تحلیل پتانسیل کانیزایی با استفاده از روش تحلیل فاکتوری مرحلهای (SFA) در گستره خوشنامه، هشجین، استان اردبیل
محورهای موضوعی :سمیرا حسین پور نجاتی 1 , کمال سیاه چشم 2 , سید غفور علوی 3 , پویا زرگری 4
1 - دانشکده علوم طبیعی، دانشگاه تبریز
2 - دانشکده علوم طبیعی، دانشگاه تبریز
3 - دانشکده علوم طبیعی، دانشگاه تبریز
4 - گروه مهندسی معدن، دانشگاه ارومیه
کلید واژه: آنومالی ژئوشیمیایی, روشهای چند متغیره, تحلیل فاکتوری مرحلهای, خوشنامه, اردبیل,
چکیده مقاله :
پهنه دگرسان شده خوشنامه، در 20 کیلومتری جنوب خلخال و در منطقه فلززایی هشجین واقع شده است. تزریق نفوذیهای گرانودیوریتی الیگوسن به درون سنگهای تراکی بازالت، آندزیتی و آذرآواری ائوسن سبب ایجاد دگرسانی گرمابی گسترده سریسیتی، آرژیلیک، سیلیسی، کلریتی و اکسیدهای آهن در غرب چنار، محمودآباد، شرق خوشنامه و رخداد کانیزایی چند فلزی سنجده، شالولی و امّآباد در این مناطق شده است. نقطه عطف این پژوهش بررسی قابلیت روش آنالیز فاکتوری مرحلهای (SFA) برای بارزسازی آنومالیهای ژئوشیمیایی واقعی موجود در منطقه است. ازآنجاییکه مقدار تمرکز عناصر غیرمرتبط با کانیسازی، تاثیر منفی بر امتیازات فاکتوری عناصر دارند بنابراین تعداد فاکتورها را کاهش دادیم تا شدت آنومالی افزایش یابد. برای رسیدن به این هدف در مرحله اول از نه فاکتور محاسبه شده، عناصر غیر معرف، مزاحم و عناصری که در هیچیک از فاکتورها مشارکت نداشتند، شناسایی و از مجموعه دادهها حذف شده و تحلیل فاکتوری بار دیگر اعمال شد. پس از اعمال سه مرحله تحلیل روی دادهها، مؤثرترین فاکتورهای پیشگو و مهم کانیسازی مورد استنتاج قرار گرفته و در نتیجه تعداد فاکتورها به پنج مورد کاهش یافت. استفاده از این روش موجب افزایش شدت و تعداد آنومالیهای ممکن و احتمالی و در نتیجه افزایش موفقیت اکتشاف در قیاس با روش آنالیز فاکتوری معمولی شده است. از اینرو آنومالی احتمالی کانیزایی عناصر فلزی Ba، Sn، Pb و Mo از فاکتور اول و عناصر As، Cd و Sb از فاکتور چهارم در این گستره پیشبینی و معرفی میشود.
The Khoshnameh altered area is located about 20 km south of Khalkhal (Ardebil province) and lies in the Hashjin metallogenic district. The formation of extensive serictic, argillic, silicic, chloritic and iron oxides alterations in the Chenar, Mahmudabad and east of Khoshnameh, as well as the copper-lead-zinc mineralization events (e.g. Senjedeh, Shalvali and Ommabad) appears to be intimately affiliated to the fluids derived from upper Oligocene granodiorite intrusions which were emplaced within the Eocene trachy-basalt, andesite and pyroclastic rocks. The key point of this research is to investigate the preference of the Stage Factor Analysis (SFA) to evaluate the geochemical dispersion of mineralization and the visualization of real anomalies throughout the Khoshnameh area. Since the concentration of rock forming elements that are not related to mineralization has a negative effect on the factor privilege of elements, then the number of factors to increase the severity of anomalies must be reduce. For this purpose, initially nine factors were calculated based on the chemical composition of the samples. At this stage, non-representative elements and elements that did not participate in any of the factors were identified and removed from the data set and factor analysis was re-applied. After applying three stages of analysis on the data, the most effective predictive and important factors in terms of mineralization were deduced. Consequently, the number of factors decreased to 5. Therefore, using this method increases the prediction rate and success of the exploration, compared to the typical factor analysis method. Thus, the probable anomalies of Ba, Sn, Pb and Mo mineralization from the first factor and As, Cd and Sb mineralization from the fourth factor are predicted and introduced.
آقانباتی، س. ع.، 1383. زمینشناسی ایران. سازمان زمینشناسی و اکتشافات معدنی کشور، تهران، 586.
حسنی پاک، ع، ا.،1387. اصول اکتشافات ژئوشیمیایی. چاپ ششم، انتشارات دانشگاه تهران، 601.
زرناب اکتشاف، 1385. گزارش اکتشاف عناصر پلیمتال (طلا و سایر عناصر) در محدوده روستای خوشنامه هشتجین. 125.
قربانی، م.، 1387. زمینشناسی اقتصادي کانسارها و نشانههای معدنی ایران. انتشارات آرین زمین، 639.
نبوي، م، ح.، 1355. دیباچهای بر زمینشناسی ايران. انتشارات سازمان زمینشناسی کشور، 109.
Alfassi, Z.B., Boger, Z. and Statistical, Y., 2005. Treatment of analytical data: outliers (Chapter 6). CRC Press, 512.
Borovec, Z., 1996. Evaluation of the concentrations of trace elements in stream sediments by factor and cluster analysis and the sequential extraction procedure, Science of the Total Environment, 177, 1, 237-250.
Carranza, E.J., 2008. Geochemical anomaly and mineral prospectivity mapping in GIS, handbook of Exploration and Environmental Geochemistry, 11. Elsevier, Amsterdam, 122.
Reimann C., Filzmoser P. and Garrett R.G., 2005. Background and threshold: critical comparison of methods of determination, Science of the Total Environment, 346, 1-16.
Tabachnick, B.G. and Fidell, L.S., 2001. Using Multivariate Statistics, Allyn and Bacon, 392.
Tripathi, V.S., 1979. Factor analysis in geochemical exploration. J Geochem Explor, 11, 263–275.
