Integration of Geological, Geochemical, Alteration and Remote Sensing Data to Introduce the Mineralization Potentials in the Sarbisheh area, South Khorasan
Subject Areas :S. Modabberi 1 , M. Azarifar 2 , S. Shamsoddin Ahmadi 3 , D. Raeisi 4
1 - University of Tehran
2 - University of Tehran
3 - University of Tehran
4 -
Keywords: Mineral potential, Data composition, Principal component analysis, Alteration, Fuzzy logic,
Abstract :
Sarbisheh area is located in the west of Sarbisheh and southeast of Birjand, South Khorasan province. This area is located in the Birjand ophiolite melange zone and is a part of the northern part of the Iranshahr-Birjand metallogenic belt. The lithological units in this area include ophiolite melange, flysch facies sediments, pyroclastic rocks and Quaternary sediments. Geochemical studies of stream sediments and identification of geochemical indicators of mineral resources in the region were performed using the results of geochemical analysis and principal component analysis. Remote sensing studies were performed on the ASTER and Landsat satellite images using color composite, selective principal component analysis (crusta) on the Landsat 8 satellite imagery to identify the alteration zones. The lineaments of the region were drawn using the high-pass filter method of the ASTER satellite image and the Google image. Finally, by creating layers of geological units, geochemical data, alteration and lineament and integrating them with fuzzy method, areas with potential mineralization of nickel, chromium, cobalt, copper, lead, zinc and magnesite were identified.
آقانباتی، ع.، 1383. زمین شناسی ایران. سازمان زمین شناسی کشور. 640 .
اشتوکلین.، ی. افتخارنژاد، ع. و هوشمندزاده، ع.، 1352. بررسی مقدماتی زمین شناسی در لوت مرکزی، شرق ایران. سازمان زمین شناسی کشور. گزارش شماره 22ف. 86 .
تقریبی، م.، 1378. منیزیت و جایگاه آن در شرق کشور، انتشارات سازمان زمین شناسی و اکتشافات معدنی کشور. 15.
حسنی‌پاک, ع. و شرف‌الدین، م.، 1391. تحلیل داده‌های اکتشافی. انتشارات دانشگاه تهران. 101 .
احمدی، ر. و قره شیخ بیات، ع. 1400. تلفیق روش‌های سنجش از دور و مغناطیس‌سنجی به‌منظور اکتشاف کانسار آهن در گستره مراغ بندر چارک. فصلنامه زمین‌شناسی ایران، 15، 59، 49-67
حیدریان دهکردی، ن.، نیرومند، ش.، ادیب، ش.، تاج‌الدین، ح. و میرزایی، س.، 1400 زمین‌شناسی، کانی‌شناسی، دگرسانی و پتانسیل‌سنجی کانسار لخشک، پهنه زمین‌درز سیستان بر مبنای مطالعات ژئوفیزیکی (IP/RS). فصلنامه زمین‌شناسی ایران. 15، 58، 25-39
شایسته‌فر، م.، جلالی، م.، دهقانی، ح.، و تقوایی‌نژاد، م.، 1389. پتانسیل‌یابی مواد معدنی با استفاده از پردازش‌های آماری داده‌های ژئوشیمی اکتشافی (مطالعه موردی: برگه 1:100000 سربیشه)، نشریه علمی پژوهشی روش‌های تحلیلی و عددی در مهندسی معدن. 6-16.
فاطمی، ب. و رضایی، ی.، 1393. مبانی سنجش از راه دور. انتشارات آزاده. 350 .
مجددی، ح.، بومری، م.، و بیابانگرد، ح. 1400 پتروگرافی و ژئوشیمی سنگ‌های آذرین و کانی‌زایی آنتیموان در لخشک، شمال غرب زاهدان، جنوب شرق ایران. فصلنامه زمین‌شناسی ایران. 15، 57، 87-106
Abrams, M., 2000. The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER): data products for the high spatial resolution imager on NASA's Terra platform. international Journal of Remote sensing, 21(5), 847-859.
Abrams, M. and Yamaguchi, Y., 2019. Twenty years of ASTER contributions to lithologic mapping and mineral exploration. Remote Sensing, 11(11), 1394.
Ahmadi, H. and Pekkan, E., 2021. Fault-based geological lineaments extraction using remote sensing and GIS—a review. Geosciences, 11(5), 183.
Ayoobi, I. and Tangestani, M. H., 2017. Evaluation of relative atmospheric correction methods on ASTER VNIR–SWIR data in playa environment. Carbonates and Evaporites, 32(4), 539-546.
Babazadeh, S. A. and De Wever, P., 2004. Early Cretaceous radiolarian assemblages from radiolarites in the Sistan Suture (eastern Iran). Geodiversitas, 26(2), 185-206.
Bonham-Carter, G. F., 1989. Weights of evidence modeling: a new approach to mapping mineral potential. Statistical applications in the earth sciences, 171-183.
Demetriades, A., Smith, D. B. and Wang, X., 2018. General concepts of geochemical mapping at global, regional, and local scales for mineral exploration and environmental purposes. Geochimica Brasiliensis, 32(2), 136-136.
Fatima, K., Khattak, M. U. K., Kausar, A. B., Toqeer, M., Haider, N. and Rehman, A. U., 2017. Minerals identification and mapping using ASTER satellite image. Journal of Applied Remote Sensing, 11(4), 046006.
Gandhi, S. M. and Sarkar, B. C., 2016. Essentials of mineral exploration and evaluation. Elsevier.
Grunsky, E. C. and de Caritat, P., 2020. State-of-the-art analysis of geochemical data for mineral exploration. Geochemistry: Exploration, Environment, Analysis, 20(2), 217-232.
Guilbert, J. M. and Park, C. F., 2007. The geology of ore deposits. Waveland Press. 985.
