده است (شکل 3-ج). در آن، مناطق دارای اکسید آهن به رنگ سبز، دگرسانی پروپیلیتیک به رنگ آبی و دگرسانی آرژیلیک به رنگهای صورتی و زرد مایل به صورتی درآمده است.
اعمال روش نسبتگیری باندی
نسبتگیری باندی در واقع یکی از روشهای پردازش تصاویر چندطیفی است که شامل تقسیم پیکسلهای یک تصویر یا یک باند طیفی به پیکسلهای متناظر آن با تصویر یا باند دیگر است. روش نسبتگیری باندی میتواند برای بازسازی اختلاف طیفی بین باندها مورد استفاده قرار گیرد؛ همچنین اثرهای سایه و اختلاف روشنایی زمین را بهدلیل شیب زمین کاهش دهد (Abera, 2005; Hewson et al., 2005; Rowan and Mars, 2003; Sabins, 1999).
برای بازسازی دگرسانی پروپیلیتیک، میتوان از بازسازی کانیهای شاخص این دگرسانی با استفاده از نمودارهای استاندارد آن بهره برد. مطابق طیف بازتابی استاندارد کانیهای شاخص دگرسانی پروپیلیتیک، این دگرسانی در باندهای هفت و نه دارای تابش و در باند هشت بهدلیل وجود پیوند Mg-OH دارای بیشترین جذب میباشد. بر همین اساس نسبت باندی 8/7 معادله باندی مناسبی برای آشکارسازی مناطق دارای دگرسانی پروپیلیتیک بوده و مناطق دارای این دگرسانی با اثر مثبت (پیکسلهای سفیدرنگ) آشکار شدهاند (شکل 4-الف).
 | |
 | |
 |
شکل 3. الف) ترکیب رنگی کاذب R(4)G(6)B(8)، ب) ترکیب رنگی کاذب R(1)G(2)B(3)، ج) ترکیب رنگی کاذب R(4)G(6)B(1)
 | |
 | |
 |
شکل 4. نسبتهای باندی، الف) 8/7 برای آشکارسازی دگرسانی پروپیلیتیک بهصورت پیکسلهای روشن، ب) 1/2 برای بازسازی اکسیدهای آهن، ج) 6/4 برای آشکارسازی دگرسانی آرژیلیک بهصورت پیکسلهای روشن
برای شناسایی مناطق دارای اکسیدهای آهن (گوتیت، لیمونیت و هماتیت) به‌سبب جذب در ناحیه باند یک و تابش بیشینه در باند دو (Zamyad et al., 2019, Soe et al., 2005)، از نسبتگیری باندی 1/2 برای بازسازی اکسیدهای آهن بهره گرفته شده است. به همین دلیل در تصویر استخراج شده (شکل 4-ب)، این مناطق با پیکسلهای سفیدرنگ نمایان شدهاند. بدین ترتیب مطابق نمودار طیف بازتابی کانیهای شاخص دگرسانی فیلیک- آرژیلیک، این سری از کانیها در باند شش و باند چهار بهترتیب بیشترین جذب و تابش را دارا بوده (Ninomiya, 2003)، بههمین دلیل برای شناسایی مناطق دارای دگرسانی، از نسبتهای باندی 6/4 استفاده شده است (شکل 4-ج).
روش برازش کمترین مربعها
در این روش فرض بر آن است که باندهای بهکار رفته بهعنوان مقادیر ورودی میتوانند رفتار سایر باندها را بهصورت یک عبارت خطی بیان کنند. این مقدار در واقع باند پیشبینی شونده نامیده شده و بهعنوان خروجی مدل در نظر گرفته میشود. بعضی از کانیهای شاخص، اثرات بازتابی خود را تنها در یک باند خاص نمایش میدهند. بنابراین میان مقادیر محاسبه شده آنها توسط روش کمترین مربعات و مقدار واقعی، اختلافی وجود خواهد داشت که باقیمانده نام دارد. روش LS-Fit بر اساس مقادیر باقیمانده، اقدام به استخراج مناطق شامل کانیهای مورد نظر میکند (Fakhari et al., 2019).
در گستره مورد مطالعه برای آشکارسازی دگرسانیهای فیلیک، آرژیلیک و پروپیلیتیک با استفاده از این روش، بهترتیب باندهای شش، چهار و هشت در مقابل پنج باند باقیمانده SWIR بهعنوان باندهای پیشبینی کننده انتخاب شدند. برای مشخص کردن هرچه بهتر دگرسانیهای فیلیک، آرژیلیک و پروپیلیتیک، در شکل 5 ترکیب رنگی RGB نشان داده شده است.