Yousefi, M., Kamkar-Rouhani, A. and Carranza, E. J. M., 2012. Geochemical mineralization probability index (GMPI): a new approach to generate enhanced stream sediment geochemical evidential map for increasing probability of success in mineral potential mapping, Journal of Geochemical Exploration, 115, 24-35.
تحلیل پتانسیل کانیزایی با استفاده از روش تحلیل فاکتوری مرحلهای (SFA) در گستره خوشنامه، هشجین، استان اردبیل
سمیرا حسین پور نجاتی1، کمال سیاه چشم2و*، سید غفور علوی3 و پویا زرگری4
1. دانشجوی کارشناسیارشد، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز
2. دانشیار، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز
3. استادیار، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز
4. دانشآموخته کارشناسیارشد، دانشکده فنی و مهندسی، گروه مهندسی معدن، دانشگاه ارومیه
چکیده
پهنه دگرسان شده خوشنامه، در 20 کیلومتری جنوب خلخال و در منطقه فلززایی هشجین واقع شده است. تزریق نفوذیهای گرانودیوریتی الیگوسن به درون سنگهای تراکی بازالت، آندزیتی و آذرآواری ائوسن سبب ایجاد دگرسانی گرمابی گسترده سریسیتی، آرژیلیک، سیلیسی، کلریتی و اکسیدهای آهن در غرب چنار، محمودآباد، شرق خوشنامه و رخداد کانیزایی چند فلزی سنجده، شالولی و امّآباد در این مناطق شده است. نقطه عطف این پژوهش بررسی قابلیت روش آنالیز فاکتوری مرحلهای (SFA) برای بارزسازی آنومالیهای ژئوشیمیایی واقعی موجود در منطقه است. ازآنجاییکه مقدار تمرکز عناصر غیرمرتبط با کانیسازی، تاثیر منفی بر امتیازات فاکتوری عناصر دارند بنابراین تعداد فاکتورها را کاهش دادیم تا شدت آنومالی افزایش یابد. برای رسیدن به این هدف در مرحله اول از نه فاکتور محاسبه شده، عناصر غیر معرف، مزاحم و عناصری که در هیچیک از فاکتورها مشارکت نداشتند، شناسایی و از مجموعه دادهها حذف شده و تحلیل فاکتوری بار دیگر اعمال شد. پس از اعمال سه مرحله تحلیل روی دادهها، مؤثرترین فاکتورهای پیشگو و مهم کانیسازی مورد استنتاج قرار گرفته و در نتیجه تعداد فاکتورها به پنج مورد کاهش یافت. استفاده از این روش موجب افزایش شدت و تعداد آنومالیهای ممکن و احتمالی و در نتیجه افزایش موفقیت اکتشاف در قیاس با روش آنالیز فاکتوری معمولی شده است. از اینرو آنومالی احتمالی کانیزایی عناصر فلزی Ba، Sn، Pb و Mo از فاکتور اول و عناصر As، Cd و Sb از فاکتور چهارم در این گستره پیشبینی و معرفی میشود.
واژههاي کلیدی: آنومالی ژئوشیمیایی، روشهای چند متغیره، تحلیل فاکتوری مرحلهای، خوشنامه، اردبیل.
مقدمه
روش اکتشافات ژئوشیمیایی رسوبات آبراههای متداولترین شیوه اکتشافات ژئوشیمیایی مقدماتی است که برای اکتشافات مقیاس کوچک تا متوسط کاربرد دارد. این روش براساس تجزیه شیمیایی رسوبات موجود در محل آبراههها پیریزی شده است و بهطور وسیعی برای پیجوئیهای ناحیهای و شناسایی مقدماتی نواحی امیدبخش کانیسازی در مناطقی که دارای آبراهه هستند و وسعت حوضه آبریز زیاد باشد به کار میرود. بنیادیترین پیشفرض در مطالعات ژئوشیمی رسوبات آبراههای این است که رسوبات آبراههای معرف محصول هوازدگی و فرسایش در بالادست محل نمونه هستند که با مطالعه آنها میتوان منطقه بالادست هر نمونه را از نظر غنیشدگی عناصر گوناگون بررسی کرد (حسنی پاک، 1387).
تجزیه و تحلیل فاکتوری، بهعنوان یکی از روشهای تجزیه و تحلیل چندمتغیره بهطور گسترده برای تفسیر دادههای ژئوشیمیایی رسوبات آبراههای استفاده میشود (Borovec, 1996). آنالیز فاکتوری، یک روش برای بررسی و مطالعه همزمان تغییرات متغیرهای مورد بررسی در یک نقطه، انعکاس نحوه تغییرات آنها و در نتیجه روشی برای کاهش تعداد متغیرهای مورد بررسی است. هدف از آنالیز فاکتوری، تشریح تغییرات در یک مجموعه از دادههای ژئوشیمیایی چندعنصری است که از طریق کاهش ابعاد دادهها و متغیرها به تعدادی فاکتور صورت میگیرد، و میتواند همراهی پنهان بین عناصر را آشکار کند (Tripathi, 1979). آنالیز فاکتوری شامل محاسبه ماتریس ضرایبهای همبستگی بین متغیرها، تعیین متغیرهایی که به نظر میرسد وابستگی ضعیفی با سایر متغیرها دارند (با استخراج فاکتورها)، تعیین تعداد فاکتورها، روش محاسبه آنها و بالاخره دوران و اعمال تبدیلاتی خاص بر روی فاکتورها میباشد (Tabachnick and Fidell, 2001). اختلاف در خصوصیات و تحرک فیزیکی و شیمیایی عناصر و نیز ماهیت روش آنالیز فاکتوری که در آن از ماتریس کل دادهها استفاده میشود، سبب شده در خروجی آنالیز فاکتوری شاهد نبود راهنمایی عناصر ردیاب و معرفی کانیسازی در قالب یک فاکتور معین باشد. یکی از اهداف تجزیه و تحلیل فاکتوری مرحلهای آن است که با تعداد کمتری متغیر فاکتوری، مقدار بیشتری از تغییرپذیری توجیه شود. لذا برای بهبود خروجی میتوان از آنالیز فاکتوری مرحلهای بهمنظور استنتاج بهترین معرف یا معرفهای چندعنصری کانیسازی بهره برد. در این مقاله سعی شده تا از قابلیت روش تحلیل فاکتوری مرحلهای برای تجزیه و تحلیل دادههای ژئوشیمی رسوبات آبراههای منطقه خوشنامه جهت شناسایی مناطق مستعد کانیسازی شده در این منطقه استفاده شود.