Gupta, R. P., 2017. Remote sensing geology. Springer. 451.
Haldar, S., 2013. Mineral Exploration, Principles and Applications. Elsevier. 360
Hosseini-Dinani, H. and Yazdi, M., 2021. Multi-dataset analysis to assess mineral potential of MVT-type zinc-lead deposits in Malayer-Isfahan metallogenic belt, Iran. Arabian Journal of Geosciences, 14(8), 1-23.
Hutchinson, R. W., 1973. Volcanogenic sulfide deposits and their metallogenic significance. Economic Geology, 68(8), 1223-1246.
Irons, J. R., Dwyer, J. L. and Barsi, J. A., 2012. The next Landsat satellite: The Landsat data continuity mission. Remote Sensing of Environment, 122, 11-21.
Karimpour, M. H., Stern, C., Farmer, L. and Saadat, S., 2011. Review of age, Rb-Sr geochemistry and petrogenesis of Jurassic to Quaternary igneous rocks in Lut Block, Eastern Iran. Geopersia, 1 (1), 19-54
Kaiser, H. F., 1958. The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23 (3), 187-200.
Langford, R. L., 2015. Temporal merging of remote sensing data to enhance spectral regolith, lithological and alteration patterns for regional mineral exploration. Ore Geology Reviews, 68, 14-29.
Mather, P. M. and Koch, M., 2011. Computer processing of remotely-sensed images: an introduction: John Wiley and Sons
Modabberi, S., Namayandeh, A., Setti, M. and López-Galindo, A., 2019. Genesis of the Eastern Iranian bentonite deposits. Applied Clay Science, 168, 56-67.
Mosusu, N., Bokuik, A., Petterson, M. and Holm, R., 2021. Stream Sediment Datasets and Geophysical Anomalies: A Recipe for Porphyry Copper Systems Identification—The Eastern Papuan Peninsula Experience. Geosciences 11 (7), 299.
Mousivand, F., Rastad, E., Peter, J. M. and Maghfouri, S., 2018. Metallogeny of volcanogenic massive sulfide deposits of Iran. Ore Geology Reviews, 95, 974-1007
Noori, L., Beiranvandpour, A., Askari, G., Taghipour, N., Pradhan, B., Lee, C.-W. and Honarmand, M. 2019. Comparison of different algorithms to map hydrothermal alteration zones using ASTER remote sensing data for polymetallic vein-type ore exploration: Toroud–Chahshirin Magmatic Belt (TCMB), North Iran. Remote Sensing, 11(5), 495.
Pang, K. N., Chung, S. L., Zarrinkoub, M. H., Khatib, M. M., Mohammadi, S. S., Chiu, H. Y., ... and Lo, C. H., 2013. Eocene–Oligocene post-collisional magmatism in the Lut–Sistan region, eastern Iran: Magma genesis and tectonic implications. Lithos, 180, 234-251.
Pazand, K. and Hezarkhani, A., 2018. Predictive Cu porphyry potential mapping using fuzzy modelling in Ahar–Arasbaran zone, Iran. Geology, Ecology and Landscapes, 2(4), 229-239.
Porwal, A. and González-Álvarez, I., 2019. Reprint of: Introduction to special issue on geologic remote sensing. Ore Geology Reviews, 108, 1-7.
Richards, J. P., Spell, T., Rameh, E., Razique, A. and Fletcher, T., 2012. High Sr/Y magmas reflect arc maturity, high magmatic water content, and porphyry Cu±Mo±Au potential: examples from the Tethyan arcs of central and eastern Iran and western Pakistan. Economic Geology, 107., 295-332
Sabins, F. F., 1999. Remote sensing for mineral exploration. Ore geology reviews 14 (3-4), 157-183.
Saccani, E., Delavari, M., Beccaluva, L. and Amini, S. 2010. Petrological and geochemical constraints on the origin of the Nehbandan ophiolitic complex (eastern Iran): Implication for the evolution of the Sistan Ocean. Lithos, 117 (1-4), 209-228.
Safari, M., Maghsoudi, A. and Beiranvandpour, A., 2018. Application of Landsat-8 and ASTER satellite remote sensing data for porphyry copper exploration: a case study from Shahr-e-Babak, Kerman, south of Iran. Geocarto international, 33 (11), 1186-1201
Sekandari, M., Masoumi, I. , Beiranvand Pour, A., Muslim, A. M., Rahmani, O., Hashim, M., Zoheir, B., Pradhan, B., Misra, A. and Aminpour, S. M., 2020. Application of Landsat-8, Sentinel-2, ASTER and WorldView-3 spectral imagery for exploration of carbonate-hosted Pb-Zn deposits in the Central Iranian Terrane (CIT). Remote Sensing, 12 (8), 1239.
Shirazi, A., Shirazy, A. and Karami, J., 2018. Remote sensing to identify copper alterations and promising regions, Sarbishe, South Khorasan, Iran. International Journal of Geology and Earth Sciences, 4(2), 36-52.
Sulemana, I. A., Quaye-Ballard, J., Ntori, C., Awotwi, A., Adeyinka, O. M., Okrah, T. M. and Asare-Ansah, A., 2020. Location mapping of hydrothermal alteration using landsat 8 Data: A case of study in Prestea Huni Valley District, Ghana. International Journal of Geography and Geology, 9(1), 13-37.
Tarabi, S., Emami, M. H., Modabberi, S. and Sheikh Zakariaee, S. J., 2019. Eocene-Oligocene volcanic units of momen abad, east of Iran: petrogenesis and magmatic evolution. Iranian Journal of Earth Sciences, 11(2), 126-140.