اعمال روش انتخابی کروستا
تحلیل مولفههای اصلی هدایت شده (PCA14)، تکنیکی قدرتمند است که میتواند برای فشردهسازی تصاویر و از بین بردن اثرات ناخواسته مورد استفاده قرار گیرد (علوی پناه، 1382). بهواسطه این روش، میتوان شکلهای ویژه زمینشناسی ازجمله کمربندهای دگرسانی را تشخیص داد. Crosta و Moore (1989) تکنیکی مبتنی بر PCA را برای نقشهبرداری اکسیدهای آهن و گروههای هیدروکسیدی با استفاده از دادههای سنجنده لندست TM معرفی کردند. همچنین آنها از تکنیک مبتنی بر تحلیل مولفههای اصلی انتخابی هدایت شده برای نقشهبرداری انواع اکسیدهای آهن و کانیهای رسی بهره بردند (Ranjbar et al., 2004; Crosta et al., 2003).
در اینجا برای شناسایی کمربندهای دگرسانی آرژیلیک از باندهای چهار، پنج و هفت، دگرسانی فیلیک از باندهای چهار، شش و هفت و برای دگرسانی پروپیلیتیک از باندهای هفت، هشت و نه بهعنوان ورودی روش تحلیل مولفههای اصلی استفاده شده است (Khaleghi and Ranjbar, 2011). پس از بررسی پروفیل طیفی هر یک از دگرسانیهای بیان شده، فرآیند تحلیل مولفههای اصلی بر روی هر گروه بهطور جداگانه انجام گرفته و نتایج در جدولهای 1،2 و 3 آورده شده است.
شکل 5. نقشه دگرسانیهای گستره مورد مطالعه بهکمک ترکیب رنگی با روش.LS-Fit (R(Phyllic), G(Argillic), B(Propylitic))
جدول 1. ماتریس مقادیر ویژه کمربند فیلیک
| PC1 | PC2 | PC3 |
Band 4 | -0.57367 | -0.57626 | -0.58209 |
Band 6 | -0.77407 | 0.14905 | 0.61531 |
Band 7 | 0.26781 | -0.80356 | 0.53157 |
جدول 2. ماتریس مقادیر ویژه کمربند آرژیلیک
| PC1 | PC2 | PC3 |
Band 4 | 0.553542 | 0.569312 | 0.607845 |
Band 5 | 0.808419 | -0.191926 | -0.556438 |
Band 7 | 0.200125 | -0.799405 | 0.566482 |
جدول 3. ماتریس مقادیر ویژه کمربند پروپیلیتیک
| PC1 | PC2 | PC3 |
Band 7 | -0.619895 | -0.576496 | -0.53233 |
Band 8 | -0.495399 | -0.238585 | 0.835259 |
Band 9 | -0.608531 | 0.781492 | -0.13769 |
در بررسی ماتریس مقادیر ویژه کمربند فیلیک، بیشترین اختلاف بین باندهای چهار و شش در PC3 مشاهده میشود (جدول 1)، بنابراین PC3 برای کمربند فیلیک مناسب تشخیص داده شد. همچنین با توجه به منفی بودن باند چهار و مثبت بودن باند شش، میتوان نتیجه گرفت که پیکسلهای تیره در PC3 نمایانگر مناطق
 | |
 | |
 |
شکل 6. آشکارسازی کمربندهای الف) فیلیک، ب) آرژیلیک، ج) پروپیلیتیک به روش PCA
دگرسان شده فیلیک هستند (شکل 6-الف). همینطور برای شناسایی محدودههای دارای دگرسانی آرژیلیک، اختلاف میان باندهای چهار و هفت در PC2 (جدول 2) نمایش‌دهنده مناطق دارای دگرسانی آرژیلیک است (شکل 6-ب). در روشی مشابه برای شناسایی محدودههای دگرسانی پروپیلیتیک که با استفاده از باندهای هفت، هشت و نه حاصل شده است (جدول 3)، اختلاف میان باندهای هفت و هشت در PC3 بیشترین مقدار بوده و میتوان پراکندگی دگرسانی پروپیلیتیک را در PC3 آن مشاهده کرد (شکل 6-ج).
طبقهبندی نظارت شده بهروش الگوریتم نقشهبرداری زاویه طیفی
فرآیند طبقهبندی نظارت شده بهروش نقشهبرداری زاویه طیفی، بدین‌صورت است که نقشهبرداری سریع پدیدهها را از طریق محاسبه شباهت طیفی بین بردار تصویر با دادههای طیفی مرجع ممکن میسازد (Yuhas et al., 1992). الگوریتم این روش، شباهت بین دو طیف را بهوسیله زاویه طیفی بین آن دو محاسبه میکند. در این روش هرچه مقدار زاویه (بین صفر تا 10) کمتر باشد، شناسایی دقیقتر خواهد بود. نتایج حاصل از اعمال تکنیک نقشهبرداری زاویه طیفی در شکل 7-الف ارائه شده است که پراکندگی دگرسانیهای پروپیلیتیک، فیلیک- آرژیلیک و اکسید آهن را در گستره مورد مطالعه نشان میدهد. همچنین در شکل 7-ب بهمنظور بهبود کیفیت تصویر از فراوانینمای کششی15 (کشیدن و محدود کردن طیف رنگها بهمنظور باقیماندن محدودههای بالا) استفاده شده که میتوان با بررسی فراوانینما، از اطلاعات آماری یک بخش و یا کل تصویر استفاده کرد.