موقعیت جغرافیایی و زمینشناسی منطقه
گستره اکتشافی خوشنامه از روستاهای توابع شهرستان هشجین، در 20 کیلومتری جنوب خلخال در استان اردبیل بین طولهای شرقی″22′16°48 و″18′27 °48 و عرضهای شمالی ″24 ′25 °37 و ″00 ′30 °37 واقع شده (شکل 1-الف) و در چهارگوش زمینشناسی یکصد هزارم هشجین دارای وسعتی بالغ بر 70 کیلومتر مربع میباشد.
از نظر زمینشناسی منطقه هشجین بهعنوان بخشي از کمربند آتشفشاني–رسوبي ترشيری البرز غربي-آذربايجان محسوب میشود (شکل 1-ب). تودههاي نفوذي حدواسط تا اسيدی با سن الیگوسن، گدازههای تراکی بازالت، آندزیتی آگلومرا تا پیروکلاستیک ائوسن را قطع كرده و توسط نهشتههاي آهكي و مارني ميوسن زيرين با دگرشيبي فرسايشي پوشيده ميشوند. بهطورکلی رخنمونهای سنگی موجود در گستره بهصورت تناوب نهشتههای آتشفشانی، آذرآواری و رسوبی پالئوژن، نئوژن و کواترنری میباشند. در کمربند فلززایی هشجین چندین ذخیره معدنی از قبیل معادن چند فلزی مس- سرب- روی سنجده، شالولی، اندیس مس امّآباد و زئولیت نمهیل وجود دارد که هرکدام از این معادن در اطراف خود دارای هالههای دگرسانی هستند (قربانی، 1387).
براساس بررسیهای صحرائی انجام شده در گستره اکتشافی خوشنامه کانیسازی مشهودی بهصورت ذخیره معدنی گزارش و پیجویی نشده است ولی آثار وسیع دگرسانی گرمابی در سنگهای منطقه قابل تشخیص است. برخی انواع آنها بهطور گسترده مناطق مختلفی را در چند ناحیه تحت تأثیر قرار داده است. این گسترههای دگرسان شده در مناطق تکتونیزه که انتقال سیالات گرمابی با سهولت بیشتری صورت گرفته دارای وسعت بیشتری هستند و میتوان از آنها بهعنوان شاخص اکتشافی استفاده کرد. این دگرسانیها بهصورت یک نوار از شمال غرب تا جنوب شرق کشیده شده و مهمترین آنها عبارتند از: سریسیتی (فیلیک)، آرژیلیک (کائولینیتی)، سیلیسی شدگی، کلریتی (پروپیلیتیک) و همچنین زونهای آغشته به اکسیدهای آهن میباشد. براساس مطالعات این دگرسانیها در چهار گستره بهصورت گسترده و در مناطقی نیز در اطراف دایکها و در موقعیتهای کموسعتتر شناسائی شدهاند. این چهار محدوده عبارتند از محدوده دگرسانی غرب چنار، محمودآباد، شرق خوشنامه و درهبلاغ میباشد. از رخنمون سطحی کلیه دگرسانی شناسائی شده و در یک محل نیز از ترانشههای اکتشافی، نمونهبرداریهای لازم جهت شناسایی آنومالیهای چندفلزی و طلا انجام شده است (زرناب اکتشاف، 1385).
شکل 1. الف) موقعیت جغرافیایی و راههای دسترسی به منطقه مطالعاتی، ب) نقشه کمربندهای ساختاری- رسوبی شمالغرب ایران (نقل از نبوی، 1355 و آقانباتی، 1383) و موقعیت گستره در کمربند البرز غربی- آذربایجان
روش مطالعه
پردازش مقدماتی دادهها
در بررسیهای ژئوشیمیایی رسوبات آبراههای هدف کشف آنومالی در هالههای ثانویه است؛ برای شناسایی آنومالیها، از روشهای آماری که توانایی به حداکثر رساندن اختلاف بین مقادیر آنومالی و روند ناحیهای را دارند، استفاده کرده و در نتیجه، از طریق شدت بخشی آنومالیها، به شناسایی هرچه دقیقتر آنها میپردازند.
در منطقه مورد مطالعه تعداد 215 نمونه ژئوشیمیایی برداشت شده، که پس از آمادهسازی به آزمايشگاه Amdel استراليا ارسال شده و براساس انحلال در چهار اسید مورد آنالیز دستگاهی ICP-MS 44 عنصری قرار گرفته و اندازهگیری طلا نیز به روشFIRE ASSAY صورت گرفته است. نتایج حاصل از آنالیز نمونهها توسط نرمافزارهای SPSS، Rockworks14، OriginPro 2016، GIS و Excel مورد تجزیه و تحلیل آماری تک متغیره، دو متغیره و چند متغیره قرار گرفته و با استفاده از نرمافزار Surfer 13 نقشه پراکندگی عناصر رسم و مورد تفسیر قرار گرفته است.
برای تعیین مقادیر خارج از ردیف از روش نمودار چندک-چندک5 استفاده شد. این نمودار مقادیر چندکهای توزیع فراوانی دادهها را در برابر مقادیر چندکهای یک توزیع فرضی رسم میکند و قادر است تا کیفیت توزیع دادهها را بهصورت بصری مشخص کند و میزان انحراف از تابع توزیع نرمال یا لاگ نرمال6، خصلت چند جامعهای و وجود دادههای خارج از ردیف را نشان دهد. با رسم این نمودار میتوان محل جدایش توزیع را بهعنوان مرز جدایش نمونههای خارج از ردیف تعیین کرد. بهاینترتیب، مقادیری خارج از ردیف خواهند بود که از روند کلی بخش اصلی توزیع دادهها پیروی نکنند.