Tirrul, R., Bell, I., Griffis, R. and Camp, V., 1983. The Sistan suture zone of eastern Iran. Geological Society of America Bulletin, 94, 134-150
Walker, R., Gans, P., Allen, M., Jackson, J., Khatib, M., Marsh, V and Zarrinkoub, M. 2009. Late Cenozoic volcanism and rates of active faulting in eastern Iran. Geophysical Journal International, 177 (2), 783-805.
Wang, Q., Tang, G, Hao, L. , Wyman, D. , Ma, L., Dan, W., Zhang, X., Liu, J. , Huang, T. and Xu, C. 2020. Ridge subduction, magmatism, and metallogenesis. Science China Earth Sciences, 1-20.
Wang, W., Zhao, J., Cheng, Q. and Liu, J., 2012. Tectonic–geochemical exploration modeling for characterizing geo-anomalies in southeastern Yunnan district, China. Journal of Geochemical Exploration, 122, 71-80.
Zhang, N., Zhou, K. and Du, X., 2017. Application of fuzzy logic and fuzzy AHP to mineral prospectivity mapping of porphyry and hydrothermal vein copper deposits in the Dananhu-Tousuquan island arc, Xinjiang, NW China. Journal of African Earth Sciences, 128, 84-96.
Zuo, R., 2011. Identifying geochemical anomalies associated with Cu and Pb–Zn skarn mineralization using principal component analysis and spectrum–area fractal modeling in the Gangdese Belt, Tibet (China). Journal of Geochemical Exploration, 111 (1-2), 13-22
تلفیق داده‌های زمین‌شناسی، ژئوشیمیایی، دگرسانی و سنجش از دور به منظور معرفی پتانسیل‌های کانه‌زایی در منطقه سربیشه، خراسان جنوبی
سروش مدبری 1و*، مینا آذری‌فر2، ثمین شمس‌الدین احمدی3، داود رئیسی4و 5
1. دانشیار دانشکده زمین‌شناسی، دانشکدگان علوم، دانشگاه تهران
2. دانشجوی کارشناسی ارشد، دانشکده زمین‌شناسی، دانشکدگان علوم، دانشگاه تهران
3. دانش‌آموخته کارشناسی ارشد، دانشکده زمین‌شناسی، دانشکدگان علوم، دانشگاه تهران
4. پژوهشگر پسادکتری، دانشکده زمین‌شناسی، دانشکدگان علوم، دانشگاه تهران
5. شرکت معادن و صنایع معدنی کارند صدر جهان
چکیده
پهنه سربیشه در غرب شهر سربیشه و جنوب شرقی بیرجند، استان خراسان جنوبی، واقع است. این منطقه در زون آمیزه افیولیتی بیرجند قرار دارد و بخش شمالی کمربند فلززایی ایرانشهر- بیرجند را شامل می‌شود. واحدهای سنگ‌شناسی منطقه شامل آمیزه افیولیتی، رسوبات رخساره فلیش، سنگ‌های آذرآواری و رسوبات کواترنری است. مطالعات ژئوشیمیایی رسوب آبراهه‌ای و شناسایی شاخص‌های ژئوشیمیایی مرتبط با ذخایر معدنی منطقه، با استفاده از نتایج تجزیه ژئوشیمیایی و به روش تحلیل مولفه‌های اصلی انجام شده است. مطالعات سنجش از دور به روش ترکیبات رنگی بر روی تصویر ماهواره استر و لندست، و همچنین تحلیل مؤلفه‌های اصلی انتخابی (کروستا) بر روی تصویر ماهواره لندست 8، به منظور شناسایی زون‌های دگرسانی انجام شده است. خطواره‌های منطقه به روش فیلتر بالاگذر از تصویر ماهواره استر و تصویر گوگل طراحی شد. در نهایت با ایجاد لایههای شاهد از واحدهای زمین‌شناسی، داده‌های ژئوشیمیایی، دگرسانی و خطواره‌های گسلی و تلفیق فازی آنها مناطق مستعد کانه‌زایی عناصر نیکل، کروم، کبالت، مس، سرب، روی و منیزیت بارزسازی شد.
واژه‌های کلیدی: پتانسیل معدنی، تحلیل مولفه‌های اصلی، ترکیب داده‌ها، دگرسانی، منطق فازی
مقدمه
متالوژنی آمیخته‌ای از مجموعه علوم مرتبط با زمین است و قانونمندی طبیعی حاکم بر چگونگی تشکیل و توزیع زمانی و مکانی کانسارها را تعیین می‌کند. متالوژنی نخستین بار به‌طور گسترده در نیمه دوم قرن بیستم در کشورهای مختلف استفاده شد. در اوایل قرن بیست و یکم از متالوژنی برای اکتشاف و تلفیق اطلاعات معدنی و زمین‌شناسی استفاده شد و پایه‌های اصلی این مطالعات، شناخت رابطه بین نوع خاصی از کانی‌سازی با سنگ‌های ماگمایی و توده‌های نفوذی خاص، وجود منطقه‌بندی درکانی‌سازی، رابطه میان تکامل پوسته زمین و توسعه کانسارهای خاص و رابطه میان سنگ‌شناسی و کانسنگ‌ها است (Wang et al., 2020). در پنجاه سال گذشته، نیاز جهان به مواد معدنی به شدت رو به افزایش بوده است و چالش برای تامین به موقع و کافی این نیازها، باعث شده تا جامعه معدنی به شیوه‌های مختلف در جستجوی این مواد باشد (Porwal and González-Álvarez, 2019). اکتشاف مواد معدنی گستره‌ای وسیع از فعالیت‌ها، از شناسایی منطقه امیدبخش تا ارزیابی دقیق احجام و ذخیره ماده معدنی را در برمی‌گیرد (Haldar, 2013). هدف از اکتشافات ناحیهای، شناسایی مناطق مستعد کانی‌سازی به منظور اجرای عملیات اکتشاف تفصیلی و شناسایی مواد معدنی مورد نیاز برای جامعه رو به توسعه است.