با توجه به شکل 7، میتوان نتیجه گرفت که پیکسلهای سبز رنگ آلتراسیون فیلیک و پیکسلهای زرد رنگ آرژلیک را مشخص میکنند. همچنین پیکسلهای قرمز رنگ بیانگر اکسید آهن موجود در منطقه میباشد.
نتایج به دست آمده از دورسنجی گستره مورد مطالعه و بازدید صحرایی از گستره در حین برداشت مغناطیسسنجی و مشاهده رخنمون‌های هماتیتی و مگنتیتی در منطقه، میتوان به صحت و درستی دورسنجی انجام شده و نتایج به دست آمده پی برد.
 | |
 |
شکل 7. استخراج دگرسانیهای پروپیلیتیک، فیلیک- آرژیلیک و اکسیدهای آهن با استفاده از الگوریتم SAM، الف) R(Iron-Oxide), G(Phyllic-Argillic), B(Propylitic)، ب) R(Iron-Oxide), G(Phyllic-Argillic), B(Propylitic) Stretch
مغناطیسسنجی گستره مورد مطالعه
برداشت مغناطیسی در این گستره بر روی پهنههای دگرسانی مرتبط با کانیزایی آهن حاصل از روش دورسنجی، در گسترهای به ابعاد تقریبی 2/5 در 15/2 کیلومتر و در 1913 ایستگاه اندازهگیری با استفاده از یک دستگاه مگنتومتر پروتون صورت گرفته است. برای انجام عملیات پردازش و تفسیر کیفی دادههای مغناطیسی، از نرمافزار Oasis montaj Geosoft نسخه 4/8 بهره برده شد. با لحاظ کردن مقادیر 2/42 درجه برای زاویه میل مغناطیسی، 4/2 درجه برای زاویه انحراف مغناطیسی و تصحیح IGRF، دادههای مغناطیس باقیمانده بدست آمد.
در شکل 8 نقشه تغییرات شدت میدان مغناطیسی باقیمانده منطقه مورد مطالعه نشان داده شده است. این نقشه با کم کردن مقدار IGRF گستره مطالعاتی از دادههای ثبت شده در منطقه به دست آمده است. همانگونه که در این شکل مشاهده میشود، نیمه غربی گستره دارای بیشترین تغییرات شدت میدان مغناطیسی است. در نیمه شرقی نیز گسترههای با شدت مغناطیسی بالا بهصورت مجزا از یکدیگر دیده میشوند.
شکل 8. نقشه تغییرات شدت میدان مغناطیسی باقیمانده گستره مورد مطالعه (موقعیت نقاط برداشت با علامت × مشخص شدهاند)
ازآنجاییکه میدان مغناطیسی خاصیت برداری دارد، اثر زاویه میل و انحراف مغناطیسی زمین باعث خواهد شد تا مقادیر بیشینه شدت میدان مغناطیسی کل بهطور دقیق بر روی توده مغناطیسی منطبق نباشد. برای تصحیح این پارامترها از فیلتر برگردان به قطب16 (RTP) استفاده میشود؛ بهگونهای که در چنین نقشه‌ای بیشترین مقدار بیهنجاری بهطور دقیق بر روی منشا آنها قرار خواهد گرفت. این روش توسط Baranov (1957) و Baranov و Naudy (1964) توسعه داده شد (Azizi et al., 2010). در شکل 9 نقشه حاصل از این پردازش آورده شده است که در آن چندین کمربند بیهنجاری را میتوان مشاهده کرد. این نقشه کموبیش شبیه نقشه شکل 8 است با این تفاوت که در این نقشه اندکی پیچش و جابهجایی مشاهده میشود. ازآنجاییکه اثر تودههای مغناطیسی عمیق بسیار کمتر از تودههای نزدیک به سطح زمین میباشد، برای تفسیر هرچه بهتر تودههای عمیق لازم است که فیلتر ادامه فراسو17 یا گسترش به سمت بالا اعمال شود. اساس این روش آن است که دادهها به ارتفاع بالاتری نسبت به سطح اصلی برداشت شده خود منتقل میشوند و هدف آن حذف بیهنجاریهای با طولموج کوتاه، برجستهسازی بیهنجاریهای عمیق و کم کردن اثر عوامل خطازا است (Lelievre and Oldenburg, 2006).