در این نمودارها هر چه مقدار دادهها، بهتر بر روی خط فرضی برازش7 شده باشند، به همان میزان، تابع توزیع نرمالتری خواهند داشت. دادههایی هم که از خط مزبور جدایش نشان میدهند، خارج از ردیف میباشند. توزیعهای نامتقارن مجموعه دادههای منحصربهفرد، برای استفاده باید به حالت متقارن تبدیل شوند، زیرا دادهها بایستی قبل از تخمین آستانه، به یک توزیع متقارن نزدیک شوند (Reimann et al, 2005). همانطور که در شکل ۲ مشخص است، اقدام به رسم نمودارهای Q-Q برای تمامی عناصر، در دو حالت قبل از تشخیص دادههای خارج از ردیف و پس از تصحیح و جایگذاری دادههای خارج از ردیف در حالت نرمال شده است که از بین آنها به ارائه عناصر سرب و روی اکتفا شده است. چنانچه مشاهده میشود مقادیر خارج از ردیف برای عناصر مذکور بهطور قابل توجهی کاهش یافته است. لازم به ذکر است برای جایگذاری مقادیر خارج از ردیف از آزمون آماری دیکسون8 که بنام روش Q نیز موسوم است استفاده شده که به طریقه زیر محاسبه میشود:
پس از محاسبه میانگین () و انحراف معیار Qها (SQ)، هر دادهای که از نامساوی زیر تبعیت نمیکند را حذف کرده و بهجای آن مقدار میانگین عنصر مربوطه جایگزین شده است (Alfassi et al, 2005).
پس از جایگذاری مقادیر خارج از ردیف برای تبدیل دادهها به حالت نرمال از لگاریتم طبیعی که در مبنای e محاسبه میشود، استفاده شد.
شکل 2. نمودار Q-Q برای نشان دادن مقادیر خارج از ردیف برای دو عنصر انتخابی مس و روی، الف) قبل از تصحیح، ب) بعد از تصحیح
برای نشان دادن توابع توزیع آماری، ضریب همبستگی و نحوه پراکندگی مجموعه دادهها از نمودارهای ترکیبی استفاده شده است زیرا این نمودارها دید بهتری از رفتار و ساختار دادههای تک متغیره و دو متغیره نسبت به نمودارهای مستقل را فراهم میکند. بهجای تفسیر بصری هیستوگرام تک تک عناصر و ضریب همبستگی آنها با دیگر عناصر، میتوان از نمودارهای ترکیبی اسکاتر پلات9 بهره جست.
برای منطقه مورد مطالعه، نمودارهای اسکاترپلات هر یک از مجموعه دادههای خام و تبدیل یافته لگاریتمی آورده شدهاند توزیعهای تبدیل یافته لگاریتمی دارای تقارن بهتری در مقایسه با دادههای خام مربوطه میباشد (شکلهای 3 و 4). همانطور که مشاهده میشود ضریبهای همبستگی پیرسون پس از نرمالسازی افزایشیافته است.
شکل 3. نمودار پراکندگی مجموعه دادههای خام عناصر گستره اکتشافی
شکل ۴. نمودار پراکندگی مجموعه دادههای لگاریتمی عناصر گستره اکتشافی
بحث
تجزیه و تحلیل فاکتوری مرحلهای (10SFA)
مبنای آنالیز فاکتوری مرحلهای بدینگونه است که پس از اجرای آنالیز فاکتوری، در خروجی کار، عنصر و یا عناصری را که با توجه به حد آستانه در نظر گرفته شده برای مقادیر بار فاکتوری، در هیچ فاکتوری مشارکت نداشتهاند از مجموعه دادهها حذف شده و آنالیز فاکتوری دوباره انجام پذیرد. این عمل تا جایی ادامه پیدا میکند که دیگر هیچ عنصری در خروجی کار وجود نداشته باشد که نتوان آن را در یکی از فاکتورها طبقهبندی کرد. آنالیز فاکتوری مرحلهای در دو فاز عمده صورت میگیرد:
فار اول: حذف عناصر مزاحم، یعنی عناصری که در هیچ فاکتوری مشارکت ندارند (استخراج فاکتورهای تمیز).
فاز دوم: استخراج نواحی آنومال چندعنصره بهمنظور شناسایی تیپ کانیسازی و دستیابی به امتیازات فاکتوری قابل اعتماد.
هر یک از فازهای آنالیز فاکتوری ممکن است با توجه به دادههای ژئوشیمیایی منطقه و نیز نوع کانیسازی موجود، بهصورت مجزا تحت آنالیز مرحلهای قرار گیرند (Yousefi et al, 2012). بهمنظور نشان دادن کاربرد آنالیز فاکتوری مرحلهای، هر کدام از فازهای اصلی و مراحل آنها بر روی دادههای منطقه مورد مطالعه انجام شد.
تجزیه و تحلیل فاکتوری مرحله اول
قبل از انجام آناليز فاكتوري ابتدا بايد ميزان اعتبار تجزيه عاملي را بر روي مقادير بررسي کرد. براي اين منظور از آزمون بارتلت و شاخص KMO بهره گرفته میشود. هر چه مقدار KMO به يك نزدیکتر باشد دلالت بر تأييد بيشتر تجزيه عاملي دارد. باتوجه به جدول 1 ملاحظه میشود که مقدار شاخص ۸15/۰
میباشد که ضریب قابل قبولی است.
جدول1. آزمون بارتلت و شاخص KMO
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. | 0.815 | |||
Bartlett's Test of Sphericity | Approx. Chi-Square | 10779.184 | ||
df | 861 | |||
Sig. | 0 |
ﻧﺘﺎﯾﺞ تحلیل ﻓﺎﮐﺘﻮری ﺑﺮ اﺳﺎس ﻣﻘﺎدﯾﺮ ﻧﺮﻣﺎل ﺷﺪه (ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻫﺮ ﻣﺘﻐﯿﺮ در ﺻﻮرت ﻧﺮﻣﺎل ﻧﺒﻮدن از روش ﻟﮕﺎرﯾﺘﻢ ﺟﻬﺖ ﻧﺮﻣﺎلیزه ﮐﺮدن ﻣﻘﺎدﯾﺮ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ) در ﺟﺪول 2 آورده ﺷﺪه اﺳﺖ. در این ﺟﺪول ﻣﻘﺎدﯾﺮ وﯾﮋه ﮐﻞ و ﻧﻘﺶ آﻧﻬﺎ در ﺗﻮﺟﯿﻪ ﻣﻘﺪار ﺗﻐﯿﯿﺮﭘﺬﯾﺮی ﺑﻪ دو ﺻﻮرت تک به تک و ﺗﺠﻤﻌﯽ و ﻫﻤﭽﻨﯿﻦ ﺑﺎر ﻓﺎﮐﺘﻮرﻫﺎی ﻣﺮﺑﻮط ﺑﻪ نه ﻓﺎﮐﺘﻮر اول ﻗﺒﻞ و ﺑﻌﺪ از ﭼﺮﺧﺶ آورده ﺷﺪه اﺳﺖ.