مطالعات اکتشافات ژئوشیمیایی در مقیاس ناحیهای، یکی از پایه‌های اساسی عملیات اکتشافی استDemetriades et al., 2018) که در بسیاری از نقاط جهان در فاز مقدماتی اکتشاف بر اساس نمونه‌برداری از رسوبات آبراهه‌ای صورت می‌پذیرد. بنیادی‌ترین پیش‌فرض این است که هر رسوب آبراهه‌ای، معرف محصولات هوازدگی و فرسایش در بالادست محل نمونه است. همچنین به‌طور تجربی ثابت شده است که تمرکزهای بی‌هنجار فلزات در رسوبات آبراهه‌ای در اجزای ریزدانه مشاهده می‌شود. نتایج حاصل از بررسی این نمونه‌ها می‌تواند در تحلیل ایالت‌های ژئوشیمیایی و شناخت الگوهای ژئوشیمیایی ناحیهای و همچنین مناطقی که در آنها احتمال کشف نهشته‌های کانساری بیشتر است، بسیار مؤثر واقع شود (Gandhi and Sarkar, 2016).
تصاویر سنجش از دور، دو کاربرد در اکتشاف مواد معدنی دارند: 1) به نقشه در آوردن واحدهای زمین‌شناسی و گسلها و شکستگی‌هایی که کانسارها را در خود تمرکز داده‌اند و 2) تشخیص سنگ‌های دگرسان شده گرمابی از راه آثار طیفی آنها.
در رویکرد اول فرض بر این است که ذخایر معدنی در ارتباط با واحدهای سنگی خاص و یا در محل‌هایی با الگوی شکستگی بخصوص ایجاد می‌شوند. رویکرد دوم بر این حقیقت استوار است که محلول‌های گرمابی، ایجادکننده توده‌های معدنی هستند و سنگ میزبان اطراف خود را تحت تأثیر دگرسانی‌های مختلف قرار می‌دهند. تغییرات حاصل از دگرسانی در سنگ‌ها، میزان انرژی جذب‌شده و یا بازتاب‌شده در آنها را تغییر می‌دهد و به همین دلیل، با مطالعه تصاویر ماهواره‌ای به‌خوبی می‌توان مناطق دگرسانی را شناسایی کرد (Sabins, 1999).
پهنه سربیشه به مساحت 900 کیلومتر مربع در استان خراسان جنوبی و 45 کیلومتری جنوب شرقی بیرجند واقع شده است. نویسندگان این مقاله، با استفاده از روش تلفیق فازی (حیدریان دهکردی و همکاران، 1400) داده‌های ژئوشیمیایی آبراهه‌ای، دگرسانی و خطواره‌های حاصل از مطالعات سنجش از دور و همچنین واحدهای موثر سنگ‌شناسی، به ارزیابی فلززایی و منابع معدنی محتمل این پهنه پرداخته‌اند. مقاله حاضر به اکتشاف سیستماتیک در منطقه سربیشه و معرفی ذخایر معدنی سولفید توده‌ای، کرومیت و منیزیت پرداخته است.
زمین‌شناسی منطقه مورد مطالعه
منطقه مورد مطالعه در طول جغرافیایی ́́ ́19 ́ 23 ˚59 تا ́́ ́43 ́ 45 ˚59 و عرض ²36 ́ 19 ˚32 تا ́́²4 ́ 40 ˚32 واقع است. این منطقه بر اساس تقسیم‌بندی آقانباتی (1383) در زون ساختاری سیستان، شرق ایران قرار می‌گیرد. بخش مرکزی منطقه مورد مطالعه در کمربند فلیش و آمیزه رنگین شرق ایران با روند شمالی- جنوبی واقع شده است.
منطقه جوش‌خورده سیستان در شرق ایران، یک شاخه از اقیانوس نئوتتیس با روند تقریبا شمالی- جنوبی است (Tirrul et al., 1983). اقیانوس سیستان با استناد بر مطالعات انجام شده، در زمان کرتاسه اولیه باز شده‌است (Babazadeh and De Wever, 2004). زمان بسته شدن اقیانوس و برخورد بلوک‌های لوت-افغان میانه ائوسن یا کرتاسه پایانی پیشنهاد شده است (Saccani et al., 2010).
در منطقه لوت- سیستان (31 تا 35 درجه شمالی و 57 تا 61 درجه شرقی) سنگ‌های ماگمایی ائوسن-الیگوسن رخنمون یافته‌اند (Karimpour et al., 2011، مجددی و همکاران، 1400). بر اساس بیرون‌زدگی‌ها، این سنگ‌ها در مساحت 400 در 300 کیلومتر گسترش یافته‌اند و ممکن است گستره آنها به غرب افغانستان نیز برسد (Richards et al., 2012). برخلاف ماگماتیسم در دیگر نقاط ایران که به شکل خطی یا کمربندهای ماگمایی منحنی (به عنوان مثال محدوده ارومیه-دختر و البرز) هستند، ماگماتیسم شرق ایران دارای یک الگوی پراکنده است (شکل 1). حد شرقی ماگماتیسم شمال منطقه سیستان جوش‌خورده و حد غربی آن توسط گسل نایبند (گسل امتدادلغز با روند شمالی- جنوبی که در کرتاسه پایانی فعال بوده) مشخص می‌شود (Walker et al., 2009).