شکل 9. نقشه برگردان به قطب مغناطیسی گستره مورد مطالعه
مطابق شکل 10 این پردازش در ارتفاعهای 250، 500، 750، 1000، 1250، 1500 و 1800 متر بر روی نقشه برگردان به قطب اعمال شده و در ارتفاع 1800 متر اثر ناحیهای بهطور کامل از بین رفته که با کسر آن از نقشه اولیه، اثر بیهنجاریهای سطحی محو شده و گسترش عمقی قابل توجه بیهنجاریها مشخص شده است.
ازآنجاییکه اجزای سیگنال18 و نوفه19 یک موج دارای ویژگیهای فرکانسی متفاوتی هستند، برای تفکیک آنها از یکدیگر فیلترهای فرکانسی بهکار میروند. یکی از فیلترهای فرکانسی، فیلتر پایینگذر است. با اعمال فیلتر پایینگذر، اثر بیهنجاریهای سطحی با طول موج کوتاه، حذف و اثر بیهنجاریهای عمیقتر با طول موج بلندتر، آشکار میگردد. بدین ترتیب اثر مغناطیسهای ناحیهای کوچک، حذف میشوند.
مطابق شکل 11 این پردازش بر روی نقشه بهدست آمده در شکل 10-ی بهمنظور رفع اثرات سطحی جزئیتر اعمال شد که به‌مراتب اثرات بیهنجاریهای اصلی را بهتر نمایان میسازد. این پردازش برای ارتفاع 400 متر (مناسبترین ارتفاع که براساس تجربه، سعی و خطا و نیز فاصله پروفیلهای برداشت انتخاب شده است)، اعمال شده که وجود اثرات بیهنجاری، نشانگر عمیق بودن آنهاست.
یکی از مهم‌ترین مباحث در تفسیرهای مغناطیسی، تعیین دقیق مرز بیهنجاری‌هاست. برای این مهم، فیلترهای متعددی استفاده میشوند که میتوان از فیلترهای مشتق قائم، مشتق افقی، گرادیان افقی کل20 (THD)، سیگنال تحلیلی و زاویه تیلت نام برد. تمامی فیلترهای اشاره‌شده، فیلترهای بالاگذر هستند که هدفشان برجستهسازی تغییرات مرتبط با توده سرچشمه بیهنجاری است. علاوه بر کاربرد این فیلترها در تخمین مرز، اساس بیشتر روشهای تفسیر بیهنجاریهای میدان پتانسیل مانند روشهای تخمین عمق، کمیت مشتق خواهد بود.
متداولترین فیلتر در برآورد مرز بیهنجاریهای میدان پتانسیل، فیلتر گرادیان افقی کل است. کارآیی این فیلتر در تشخیص و تعیین لبه منابع عمیق و مدفون است که از طریق رابطه 1 محاسبه میشود:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
شکل 10. الف تا ه) نقشه میدان مغناطیسی بعد از اعمال فیلتر گسترش بهسمت بالا تا ارتفاعهای 250، 500، 750، 1000، 1250، 1500 و 1800 متر، ی) نقشه میدان مغناطیسی بعد از کسر اثر ناحیهای (ادامه فراسو برای ارتفاع 1800 متر)
(1) 
شکل 12 نتیجه اعمال فیلتر گرادیان افقی کل بیهنجاری را نشان میدهد. در این شکل بیشینه مقدار گرادیان، بیانگر مرزهای توده مورد نظر است. مطابق شکل بیهنجاری مغناطیسی در چند گستره بهطور مجزا مشاهده میشود و میتوان نتیجه گرفت که کانیسازی دارای راستای شمالی- جنوبی است.
شکل 11. خروجی فیلتر پایینگذر به ازای ارتفاع 400 متر اعمال شده بر نقشه مغناطیس باقیمانده بدون اثر ناحیهای
شکل 12. نقشه گرادیان افقی کل (THD)
بهمنظور تعیین موقعیت تصویر سطحی ماده معدنی و امتداد آن، از نقشه سیگنال تحلیلی استفاده میشود. بیهنجاریهای مشخص شده در این فیلتر، درست در مرکز ثقل توده قرار دارند و تصویری واقعی از کانسار مدفون را در اختیار قرار میدهند. این فیلتر از رابطه 2 بهدست میآید:
(2) 
ميتوان دامنه سيگنال تحليلي سهبعدي در هر موقعيت را از گراديانهاي عمود بر هم‌میدان مغناطيسي كل دامنه سيگنال به دست آورد. براي محاسبه سيگنال تحليلي ابتدا گراديان افقي تعيين میشود و سپس تبديل هيلبرت براي تعيين گراديان قائم مورد استفاده قرار ميگیرد. تبديل هيلبرت بدون تغيير در مقدار تابع، روي طيف فاز، تغيير 90 درجهای ايجاد ميكند؛ بهعبارتديگر گراديان افقي به قائم تبديل شده و لبههاي بيهنجاريهاي مغناطيسي تعیین میشود.