جدول 2. نتایج آنالیز فاکتوری
Component | Initial Eigenvalues | Extraction Sums of Squared Loadings | Rotation Sums of Squared Loadings | ||||||
Total | % of Variance | Cumulative % | Total | % of Variance | Cumulative % | Total | % of Variance | Cumulative % | |
1 | 11.129 | 26.498 | 26.498 | 11.129 | 26.498 | 26.498 | 7.494 | 17.843 | 17.843 |
2 | 6.781 | 16.145 | 42.642 | 6.781 | 16.145 | 42.642 | 5.398 | 12.853 | 30.696 |
3 | 3.953 | 9.411 | 52.054 | 3.953 | 9.411 | 52.054 | 4.451 | 10.597 | 41.293 |
4 | 3.111 | 7.407 | 59.461 | 3.111 | 7.407 | 59.461 | 4.006 | 9.539 | 50.832 |
5 | 2.522 | 6.005 | 65.465 | 2.522 | 6.005 | 65.465 | 3.047 | 7.254 | 58.085 |
6 | 1.912 | 4.553 | 70.018 | 1.912 | 4.553 | 70.018 | 2.630 | 6.261 | 64.347 |
7 | 1.413 | 3.365 | 73.383 | 1.413 | 3.365 | 73.383 | 2.400 | 5.715 | 70.062 |
8 | 1.358 | 3.233 | 76.616 | 1.358 | 3.233 | 76.616 | 1.959 | 4.665 | 74.727 |
9 | 1.028 | 2.448 | 79.064 | 1.028 | 2.448 | 79.064 | 1.822 | 4.337 | 79.064 |
10 | .953 | 2.270 | 81.334 |
|
|
|
|
|
|
11 | .922 | 2.196 | 83.530 |
|
|
|
|
|
|
12 | .739 | 1.759 | 85.289 |
|
|
|
|
|
|
13 | .694 | 1.652 | 86.940 |
|
|
|
|
|
|
Extraction Method: Principal Component Analysis. |
دادههای جدول 2 دلالت بر آن دارد که مؤلفه اول قادر است حدود 49/26% از کل تغییرپذیری را توجیه کند. این مقدار برای مؤلفه دوم افت کرده و به حدود 16% کاهش مییابد. برای مؤلفه سوم این مقدار به حدود 9% کاهش مییابد، ﺑﻨﺎﺑﺮاﯾﻦ سه مؤلفه اول در ﻣﺠﻤﻮع 52% ﺗﻐﯿﯿﺮ ﭘﺬﯾﺮی را ﺗﻮﺟﯿﻪ ﻣﯽﮐﻨﻨﺪ. این روند کاهش تا فاکتورهای چهارم، پنجم، ششم، هفتم و غیره که به ترتیب حدود 4/7%، 6%، 5/4% و 3/3% تغییرپذیری را توجیه میکنند، ادامه دارد. درمجموع نه فاکتور استخراجی توانسته است 064/79% از کل تغییرپذیری را در منطقه مطالعاتی توجیه کند (جدول2).
جدول 3، ماتریس چرخش یافته آنالیز فاکتوری را نشان میدهد که جهت سهولت بررسی دادهها مقادیر بالای 5/0 با رنگ قرمز برای هر فاکتور مشخصشدهاند.
در ﻫﺮ ﯾﮏ از نه ﻣﺆﻟﻔﻪ داده ﺷﺪه ﻋﻨﺎﺻﺮ زﯾﺮ اﻫﻤﯿﺖ ﭘﯿﺪا ﮐﺮدهاﻧﺪ:
· در ﻣﺆﻟﻔﻪ اول بیشترین بار فاکتوری را برای عناصر Ba،Be،Nb،Sn،Ce،Pb،Mo،Th، LaوZr شاهد هستیم. این فاکتور میتواند در ارتباط با معرفی مناطق دگرسانی درونزاد در گستره مورد نظر دارای اهمیت باشد.
· در مؤلفه دوم عناصر Fe،Zn، (P-Sc-V)،Ti،Cu و Co حضور دارند. این فاکتور ارتباط زایشی با سنگهای حدواسط - مافیک منطقه دارد و به لحاظ فعالیتهای کانیسازی دارای اهمیت خاصی نمیباشد.
· در مؤلفه سوم عناصر Cr،Ni،Mg و Sr قرار دارند. اﯾﻦ ﻋﻨﺎﺻﺮ در ارﺗﺒﺎط ﺑﺎ دگرسانی سنگهای بازالتی بوده و از کانیهای مافیک آزاد شدهاند. از اﯾﻨﺮو اﯾﻦ ﻓﺎﮐﺘﻮر اﻫﻤﯿﺖ ﭼﻨﺪاﻧﯽ در فعالیتهای ﮐﺎﻧﯽﺳﺎزی ﻧﺨﻮاﻫﺪ داﺷﺖ.
· در مؤلفه چهارم عناصر Au، Tl، Bi، W و U قرار دارند که میتواند در ارتباط با فعالیتهای گرمابی و کانیسازی طلا در سنگهای آذرین آلکالن در منطقه باشد.
· در مؤلفه پنجم عناصر As، Li، S، Sbو Cd حضور دارند. همبود ژئوشیمیایی این عناصر به احتمال قوی نشانگر کانیسازی گرمابی رگهای دما پایین در سنگهای اسیدی منطقه میباشد.
· در فاکتورهای بعدی عناصر بهتنهائی ظاهر شدهاند که فاقد جنبه اکتشافی میباشند.
نقشه ژئوشیمیایی امتیازات فاکتوری برای مؤلفههای مهم در امر پیجویی و اکتشاف مرتبط با مرحله اول آنالیز فاکتوری در شکلهای 5، 6 و 7 رسم شدند.