ماگماتیسم ائوسن-الیگوسن در شرق ایران سبب شکل‌گیری گسترده سنگ‌های آتشفشانی (گدازه‌ها و سنگ‌های آذرآواری) و سنگ‌های نیمه آتشفشانی شده است. سنگ‌های نفوذی به‌طور محدود در پلوتون‌های کوچک شکل گرفته‌اند. در منطقه جوش‌خورده سیستان، سنگ‌های آتشفشانی جزء جداناپذیری از چینه‌شناسی منطقه و متشکل از لایه ضخیمی از سنگ های رسوبی دریایی (فلیش) انباشته شده بر روی یک زیربنای افیولیتی، از کرتاسه پایانی تا ائوسن، هستند. نفوذی‌هایی که قبل‌تر از آنها یاد شد داخل سکانس‌های فلیش و افیولیت ملانژها جای گرفته‌اند (Pang et al., 2013; Modabberi et al., 2019; Tarabi et al., 2019).
به‌طورکلی، واحدهای سنگ‌شناسی منطقه سربیشه را می‌توان به چهار بخش تقسیم کرد (شکل 2) (اشتوکلین و همکاران، 1352):
1- آمیزه‌های افیولیتی: کهن‌ترین سنگ‌های موجود در منطقه مورد مطالعه، ردیفی از سنگ‌های افیولیتی و رخساره‌های رسوبی -آواری حوضه‌های کافتی و سنگ‌های آتشفشانی است که سن آنها به قبل از کرتاسه تا کرتاسه پایانی نسبت داده می‌شود. سنگ‌های مافیک و اولترامافیک، شامل پریدوتیت‌ها، هارزبورژیت‌ها و سرپانتین، دونیت و دایک‌های صفحه‌ای و سنگ‌های مافیک شامل گابرو (لایهای و توده‌ای)، دیاباز و اسپیلیت است. سنگ‌های پریدوتیت به رنگ سبز تیره تا قهوه‌ای هستند و در شکستگی‌ها به اکسید‌آهن و سیلیس آغشته‌اند. معمولاً در حاشیه گسلها و حواشی توده‌های سرپانتینی‌شده و به‌خصوص محل تقاطع گسلها، همراه کربنات، کوارتز، اپال، تالک، کلریت، سریسیت و لیستیونیت یافت می‌شود.
شکل ۱. نقشه زمین‌شناسی شرق ایران و زون جوش خورده سیستان برگرفته از (Pang et al., 2013; Modabberi et al., 2019)
شکل 2. نقشه زمین شناسی 1:100000 سربیشه
2- رسوبات رخساره فلیش: در این محدوده دو نوع فلیش به سن کرتاسه پایانی و پالئوسن وجود دارد. فلیش‌های کرتاسه پایانی، در بخش آمیزه افیولیت قرار دارند و معمولاً از شیل‌های سبزرنگ، ماسه‌سنگ و شیل‌های فیلیتی تشکیل شده‌اند. فلیش‌های جوان‌تر در حاشیه شمالی منطقه آمیزه افیولیتی قرار‌گرفته‌اند و توسط ماسه‌سنگ، سیلتستون و شیل‌های خاکستریرنگ به سن ترشیری آغازین یا احتمالاً پالئوسن می‌باشند، پوشیده می‌شود.
3- سنگ‌های آذرآواری و رسوبات جوان: تناوبی از رخساره‌های آواری شامل شیل و ماسه‌سنگ‌های سبزرنگ، ارغوانی، رادیولاریت‌های قرمز‌رنگ و چرت‌دار خاکستریرنگ، سنگ‌های آتشفشانی، میکروکنگلومرا و کنگلومرای درون‌سازندی ماسه‌سنگ‌های قهوه‌ای‌‌رنگ و توف است. این مجموعه سنگی از‌نظر زمانی مربوط به پالئوسن تا ائوسن بالایی-الیگوسن است.
4- رسوبات کواترنری: این رسوبات شامل مخروط‌افکنه‌ها، پادگانه‌های آبرفتی رودخانه‌ای و رسوبات جدید رودخانه‌ای، نهشته‌های دانه‌ریز از کلوت‌ها و دغ‌های رسی و بادرفت‌های تحکیم‌یافته و تحکیم‌نیافته که همه این سری نهشته‌ها بر روی واحدهای سنگی قدیمی‌تر منطقه قرار گرفته‌اند.
روش مطالعه
مطالعات سنگ‌شناسی
در انجام مطالعات متالوژنی و اکتشافات ناحیهای، به طور معمول، لایههای مختلف اطلاعاتی از جمله ژئوشیمی، ساختارها و شکستگی‌ها، توپوگرافی، لیتولوژی، افزون بر اطلاعات پراکنش ماده معدنی، به طور مجزا و یا در ترکیب با یکدیگر تحلیل می‌شوند(Mosusu et al., 2021).
برای آمادهسازی این لایه شاهد اطلاعاتی، ابتدا با استفاده از نقشه‌های 1:100000 زمین‌شناسی بیرجند، سهل آباد، مختاران و سربیشه، نقشه پهنه سربیشه در محیط GIS نقشه رقومی شده و واحدهای زمین‌شناسی منطقه مورد مطالعه رسم و واحدهای مهم و مرتبط با کانی‌سازی شناسایی و تفکیک شدند. سپس با استفاده از تابع Distance در محیط نرم‌افزار ARC GIS نقشه رستر واحدهای زمین‌شناسی مساعد برای کانی‌سازی تهیه شد.
بر اساس آنچه در مبحث زمین‌شناسی منطقه مورد مطالعه گفته شد و از سوی دیگر با توجه به ارتباط میان سنگ‌های رخنمون شده و تیپ‌های مختلف کانساری، قابل توجه‌ترین واحد لیتولوژیک مستعد که می‌تواند میزبان کانی‌سازی در منطقه باشد، واحدهای اولترامافیک هستند که در این پژوهش برای مدل‌سازی متالوژنی مورد مطالعه خاص قرار گرفتند.