در شکل 13 نتیجه اعمال این پردازش بر روی شکل 10-ی نشان داده شده است. همانگونه که مشاهده میشود، بهکمک این پردازش منبع بیهنجاری، برجستهتر شده و چند توده کروی شکل نمایان شده است.
با توجه به نقشه‌های مغناطیسسنجی به دست آمده و مقایسه آنها با نتایج دورسنجی، همپوشانی مناسب بین این دو پردازش را میتوان نتیجه گرفت. همان‌طور که مشاهده میشود مناطق با پتانسیل بالا چه در دورسنجی و چه در مغناطیسسنجی، بیشتر در مرکز محدوده قرار دارند.
شکل 13. نقشه سیگنال تحلیلی گستره مورد مطالعه
مدلسازی وارون سهبعدی دادهها
روند بیهنجاریهای مغناطیسی مشاهده شده بر روی سطح را میتوان با استفاده از دادههای مغناطیسی، شبیه‌سازی و مدلسازی کرد. برای دستیابی به این هدف، منطقه مورد مطالعه به مکعب مستطیلهای با خودپذیری مغناطیسی ثابت تقسیمبندی شد. همچنین مغناطیس بازمانده صفر و مغناطیدگی ناچیز در نظر گرفته شد. به این ترتیب تنها مغناطیس القایی محاسبه شد که این مقدار برای هر سلول ثابت است. برای وارونسازی دادهها، باید ترکیبی از تابع هدف مدل و تابع هدف برازش بهینهسازی شود (Li and Oldenburg, 1996).
بیشتر وارونسازی مسائل ژئوفیزیکی، از نوع مسائل بیش تعیین شده است (Lelievre and Oldenburg, 2006)، بنابراین بی‌نهایت مدل تولید میشود که از میان آنها، جواب مطلوب مدلی خواهد بود که با ساختارها و خصوصیات زمینشناسی مطابقت بیشتری داشته باشد. در الگوریتم لی- اولدنبرگ21، تابع هدف مدل بهصورت رابطه 3 تعریف شده است (Williams, 2008).
(3) 
قسمت اول معادله، معیار نزدیکی مدل به مدل مرجع (
) بوده و دیگر عبارات، میزان همواری مدل در جهتهای x، y و z را کنترل میکنند. ضریبهای 
برای وزندهی قسمت‌های مختلف معادله بوده که تابع هدف مدل را قادر میسازد تا با تغییر یک یا دو پارامتر، موفق به بازسازی مدل‌هایی نزدیک یا برحسب اولویت در یک راستای خاص هموارتر باشد. توابع وزنی وابسته فضایی 
برای وزندهی اهمیت یک پارامتر مدل نسبت به دیگری کاربرد دارند (Phillips, 2002).
تابع هدف مدل و تابع 
ماتریس وزنی عمقی بوده که هدف آن خنثیسازی میرایی هندسی حساسیت با استفاده از پارامتر فاصله میباشد. بنابراین تمامی سلول‌ها دارای احتمال یکسان برخورداری اثر سرچشمه میباشند و از تمرکز مدل در سطح جلوگیری بهعمل خواهد آمد (Williams, 2008).
برازش کامل دادههای اندازهگیری شده بر دادههای محاسبه شده باعث ایجاد خطا در مدل خواهد شد؛ بنابراین تابع هدف برازش نیز با رابطه 4 محاسبه میشود:
(4) 
که در آن
دادههای برداشت‌شده22، 
دادههای محاسبه‌شده و 
انحراف معیار داده iام هستند. این انحراف معیار بر روی قطر اصلی ماتریس 
قرار خواهد گرفت.
پس از اعمال تمامی قیدها به دادهها و پارامترهای مدل، تابع هدف زیر حاصل خواهد شد:
(5) 
و به شکل زیر عمومیت پیدا میکند:
(6) 
که در آن عبارت 
تابع مرزی، 
ضریب مرزبندی و 
ضریب منظمسازی است که بین میزان نزدیکی نمودار مدل نهایی به دادههای اصلی و عدم مدلسازی نوفه‌ها تعادل ایجاد میکند.