جدول 3. ماتریس چرخش یافته آنالیز فاکتوری بر اساس مقادیر نرمال شده دادههای خام در منطقه مطالعاتی
| ||||||||||
| Component | |||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ||
lnAu | .042 | -.167 | .305 | .469 | .153 | -.033 | -.369 | .141 | -.206 | |
lnCr | -.126 | .430 | .829 | -.030 | -.043 | .111 | -.122 | -.095 | .018 | |
Mn | .234 | .461 | .110 | .036 | .099 | -.002 | -.104 | -.001 | .416 | |
lnNi | -.079 | .317 | .868 | -.012 | -.015 | .103 | -.186 | .013 | -.007 | |
lnPb | .585 | -.253 | -.149 | .156 | .311 | -.290 | .106 | -.204 | .219 | |
Sr | .234 | .153 | .600 | -.548 | -.125 | -.189 | -.048 | .053 | .029 | |
lnBa | .595 | -.055 | .150 | -.075 | .248 | .050 | .281 | -.372 | .117 | |
Be | .774 | .159 | -.040 | .259 | -.107 | -.028 | .314 | .167 | .020 | |
lnTi | .256 | .849 | -.042 | -.192 | -.068 | -.168 | -.132 | .035 | .071 | |
Fe | -.071 | .901 | .140 | -.190 | -.117 | -.023 | .019 | .128 | .094 | |
Al | -.033 | .050 | .007 | .005 | -.212 | .103 | .100 | .862 | .032 | |
La | .958 | -.038 | -.042 | .050 | .017 | -.083 | .080 | .082 | .039 | |
Sc | -.459 | .630 | .351 | .111 | -.077 | .099 | -.174 | .211 | -.003 | |
Ca | -.153 | .036 | .431 | -.574 | .185 | .041 | -.363 | -.241 | .184 | |
lnLi | .400 | -.059 | .048 | .156 | .570 | .306 | -.084 | -.259 | -.335 | |
lnP | .416 | .240 | .087 | -.481 | -.169 | -.300 | .093 | .421 | .084 | |
V | -.117 | .872 | .207 | -.189 | -.096 | -.008 | -.068 | -.080 | .126 | |
Mg | -.358 | .329 | .754 | .009 | -.179 | .133 | -.042 | .067 | -.076 | |
K | .261 | -.094 | -.128 | .162 | .119 | -.014 | .808 | .017 | .036 | |
Na | .352 | .183 | .280 | -.333 | -.221 | -.439 | .273 | .170 | .173 | |
lnS | -.245 | -.082 | -.093 | -.136 | .674 | -.177 | .103 | -.046 | -.038 | |
Zr | .725 | .103 | -.141 | .105 | -.168 | -.256 | -.145 | .186 | .288 | |
lnHg | .099 | .062 | .029 | .148 | -.016 | .446 | .012 | .417 | -.054 | |
lnAg | .371 | -.025 | -.108 | .037 | .008 | -.753 | .059 | .068 | -.136 | |
lnAs | .123 | -.061 | .104 | .205 | .800 | .143 | .108 | -.071 | -.042 | |
lnBi | .154 | -.016 | -.173 | .670 | .223 | -.090 | .139 | -.140 | .107 | |
Co | -.255 | .715 | .522 | -.100 | .007 | .047 | -.040 | .077 | -.047 | |
Cu | .094 | .636 | .432 | -.169 | .021 | .093 | -.037 | .044 | -.160 | |
lnMo | .612 | .037 | -.301 | -.059 | .422 | -.214 | .174 | -.058 | .101 | |
lnSb | .164 | -.105 | -.135 | .254 | .678 | .302 | .031 | -.027 | .166 | |
lnZn | .359 | .771 | .076 | .129 | .014 | -.104 | .045 | -.034 | .169 | |
lnSn | .561 | .057 | -.587 | .427 | .138 | -.185 | .020 | -.085 | .153 | |
W | .435 | -.240 | .121 | .675 | -.046 | .210 | .148 | -.083 | .114 | |
lnCs | -.186 | -.103 | .210 | .003 | .139 | .811 | .205 | .187 | -.120 | |
lnNb | .857 | .177 | -.125 | .059 | .108 | -.182 | -.069 | -.125 | -.073 | |
U | .444 | -.230 | -.082 | .511 | .052 | .154 | .217 | -.374 | .360 | |
lnCd | .197 | .054 | -.229 | .123 | .603 | -.110 | -.137 | -.211 | .369 | |
Rb | .101 | -.160 | -.194 | .242 | .088 | .113 | .857 | .104 | -.094 | |
Th | .564 | -.310 | .003 | .475 | .005 | .403 | .244 | -.063 | .225 | |
Y | .338 | .072 | -.493 | .210 | .073 | -.014 | .101 | .047 | .613 | |
Ce | .918 | -.041 | -.184 | .109 | .096 | .023 | .102 | .035 | .096 | |
Tl | .072 | -.125 | -.067 | .784 | .113 | .014 | .125 | .210 | .069 | |
Extraction Method: Principal Component Analysis. | ||||||||||
a. Rotation converged in 11 iterations.
|
شکل5. نقشه امتیازات فاکتوری مرحله اول برای فاکتور اول
شکل 6. نقشه امتیازات فاکتوری مرحله اول برای فاکتور چهارم
شکل 7. نقشه امتیازات فاکتوری مرحله اول برای فاکتور پنجم
تجزیه و تحلیل فاکتوری مرحله دوم
در مرحله اول، آنالیز فاکتوری بر روی تمامی عناصر انجام شد. عناصر Ca، Na، P، Hg، Mn و Ag با توجه به حد آستانه بار فاکتوری در نظر گرفته شده، در هیچ فاکتوری مشارکت نداشتند. بنابراین از مجموع دادهها حذف شده، آنالیز فاکتوری دوباره روی دادهها اعمال شد (مرحله دوم). جدول 4 نشانگر داشتن اعتبار خوب برای فاکتورگیری بعد از حذف این عناصر است.
جدول 4. آزمون بارتلت و شاخص KMO در مرحله دوم آنالیز فاکتوری
Kaiser-Meyer-Olkin (KMO) Measure of Sampling Adequacy. | 0.819 | |
Bartlett's Test of Sphericity | Approx. Chi-Square | 9467.364 |
df | 666 | |
Sig. | 0 |
در این مرحله از تحلیل فاکتوری دوباره عناصری که در هیچ یک از مولفهها حضور نداشتند و فاکتورهایی که در ارتباط با کانیسازی نبودند و بهعنوان آلودگی در منطقه حضور داشتند که سبب ایجاد آنومالی دروغین و پوشیده ماندن کانیسازی اصلی در منطقه میشد، حذف شدند تا بتوان به ایدهآلترین نتیجه ممکن با توجه به اعتبارسنجیها در این پژوهش دست یافت.