مطالعات ژئوشیمیایی
برای مطالعات ژئوشیمیایی، 292 نمونه مرکب رسوب آبراهه‌ای از چهار برگه 100.000 بیرجند، سربیشه، مختاران و سهل‌آباد، برداشت شد. پس از مخلوط کردن و غربال کردن نمونه‌ها، اندازه سیلت و رس برای آنالیز انتخاب شدند. به منظور کاهش اثر آلودگی سطحی، نمونه‌ها از عمق نیم متری برداشت شدند. نمونه‌ها برای تجزیه ژئوشیمیایی عناصر مهم اقتصادیAs, Ba, Co, Cr, Cu, Mo, Ni, P, Pb, Sn, Sr, Th, Ti, U, V, W, Zn به روش ICP-OES آمادهسازی شده و به آزمایشگاه زرآزما فرستاده شدند.
مطالعات آماری
خلاصه اطلاعات آماری و نیز تحلیل آماری داده‌های ژئوشیمیایی توسط نرم افزارهایSPSS 26 و Excel 2019 انجام گرفت. تحلیل و نتيجه‌گيري داده‌هاي ژئوشيميايي بخصوص زماني كه براي تعداد زيادي از عناصر آناليز شيميايي شده باشند، به دلیل حجم زياد، كار دشواري است. روش تحلیل مولفه‌هاي اصلي يكي از روش‌هاي كاهش داده است. اين روش بر اساس بردارهای ویژه و مقادير ويژه كار مي‌کند و روشی است برای پيدا كردن تركيبات خطي از متغيرهاي اوليه، به صورتي كه تشكيل يك دستگاه مختصات جديد بدهند. به اين تركيبات خطي، مولفه‌هاي اصلي گفته مي‌شود (Grunsky and de Caritat, 2020). پیش از انجام عملیات تحلیل مولفه های اصلی، ابتدا داده‌های سنسورد به روش جایگزینی ساده، جایگزین شدند و سپس برای نرمال‌سازی، داده‌های اولیه به داده‌های لگاریتمی تبدیل شده و پارامترهای آماری برای نمونه‌های موردنظر محاسبه شد. آزمون‌های KMO و Bartlett که شاخصی برای مقایسه مقادیر ضرایب همبستگی ساده و جزئی بر روی کلیه متغیرها هستند، محاسبه شدند. مقادیر بزرگ KMO دلالت بر تایید تحلیل مولفه‌ای دارد. برای مقادیر حدود 0.9 این کمیت، تحلیل مولفه‌ای بسیار مناسب، حدود 0.8 مناسب، 0.7 متعادل، 0.6متوسط، 0.5 ناچیز و کمتر از 0.5 نامناسب است (Zuo, 2011). واریانس کل مقادیر ویژه، درصد واریانس و درصد تجمعی واریانس متناظر با مولفه‌ها محاسبه شده و سپس مقادیر ویژه بزرگ‌تر از 1 استخراج و دوران داده شدند. چهار مولفه اول، مقدار ویژه بیشتر از 1 داشته و بیش از 76 % واریانس نمونه‌ها را در برمی‌گرفتند. چون در بسیاری از موارد، تعدادی از متغیرها به بیش از یک مولفه همبستگی دارند، تعبیر مولفه، مشکل خواهد بود. ازاین‌رو، روش‌هایی به‌وجودآمده‌اند که بدون تغییر میزان اشتراک باعث تعبیر ساده‌تر مولفه‌ها می‌شوند. در این بخش از روش Varimax برای دوران مولفه‌ها استفاده‌شده است که دورانی متعامد بر روی ضرایب مولفه‌ها صورت می‌دهد Kaiser, 1958)). این روش مقادیر نسبتاً بزرگ (قدر مطلق مقادیر) و یا صفر به ستون‌های ماتریس ضرایب مولفه‌ها اختصاص می‌دهد. درنتیجه مولفه‌هایی ایجاد می‌شوند که به شدت به متغیرها وابسته‌اند و یا مستقل از آنها هستند. این امر سبب ساده‌تر شدن تفسیرمولفه‌ها خواهد شد.
مقادیر ویژه مولفه‌ها با توجه به همبستگی عناصر تفسیر شد و در نهایت از مولفه دوم، سوم و چهارم در نرم افزار ARC-GIS 10.8 به روش درون‌یابیIDW نقشه ژئوشیمیایی تهیه شد.
مطالعات دورسنجی
از تصاویر ماهواره‌ای می‌توان به عنوان ابزاری نیرومند در اکتشاف ذخایر معدنی در مرحله ابتدایی و تهیه نقشه‌های دگرسانی، با هزینه کم و دقت بالا استفاده کرد Mather and Koch, 2011; Sekandari et al., 2020)). در مطالعه حاضر، برای شناسایی زون‌های دگرسانی از روش ترکیبات رنگی حقیقی و کاذب سنجنده استر و روش‌های تحلیل مؤلفه‌های انتخابی (کروستا) برای سنجنده OLI ماهواره لندست 8 استفاده شده است ( Safari et al., 2018; Langford, 2015 ). در ادامه مختصر به معرفی ماهواره‌های انتخابی پرداخته شده است.
آخرین سری از ماهواره‌های لندست، لندست ۸ است که از سال ۲۰۱۳ شروع به‌کار کرد و هم اکنون در ارتفاع ۷۰۵ کیلومتری با مدار خورشید آهنگ به دور زمین می‌چرخد. این ماهواره دارای دو سنجنده OLI و TIRS و سنجنده OLI این ماهواره دارای ۱۱ باند است. این سنجنده تصاویری با تفکیک متوسط ۱۵ تا ۱۰۰ متر از سطح زمین و مناطق قطبی فراهم می‌آورد. سنجنده‌های OLI و TIRS ماهواره لندست ۸ نسبت سیگنال به نویز (SNR) را در عملکرد رادیومتریکی بهبود بخشیده‌اند که این مسئله در نتیجه افزایش قدرت تفکیک رادیومتریک این تصاویر نسبت به تصاویر سنجنده پیش از خود یعنی ETM+ است (Irons et al., 2012). محدوده باندی ماهواره لندست در شکل 3 ارائه شده است.
