Kharazmi Journal of Earth Sciences

fa یادگیری عمیق LSTM نظارت نشده برای شناسایی ناهنجاری در نقشه 1:100000 کجان، مرکز ایران Unsupervised LSTM deep learning for anomaly detection in Kajan 1:100000 map, Central Iran زمین شناسی اقتصادی Economic Geology مقاله پژوهشی Original Research <div style="text-align: justify;">مدلسازی پتانسیل معدنی به‌عنوان یکی از ابزارهای کلیدی در اکتشاف، با چالش‌هایی نظیر پیچیدگی روابط غیرخطی، ناهمگونی داده‌ها و محدودیت داده‌های برچسب‌خورده مواجه است. در این پژوهش، یک رویکرد یادگیری عمیق بدون نظارت و هیبریدی مبتنی بر شبکه بازگشتی LSTM به‌منظور شناسایی نواحی مستعد کانه‌زایی ارائه شده است. این مدل قادر است بدون نیاز به داده‌های آموزشی برچسب‌خورده، ساختارهای پنهان، شباهت‌ها و ناهنجاری‌ها را در داده‌های زمین‌شناسی استخراج نماید. در گام نخست، نمونه‌ها با استفاده از معیارهای آماری و الگوریتمی به‌صورت خودکار گروه‌بندی شدند و سپس با بهره‌گیری از شاخص اطمینان، نواحی با بیشترین پتانسیل معدنی تفکیک گردیدند. به‌منظور ارزیابی کارایی مدل، این رویکرد در برگه یکصد هزار کجان در استان اصفهان، به‌عنوان منطقه‌ای با پتانسیل کانه‌زایی مس- طلا، پیاده‌سازی شد. داده‌های ورودی شامل لایه‌های دگرسانی، ژئوشیمی، گسل‌ها و توده‌های نفوذی بوده که پس از فازی‌سازی، به‌عنوان ورودی به مدل اعمال شدند. نتایج نشان داد که مدل پیشنهادی توانایی بالایی در شناسایی الگوهای پیچیده و تفکیک نواحی امیدبخش معدنی دارد و نقشه‌های حاصل از آن با شواهد زمین‌شناسی منطقه همخوانی قابل قبولی دارند. در مقایسه با روش‌های متداول یادگیری ماشین، رویکرد پیشنهادی با حذف نیاز به داده‌های برچسب‌خورده و افزایش قدرت مدل‌سازی روابط غیرخطی، عملکرد بهتری در کاهش عدم قطعیت و بهبود دقت مدلسازی پتانسیل معدنی ارائه می‌دهد. این نتایج نشان می‌دهد که استفاده از مدل‌های یادگیری عمیق بدون نظارت، به‌ویژه مبتنی بر LSTM، می‌تواند به‌عنوان ابزاری مؤثر در اکتشاف ذخایر معدنی و بهینه‌سازی تصمیم‌گیری‌های اکتشافی مورد استفاده قرار گیرد</div> <div style="text-align: justify;">Mineral prospectivity mapping, as a key tool in mineral exploration, faces challenges such as complex nonlinear relationships, data heterogeneity, and the limitations of labeled datasets. In this study, an unsupervised hybrid deep learning approach based on a Long Short-Term Memory (LSTM) network is proposed to identify prospective mineralization zones. The proposed model is designed to hidden structures, similarities, and anomalies in geoscientific data without requiring labeled training samples. Initially, the dataset is automatically grouped using statistical and algorithmic criteria, after which targets with the highest mineral prospect are delineated using a confidence index. To evaluate the effectiveness of the proposed approach, the model was applied to the 1:100,000 Kajan sheet in Isfahan Province, Iran, an area with significant Cu–Au mineralization potential. The input data include alteration, geochemical, fault, and intrusive rock, which were transformed using fuzzy logic prior to being fed into the deep learning framework. The results demonstrate that the proposed model is capable of capturing complex patterns and effectively delineating prospective zones, with outputs showing strong spatial consistency with known geological features. Compared to conventional deep learning techniques, the proposed method offers notable advantages by eliminating the need for labeled data and enhancing the modeling of nonlinear relationships. Overall, the findings suggest that unsupervised deep learning models, particularly those based on LSTM architectures, provide a robust and efficient framework for mineral prospectivity mapping and can significantly support decision-making in mineral exploration</div> کانه زایی مس- طلا, یادگیری عمیق, شبکه بازگشتی LSTM, اصفهان. Cu-Au mineralization, Deep learning, LSTM Recurrent neural network, Isfahan 0 0 http://gnf.khu.ac.ir/browse.php?a_code=A-10-384-5&slc_lang=fa&sid=1 Zohre Hoseinzade زهره حسین زاده zhoseinzadeh@hut.ac.ir 10031947532846006373 10031947532846006373 No Hamedan University of Technology دانشگاه صنعتی همدان Aref Daei عارف داعی aref.daei@mail.um.ac.ir 10031947532846006374 10031947532846006374 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد Zahra Alaminia زهرا اعلمی نیا alaminia@um.ac.ir 10031947532846006375 10031947532846006375 Yes Ferdowsi University of Mashhad دانشگاه فردوسی مشهد