همانطور که قبلا هم اشاره شد، هدف استفاده از تحلیل فاکتوری مرحلهای، بهبود بخشیدن به آنومالیهای واقعی موجود در منطقه است و ازآنجاییکه مقدار تمرکز عناصر غیرمرتبط با کانیسازی در منطقه یا عناصر سنگساز تاثیر منفی بر امتیازات فاکتوری عناصر دارند پس باید تعداد فاکتورها را کاهش داد تا شدت آنومالی افزایش یابد. افزایش شدت آنومالی بدین معناست که تعداد نمونههای آنومال موجود در منطقه نسبت به تعداد کل نمونههای ناهنجار در منطقه مورد بررسی افزایش مییابد (Carranza, 2008). بنابراین در این مرحله از تجزیه و تحلیل فاکتوری مرحلهای، عناصر موجود در فاکتورهایی که بیشتر بهخاطر حضور واحدهای سنگی در منطقه بودند و همچنین عناصری که ارتباط مثبتی با هیچیک از فاکتورها نداشتند حذف شدند و بار دیگر تجزیه و تحلیل فاکتوری بر روی دادهها اعمال شد (مرحله سوم).
تجزیه و تحلیل فاکتوری مرحله سوم
نتایج آنالیز فاکتوری در مرحله سوم و ماتریس چرخش یافته آنالیز فاکتوری بر اساس مقادیر نرمال شده دادههای خام در منطقه مطالعاتی در جدولهای 5 و 6 آورده شده است که با توجه به این جدولها تعداد فاکتورها از نه به پنج در مرحله سوم کاهش یافت.
جدول 5. نتایج آنالیز فاکتوری در مرحله سوم
Comp. | Initial Eigenvalues | Rotation Sums of Squared Loadings | ||||
Total | % of Variance | Cumulative % | Total | % of Variance | Cumulative % | |
1 | 8.986 | 30.987 | 30.987 | 6.418 | 22.131 | 22.131 |
2 | 5.529 | 19.065 | 50.053 | 4.662 | 16.075 | 38.206 |
3 | 2.859 | 9.859 | 59.911 | 4.400 | 15.173 | 53.379 |
4 | 2.172 | 7.491 | 67.402 | 3.186 | 10.985 | 64.364 |
5 | 1.969 | 6.788 | 74.190 | 2.849 | 9.826 | 74.190 |
6 | .918 | 3.167 | 77.357 |
|
|
|
7 | .886 | 3.055 | 80.412 |
|
|
|
Extraction Method: Principal Component Analysis. |
جدول 6. ماتریس چرخش یافته آنالیز فاکتوری در مرحله سوم
| Component | ||||
1 | 2 | 3 | 4 | 5 | |
LnAu | -.018 | -.187 | .323 | .093 | .541 |
lnCr | -.135 | .370 | .858 | -.014 | -.028 |
lnNi | -.099 | .255 | .903 | -.015 | -.019 |
lnPb | .634 | -.191 | -.268 | .367 | .092 |
Sr | .258 | .158 | .544 | -.173 | -.522 |
lnBa | .620 | -.109 | .136 | .385 | -.125 |
Be | .795 | .138 | -.032 | -.102 | .308 |
lnTi | .281 | .862 | .027 | -.080 | -.190 |
Fe | -.052 | .904 | .195 | -.137 | -.170 |
La | .961 | -.051 | -.026 | .029 | .078 |
Sc | -.470 | .610 | .426 | -.138 | .119 |
lnLi | .297 | -.172 | .193 | .656 | .173 |
V | -.092 | .872 | .260 | -.074 | -.194 |
Mg | -.372 | .264 | .787 | -.196 | .021 |
lnS | -.233 | -.037 | -.179 | .621 | -.231 |
Zr | .759 | .181 | -.167 | -.211 | .095 |
lnAs | .070 | -.090 | .113 | .813 | .234 |
lnBi | .169 | .022 | -.239 | .269 | .671 |
Co | -.263 | .661 | .590 | -.009 | -.124 |
Cu | .070 | .546 | .552 | .024 | -.191 |
lnMo | .643 | .063 | -.339 | .439 | -.097 |
lnSb | .100 | -.102 | -.101 | .697 | .345 |
lnZn | .388 | .780 | .101 | .054 | .147 |
lnSn | .587 | .118 | -.603 | .168 | .405 |
W | .423 | -.263 | .096 | .042 | .697 |
lnNb | .856 | .155 | -.076 | .148 | .030 |
lnCd | .204 | .135 | -.287 | .643 | .091 |
Ce | .911 | -.054 | -.148 | .131 | .134 |
Tl | .074 | -.098 | -.110 | .065 | .830 |
Extraction Method: Principal Component Analysis. | |||||
a. Rotation converged in 9 iterations. |
هر یک از فاکتورهای شاخص بدست آمده در تحلیل فاکتوری سوم میتواند ارتباط زایشی با کانیسازی موجود در منطقه داشته باشد که با توجه به نتایج حاصل میتوان فاکتورهای اول و چهارم را بهعنوان فاکتور شاخص در امر اکتشاف معرفی کرد. نقشههای بدست آمده از امتیازات فاکتوری مرحله سوم در شکلهای 8 و 9 آورده شدهاند. همانطور که ملاحظه میشود شدت ناهنجاریها و تعداد آنومالیهای ممکن و احتمالی در مقایسه با مرحله اول تجزیه و تحلیل فاکتوری افزایش یافته است.
شکل 8. نقشه امتیازات فاکتوری مرحله سوم برای فاکتور اول
شکل 9. نقشه امتیازات فاکتوری مرحله سوم برای فاکتور چهارم
نتیجهگیری
انتخاب بهترین فاکتور معرف کانیسازی، یک مسئله بحثبرانگیز است که موجب ابداع روشهای مختلفی در زمینه اکتشافات ژئوشیمیایی شده است. با توجه به نتایج حاصل از روش آنالیز فاکتوری SFA، سه فاکتور مهم برای گستره دگرسانی خوشنامه مشخص شدند که با اعمال این روش میتوان به ایدهآلترین نتیجه ممکن، با توجه به اعتبارسنجیها در این پژوهش دست یافت.