ماهواره استر
این سنجنده در 14 باند تصویربرداری می‌کند و امواج الکترومغناطیس بازتابیده شده در محدوده طیفی بین 0.52 و0.86 میکرومتر نور مرئی فروسرخ نزدیک2 را در سه باند با قدرت تفکیک مکانی 15 متر و در محدوده طیفی بین 1.6 و 2.43 فروسرخ موج‌کوتاه3 را در شش باند با قدرت تفکیک مکانی30 متر ثبت می‌کند. علاوه بر این، امواج الکترومغناطیس ساطع‌شده از سطح زمین در محدوده فروسرخ از 8.125 تا 11.65 میکرون را در پنج باند با قدرت تفکیک مکانی 90 متر ثبت می‌کند (Abrams, 2000). محدوده باندی سنجنده استر در شکل 3 ارائه شده است. با توجه به اینکه تصاویر سنجنده استر در طول‌موج‌های متعددی برداشت می‌شوند، این امکان وجود دارد که تفکیک سنگ‌شناسی به نحو آشکاری انجام شود. ﯾﮑﯽ از ویژگی‌های بارز تصاویر استر ﻗﺪرت ﺗﻔﮑﯿﮏ ﺑﺎﻻي آن در مقایسه با لندست اﺳﺖ (Gupta, 2017).
پیش‌پردازش داده‌های ماهواره‌ای
پیش از پردازش داده‌ها و استخراج اطلاعات، برای حذف اثرات جمعی جوی (پراکندگی) از روش کاهش تاریکی4 و سپس برای حذف اثرات ضربی جوی از الگوریتم باقیمانده‌های لگاریتمی5 استفاده شد. این الگوریتم در حقیقت نوعی روش کالیبراسیون است که تأثیرات جو، اثر سنجنده، و توپوگرافی را تا حد زیادی کاهش و تصحیح قابل‌قبولی بر روی تصاویر انجام می‌دهد (Ayoobi and Tangestani, 2017).
پردازش داده‌های ماهواره‌ای
برای داشتن دید کلی از منطقه، ابتدا باید تصویری با دید حقیقی از هر منطقه تهیه کرد. برای ایجاد تصاویر دید حقیقی باید باندهایی از یک سنجنده که در محدوده طیفی رنگ‌های طبیعی اصلی (قرمز، سبز و آبی) قرار دارند، انتخاب و هر کدام در کانال رنگی اصلی خود قرار داده شوند (Sekandari et al., 2020).
کانی‌های حاوی هیدروکسیل همچون کائولینیت، مونت‌موریلونیت، ایلیت و دیگر کانی‌های رسی و سیلیکات‌های ورقه‌ای و نیز اکسیدهای آهن نیز به شکل کانی‌هایی چون هماتیت، لیمونیت و گوتیت از گسترده‌ترین محصولات دگرسانی هستند. مطالعات متعدد نشان‌داده است که تصاویر ماهواره‌ای استر به دلیل دارا بودن باندهای طیفی متعدد در محدوده فروسرخ و طول‌موج کوتاه قابلیت زیادی در شناسایی مناطق رسی دارند (Fatima et al., 2017). برای شناسایی واحدهای مختلف سنگی و دگرسانی‌ها باید نمایش موارد فوق با استفاده از رنگ‌های مختلف صورت گیرد تا قابلیت تفکیک و شناسایی برای بیننده فراهم کند. به همین دلیل از روش ترکیبات رنگی کاذب برای شناسایی و تفکیک زون‌های دگرسانی استفاده می‌شود (Noori et al., 2019).
تحلیل مولفه‌های اصلی روشی مبتنی بر بردارهای ویژه است. با استفاده از مقادیر ویژه و بردارهای ویژه، جهت‌هایی با بیشینه تغییرپذیری شناسایی شده و سپس با تعریف متغیرهای جدید ابعاد متغیرها کاهش داده می‌شود. در این روش، رابطه بین پاسخ‌های طیفی کانی‌های هدف و مقادیر عددی استخراج شده از ماتریس بردار ویژه برای محاسبه تصاویر مؤلفه اصلی به‌کار‌گرفته می‌شود. با استفاده از این رابطه، امكان تعیین مکان‌هایی که حاوی اطلاعات طیفی خاص از کانی‌های دارای اکسید‌آهن و نیز کانی‌های رسی هستند، وجود دارد (Sulemana et al., 2020). در تحلیل مولفه‌های اصلی انتخابی باندهایی با بیشترین جذب و یا بازتاب برای کانی هدف انتخاب می‌شود. شرط انتخاب مولفه‌های مناسب در این روش نیز همانند روش مؤلفه اصلی استاندارد به این صورت است که در ماتریس بردارهای ویژه، باندهای مربوط به جذب و بازتابش کانی‌های هدف به‌طور همزمان دارای بالاترین مقادیر بوده و همچنین این مقادیر ناهم‌علامت نیز باشند (فاطمی و رضایی، 1393).
پس از انجام پردازش های ذکر شده، نقشه دگرسانی منطقه تهیه و سپس با روش درون‌یابی فاصله معکوس وزنی6 از آن یک لایه رستری برای مراحل بعدی تهیه شد.