تفسیرهای صورت گرفته بر روی دادههای میدان مغناطیسی کیفی و یا درنهایت نیمهکمی بوده و در تعیین پارامترهای کمی و هندسی کانیسازی قابل استفاده نیستند. یکی از بهترین روشها برای تفسیر کمی دادههای مغناطیسی مدلسازی وارون سهبعدی است که در آن مدل توزیع خودپذیری ذاتی سنگها را در سه بعد به تصویر میکشد. مطابق شکل 14 گستره کانسار مراغ با بلوکهایی به ابعاد 10×20×20 متر (20 متر در راستاهای شمالی- جنوبی و شرقی- غربی و 10 متر در راستای قائم) بهصورت سهبعدی، مدلسازی شده است. وارونسازی سهبعدی دادههای این محدوده پس از اعمال پردازشهای ادامه فراسوی ارتفاع 1800 متر و فیلتر پایینگذر ارتفاع 400 متر، با استفاده از الگوریتم لی و اولدنبرگ توسط نرمافزار UBC Mag3D 4.0 انجام شد. در این مدلسازی پارامتر وزندهی عمق 1000 متر و خودپذیری مغناطیسی اولیه23 برابر با 001/0 منظور شد که مطابق آن تمامی منطقه بهصورتی همگن، شامل این مقدار خودپذیری مغناطیسی میباشند. همچنین در بخش مدل مرجع24، مقدار 01/0 در نظر گرفته شد که با استفاده از الگوریتم مورد استفاده، میزان خودپذیری اولیه به میزان خودپذیری مرجع افزایش مییابد. در ادامه مقدار خودپذیری مغناطیسی منطقه مثبت و بین صفر تا 3/0 محدود شد. در انجام این فرایند، تعداد دادههای مغناطیسی مورد استفاده 5118 عدد بوده و تعداد کل سلولهای مدلسازی نیز 2953132 (91×122×266) عدد میباشد. در نتیجه این فرآیند تعداد شش توده کانسار بزرگ و کوچک بهصورت مجزا از هم شناسایی شده که عمیق‌ترین آنها در عمق 507 متری قرار دارد و عمق دفن متوسط سایر تودهها نیز بین 200 تا 300 متر است.
مطابق شکل 14-الف در بخش سطحی جنوب غربی گستره مورد مطالعه، بیهنجاری قابل توجهی مشاهده میشود که بهدلیل بسته نشدن دوقطبی بیهنجاری و فقدان اطلاعات کافی در مرز در مدلسازی سهبعدی، مورد پردازش قرار نگرفته و درنتیجه در شکل 14-ب آثاری از آن دیده نمیشود. بهمنظور دستیابی به اطلاعات بیشتر و دقیقتر در مورد بیهنجاری این بخش، بایستی ایستگاههای مغناطیسی متراکم برداشت شوند.
با توجه به کمربند گستره مورد مطالعه (زاگروس) برای صحت سنجی از مدل به دست آمده، میتوان موقعیت نقاط حفاری را پیشنهاد کرد.
| |
 |
شکل 14. الف) مدلسازی سهبعدی کانسار مورد مطالعه، ب) نمایش بلوکهای بیهنجاری کانسار
نتیجهگیری
با توجه به مطالعات دورسنجی انجام گرفته روی گستره اکتشافی مراغ، به یاری تصویرها و دادههای سنجنده ASTER اکسیدهای آهن گستره آشکار شده و کمربندهای دگرسانی فیلیک، آرژیلیک و پروپیلیتیک بهکمک نرمافزار ENVI با دقتی بسیار بالا، توسط روشهای مختلف پردازشی همانند ترکیب رنگی کاذب، نسبتگیری باندی، تحلیل مولفههای اصلی و برازش کمترین مربعات، آشکارسازی شدند که حضور کمربندهای دگرسانی و نیز اکسید آهن، مستعد بودن گستره مورد مطالعه را برای مطالعات بیشتر پتانسیلهای معدنی نشان میدهد.
براساس نتایج، مرحله شناسایی و پیجویی توسط روش دورسنجی و احتمال وجود اکسید آهن در گستره، مطالعات ژئوفیزیک اکتشافی، به روش مغناطیسسنجی انجام گرفت که پس از انجام تصحیحات مورد نیاز و اعمال پردازشهای مختلف، کمربندهای بیهنجاری منطقه شناسایی شدند. با استفاده از مدلسازی وارون سهبعدی انجام شده نیز شکل تقریبی توده کانسار تعیین شده و عمق دفن آن نیز محاسبه شد.
نتایج پژوهش حاضر از طریق تلفیق دو روش سریع و بهنسبت ارزان سنجشازدور و مغناطیسسنجی همراه با مدلسازی وارون سهبعدی دادههای مغناطیسی نشان میدهند که منطقه مراغ از نظر کانهسازی آهن دارای پتانسیل بالایی است. شناسایی چنین پتانسیل مطلوبی میتواند منجر به ایجاد یک معدن سنگ آهن در منطقه شده که علاوه بر ارزش اقتصادی بالای این ماده معدنی و سودآوری آن، منجر به اشتغالزایی مستقیم و غیرمستقیم تعداد زیادی نیروی کار در منطقه شود.