با توجه به نتایج بدست آمده در مرحله اول و دوم از تحلیل فاکتوری مرحلهای، آنومالیهای کاذب و فاکتورهای غیرمرتبط با کانیسازی موجود در منطقه حذف شدند که باعث برونزد هر چه بهتر شاخصهای کانیسازی اصلی در مرحله سوم شده است. ازاینرو طبق تحلیل فاکتوری مرحله نهایی (سوم)، آنومالی احتمالی کانیزایی عناصر فلزی Ba، Sn، Pb و Mo از فاکتور اول، عناصر As، Cd وSb از فاکتور چهارم را میتوان بهعنوان فاکتور شاخص در اکتشاف معرفی کنیم (جدول7).
جدول 7. مقایسه نتایج روش تجزیه و تحلیل فاکتوری مرحلهای (SFA)
بهطور کلی میتوان چنین نتیجه گرفت که استفاده از تحلیل فاکتوری مرحلهای باعث یافتن حداقل تعداد متغیر و گروه عناصری با بیشترین تغییرات، بهبود بخشیدن به شناسایی نشانههای ژئوشیمیایی ناهنجار، افزایش شدت آنومالی، بهبود میزان پیشبینی نقشههای پتانسیل مواد معدنی و درنهایت باعث افزایش موفقیت در مبحث ژئوشیمی اکتشافی میشود.
منابع
- آقانباتی، س. ع.، 1383. زمینشناسی ایران. سازمان زمینشناسی و اکتشافات معدنی کشور، تهران، 586. ##حسنی پاک، ع، ا.،1387. اصول اکتشافات ژئوشیمیایی. چاپ ششم، انتشارات دانشگاه تهران، 601. ##زرناب اکتشاف، 1385. گزارش اکتشاف عناصر پلیمتال (طلا و سایر عناصر) در محدوده روستای خوشنامه هشتجین. 125. ##قربانی، م.، 1387. زمینشناسی اقتصادي کانسارها و نشانههای معدنی ایران. انتشارات آرین زمین، 639. ##نبوي، م، ح.، 1355. دیباچهای بر زمینشناسی ايران. انتشارات سازمان زمینشناسی کشور، 109. ##Alfassi, Z.B., Boger, Z. and Statistical, Y., 2005. Treatment of analytical data: outliers (Chapter 6). CRC Press, 512. ##Borovec, Z., 1996. Evaluation of the concentrations of trace elements in stream sediments by factor and cluster analysis and the sequential extraction procedure, Science of the Total Environment, 177, 1, 237-250. ##Carranza, E.J., 2008. Geochemical anomaly and mineral prospectivity mapping in GIS, handbook of Exploration and Environmental Geochemistry, 11. Elsevier, Amsterdam, 122. ##Reimann C., Filzmoser P. and Garrett R.G., 2005. Background and threshold: critical comparison of methods of determination, Science of the Total Environment, 346, 1-16. ##Tabachnick, B.G. and Fidell, L.S., 2001. Using Multivariate Statistics, Allyn and Bacon, 392. ##Tripathi, V.S., 1979. Factor analysis in geochemical exploration. J Geochem Explor, 11, 263–275. ##Yousefi, M., Kamkar-Rouhani, A. and Carranza, E. J. M., 2012. Geochemical mineralization probability index (GMPI): a new approach to generate enhanced stream sediment geochemical evidential map for increasing probability of success in mineral potential mapping, Journal of Geochemical Exploration, 115, 24-35.##
Assessment of mineralization potential using Stage factor analysis method (SFA) in Khoshnameh area, Hashjin, Ardabil province
Hoseinpour Nejati, S.1, Siahcheshm, K.2, Alavi, Gh.3 and Zargari, P.4
1M.Sc. Student, Department of Earth Sciences, University of Tabriz
2Associatet Professor, Department of Earth Sciences, University of Tabriz
3Assistant Professor, Department of Earth Sciences, University of Tabriz
4MSc. Graduate, Mining Engineering Department, University of Urmia
Abstract
The Khoshnameh altered area is located about 20 km south of Khalkhal (Ardebil province) and lies in the Hashjin metallogenic district. The formation of extensive serictic, argillic, silicic, chloritic and iron oxides alterations in the Chenar, Mahmudabad and east of Khoshnameh, as well as the copper-lead-zinc mineralization events (e.g. Senjedeh, Shalvali and Ommabad) appears to be intimately affiliated to the fluids derived from upper Oligocene granodiorite intrusions which have emplaced within the Eocene trachy-basalt, andesite and pyroclastic rocks. The key point of this research is to investigate the preference of the Stage Factor Analysis (SFA) to evaluate the geochemical dispersion of mineralization and the visualization of real anomalies throughout the Khoshnameh area. Since the concentration of rock forming elements that are not related to mineralization has a negative effect on the factor privilege of elements, then we must reduce the number of factors to increase the severity of anomalies. For this purpose, initially nine factors were calculated based on the chemical composition of the samples. At this stage, non-representative elements and elements that did not participate in any of the factors were identified and removed from the data set and factor analysis was re-applied. After applying the three stages of analysis on the data, the best and most effective predictive and important factors in terms of mineralization were deduced. Consequently, the number of factors decreased to 5. Therefore, using this method increases the prediction rate and success of the exploration, compared to the typical factor analysis method. Thus, the probable anomalies of Ba, Sn, Pb and Mo mineralization from the first factor and As, Cd and Sb mineralization from the forth factor are predicted and introduced.
Keywords: Geochemical anomalies, Multivariate methods, Stage factor analysis, Khoshnameh, Ardabil.
*Corresponding author: Kamal Siahcheshm; E-mail: kl_siahcheshm@tabrizu.ac.ir
[3] *نویسنده مرتبط: kl_siahcheshm@tabrizu.ac.ir
[5] . Q-Q Plot
[6] . Lognormal distribution function
[7] . Fitting
4. Dixon Q test
[8] . Fitting
4. Dixon Q test
[9] . Scatter plot
[10] . Staged Factor Analysis