منابع
تاجيک، م. و کاکائي، ر.، 1385. کاربرد تصاوير سنجنده ASTER در تفکيک زونهاي دگرساني مس پرفيري )برگه 1:100000 جبال بارز(. بيست و پنجمين گردهمايي علوم زمين. ##علوی پناه، ک.، 1382. کاربرد سنجش از دور در علوم زمین. انتشارات دانشگاه تهران، 496. ##فاتحی، م.، نوروزی، غ.ح. و حاجی‌ئی، ف.، 1392. برآورد عمق تودههای مغناطیسی با استفاده از مشتقات سیگنال تحلیلی. مجله ژئوفیزیک ایران. 7، 4، 63-52. ##Abera, B.G., 2005. Application of Remote Sensing and Spatial Data Integration Modeling to Predictive Mapping of Apatite-mineralized Zones in the Bikalal Layered Gabbro Complex, Western Ethiopia ITC. MSc. Thesis, 63. ##Alian, F. and Bazamad, M., 2014. Petrography of Zendan salt dome (Hara), Bandar Lengeh. In 6th Symposium of Iranian society of Economic Geology, Sistan and Baluchestan University, Zahedan, Iran. ##Azizi, H., Tarverdi, M.A. and Akbarpour, A., 2010. Extraction of hydrothermal alterations from ASTER SWIR data from east Zanjan, northern Iran. Advances in Space Research, 46, 1, 99-109. ##Boloki, N. and Poormirzaee, R., 2009. Using ASTER image processing for hydrothermal alteration and key alteration minerals mapping in Siyahrud, Iran. International Journal of Geology, 2, 3, 38-43. ##Cooper, G.R.J. and Cowan, D.R., 2006. Enhancing potential field data using filters based on the local phase. Computers and Geosciences, 32, 10, 1585-1591. ##Crosta, A.P., De Souza Filho, C.R., Azevedo, F. and Brodie, C., 2003. Targeting key alteration minerals in epithermal deposits in Patagonia, Argentina, using ASTER imagery and principal component analysis. International Journal of Remote Sensing, 24, 21, 4233-4240. ##Di Tommaso, I. and Rubinstein, N., 2007. Hydrothermal alteration mapping using ASTER data in the Infiernillo porphyry deposit, Argentina. Ore Geology Reviews, 32, 1-2, 275-290. ##Fakhari, S., Jafarirad, A., Afzal, P. and Lotfi, M., 2019. Delineation of hydrothermal alteration zones for porphyry systems utilizing ASTER data in Jebal barez area, SE Iran. Iranian Journal of Earth Sciences, 11, 80-92. ##Gupta, H.K. and Roy, S., 2007. Geothermal energy: an alternative resource for the 21st century. Elsevier, 279. ##Haddadan, M., 2006. Geological map of Iran, Garmsar sheet, scale 1:100,000. Geological Survey of Iran, Lar. ##Hewson, R.D., Cudahy, T.J., Mizuhiko, S., Ueda, K. and Mauger, A.J., 2005. Seamless geological map generation using ASTER in the Broken Hill-Curnamona province of Australia. Remote Sensing of Environment, 99, 1-2, 159-172. ##Khaleghi, M. and Ranjbar, H., 2011. Alteration mapping for exploration of porphyry copper mineralization in the Sarduiyeh area, Kerman province, Iran, using ASTER SWIR data. Australian Journal of Basic and Applied Sciences, 5, 8, 61-69. ##Lelievre, P.G. and Oldenburg, D.W., 2006. Magnetic forward modelling and inversion for high susceptibility. Geophysical Journal International, 166, 1, 76-90. ##Li, Y. and Oldenburg, D.W., 1996. 3-D inversion of magnetic data. Geophysics, 61, 2, 394-408. ##Ninomiya, Y., 2003. A stabilized vegetation index and several mineralogic indices defined for ASTER VNIR and SWIR data. In IGARSS. IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE No. 03CH37477) (3, 1552-1554). ##Parker, R.L. and Huestis, S.P., 1974. The inversion of magnetic anomalies in the presence of topography. Journal of Geophysical Research, 79, 11, 1587-1593. ##Phillips, N.D., 2002. Geophysical inversion in an integrated exploration program: Examples from the San Nicolas deposit. Doctoral dissertation, University of British Columbia, 263. ##Ranjbar, H., Honarmand, M. and Moezifar, Z., 2004. Application of the Crosta technique for porphyry copper alteration mapping, using ETM+ data in the southern part of the Iranian volcanic sedimentary belt. Journal of Asian Earth Sciences, 24, 2, 237-243. ##Rowan, L.C. and Mars, J.C., 2003. Lithologic mapping in the Mountain Pass, California area using advanced space-borne thermal emission and reflection radiometer (ASTER) data. Remote Sensing of Environment, 84, 3, 350-366. ##Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geology Reviews, 14, 3-4, 157-183. ##Schoppa, A., Schneider, J. and Wuppermann, C.D., 2000. Influence of the manufacturing process on the magnetic properties of non-oriented electrical steels. Journal of Magnetism and Magnetic Materials, 215, 74-78. ##Soe, M., Kyaw, T.A. and Takashima, I., 2005. Application of remote sensing techniques on iron oxide detection from ASTER and Landsat images of Tanintharyi coastal area, Myanmar. Scientific and Technical Reports of Faculty of Engineering and Resource Science, Akita University, 26, 21-28. ##Torres, C.A., 2007. Mineral Exploration Using GIS and Processed Aster Images. Advance GIS EES 6513 (Spring), University of Texas at San Antonio. ##Williams, N.C., 2008. Geologically-constrained UBC–GIF gravity and magnetic inversions with examples from the Agnew-Wiluna greenstone belt, Western Australia. Doctoral dissertation, University of British Columbia, 509. ##Yamaguchi, Y., Fujisada, H., Tsu, H., Sato, I., Watanabe, H., Kato, M., Kudoh, M., Kahle, A.B. and Pniel, M., 2001. ASTER early image evaluation. Advances in Space Research, 28, 1, 69-76. ##Yuhas, R.H., Goetz, A.F. and Boardman, J.W., 1992. Discrimination among semi-arid landscape endmembers using the spectral angle mapper (SAM) algorithm. Geoscience Workshop, 1, AVIRIS Workshop, 147-149. ##Zamyad, M., Afzal, P., Pourkermani, M., Nouri, R. and Jafari, M.R., 2019. Determination of hydrothermal alteration zones by remote sensing methods in Tirka area, Toroud, NE Iran. Journal of the Indian Society of Remote Sensing, 47, 1817–1830.##
Integration of remote sensing and magnetometry methods for exploration of iron deposit in the Maragh district of Bandar e Charak
Ahmadi, R.1, Gharah-Sheikh Bayat, A.R.2
1. Assistant professor, Mining Engineering Departmen, Earth Sciences Engineering College, Arak University of Technology
2. Alumnus of Mining Engineering, Mining Engineering Departmen, Arak University of Technology
Abstract
In the present research, to identify potential and existence of possible iron ore-bearing in the Maragh district of Bandar e Charak in Hormozgan province, first, remote sensing studies using Aster sensor data through ENVI were conducted. Afterward the preliminary exploration of promised regions was performed by magnetometry method. Remote sensing operation of the region data comprises preprocessing sequences of geometric correction by image-to-image method and atmospheric correction as well as processing techniques containing false color composite, banding ratio, least square-fit, directed principal component analysis and finally supervised classification through spectral angle mapper method. Because of this process, alteration-zoning map associated with iron mineralization in the studied region was produced. Magnetic data was acquired in an area of approximately 11.2 km2 in 1913 measuring stations using a proton magnetometer. Geosoft Oasis montaj software was employed for processing operation and qualitative interpretation of magnetic data via applying various corrections and filters including reduce to pole, upward continuation up to the variety of elevations, low-pass filter, derivative filters containing total horizontal derivative and analytical signal. At the end, to investigate the trend of magnetic anomalies observed on the surface, determination of approximate shape of the deposit and estimation of its depth, 3-D inverse modeling of the data was carried out. The results of the research through integrating two methods of remote sensing and magnetometry with 3-D inverse modeling of magnetic data, reveal that Maragh district has a high potential from viewpoint of iron ore-bearing. The results of this research will be applied for all of the geosciences practitioner especially geologists and exploration engineers.
Keywords: 3-D inverse modeling, ENVI software, Magnetometry, Maragh of Bandar e Charak, Remote sensing.
[1] * نویسنده مرتبط: Rezahmadi@gmail.com
[2] Earth observing system
[3] Visible and near-infrared
[4] Short-wave infrared
[5] Thermal infrared
[6] Image to image
[7] Internal average relative reflectance
[8] False Color Composite
[9] Banding Ratio
[10] Least Square-Fit
[11] Crosta
[12] Directed Principal Component Analysis
[13] Spectral Angle Mapper
[14] Principal Component Analysis
[15] Stretching Histogram
[16] Reduce to pole
[17] Upward continuation
[18] Signal
[19] Noise
[20] Total Horizontal Derivative
[21] Li- Oldenburg
[22] Data Miss-Fit
[23] Initial model
[24] Reference model