بارزسازی ساختارهای خطی و شکستگی‌ها
تصاویر ماهواره‌ای به دلیل میدان دید وسیع و توان تفکیک بالا در تشخیص ساختارهای زمین‌شناسی کاربرد وسیعی دارند. گسلها و شکستگی‌ها ساختارهای خطی هستند که به عنوان خطواره در تصاویر ماهواره‌ای شناخته می‌شوند. خطواره در تصاویر ماهواره‌ای به صورت یک عنصر خطی مستقیم و قابل رویت در سطح زمین تعریف می‌شود که نشانگر پدیده‌های زمین‌شناختی زمین‌ریخت‌شناسی است (Ahmadi and Pekkan, 2021).
گسلها و شکستگی‌ها از جمله عوامل موثر در تشکیل ذخایر معدنی هستند، زیرا محلول‌های گرمابی حاوی عناصر کانسارساز از طریق این شکستگی‌ها به سطح زمین راه می‌یابند. بنابراین بررسی آنها می‌تواند در شناسایی مناطق مستعد کانی‌سازی مفید و موثر باشد. از طرفی مطالعات متالوژنی بدون درنظرگرفتن این ساختارهای خطی امکان‌پذیر نخواهد بود. به‌همین منظور، از تصاویر ماهواره‌ای استر و تصاویر گوگل برای بررسی موقعیت گسلها و شکستگی‌های موجود در منطقه مورد مطالعه استفاده شد. بارزسازی خطواره‌های منطقه با استفاده از فیلتر بالاگذر انجام شد و پس از ارزیابی موقعیت و شکل ظاهری خطواره‌های تشخیص داده شده و تفکیک آنها از دیگر ساختارهای خطی، این خطواره‌ها در محیط نرم‌افزار ARC GIS به صورت رقومی رسم شدند. در مرحله بعد مدل‌سازی رستر از لایه ساختارهای خطی در محیط نرم افزار ARC GIS با استفاده از روش Density رسم شد.
مدل لایههای شاهد اطلاعاتی در منطقه مورد مطالعه
پتانسیل‌یابی مواد معدنی در منطقه مورد بررسی با استفاده از روش منطق فازی انجام شد. در مدل‌سازی فازی، نقشه‌های شاهد فازی برای ایجاد یک نقشه با مقادیر پیشگویانه فازی با هم ترکیب‌شده تا نواحی هدف برای اکتشافات بعدی ذخایر معدنی شناسایی شوند (Pazand and Hezarkhani, 2018; Zhang et al., 2017). این نقشه‌های شاهد فازی با استفاده از عملگرهای فازی مناسب تفسیر می‌شوند و نتیجه نهایی آن با دیفازی کردن مجموعه فازی ارائه می‌شود. دیفازی یا فازی‌زدایی روشی برای تبدیل اعداد فازی به اعداد قطعی است. این عملیات باعث می‌شود تا نتایج حاصل از استنتاج فازی به صورتی قابل فهم برای مخاطب ارائه شود.
لایههای شاهد از واحدهای زمین‌شناسی، داده‌های ژئوشیمیایی، دگرسانی و خطواره‌های گسلی تهیه شده و با استفاده از عملگر فازی 𝛄 تلفیق شدند. مقدار استاندارد 𝛄 در مطالعات اکتشافی 0.9 است (Bonham-Carter, 1989). بنابراین مقدار 𝛄 در این مطالعه 0.9 درنظرگرفته شد.
بحث
پردازش داده‌های ژئوشیمیایی محدوده مورد مطالعه
جدول 1 خلاصه پارامترهای آماری نمونه‌های مورد بررسی را ارائه می‌دهد. بررسی این داده‌ها توزیع غیرنرمال را برای بیشتر عناصر در نمونه‌های رسوب برداشته شده نشان می‌دهد. همانطور که دیده می‌شود پارامتر کشیدگی برای بیشتر عناصر و چولگی برای تعدادی از عناصر بیشتر از 3 است که نشان‌دهنده کانی‌سازی این عناصر در طبیعت و توزیع غیرنرمال عناصر است (حسنی‌پاک و شرف‌الدین، 1391). گستره عناصر بخصوص برای کبالت، کروم، مس و نیکل بالاتر از حدود پوسته زمین است و نشانگر تغلیظ در سنگ‌های منطقه می‌باشد. این غنی‌شدگی عناصر، به رفتار ژئوشیمیایی عنصر و فاز کانی‌شناختی آن نیز بستگی دارد که در این منطقه، کانی‌های مقاوم را تشکیل داده و به همین دلیل کروم در نمونه‌ها غلظت بالایی را نشان داده است. از سوی دیگر به توجه به بافت زمین‌شناسی و لیتولوژی منطقه مورد مطالعه، می‌توان مقادیر مس، سرب و روی را نیز به عنوان مقادیر بالاتر از حدود متعارف در نظر گرفت.
جدول 1. پارامترهای آماری نمونه‌های محدوده مورد بررسی (مقادیر بر حسب قسمت در میلیون)
|
Element | Min | Max | Mean | SD | Kurtosis | skewness |
As | 4.9 | 22.8 | 9.4 | 2.7 | 5 | 1.7 |
Ba | 129 | 575 | 162 | 74 | 3 | 2 |
Co | 7 | 632 | 44 | 84 | 17.8 | 4 |
Cr | 57 | 1210 | 113 | 167 | 11.1 | 3.2 |
Cu | 13 | 71 | 25 | 7 | 5.5 | 1 |
Mo | <0.5 | 2.5 | 0.7 | 0.5 | -0.3 | 0.7 |
Ni | 28 | 1168 | 177 | 196 | 4.4 | 2.2 |
P | 339 | 777 | 425 | 113 | -0.4 | 1 |
Pb | <1 | 46 | 17 | 6 | 3.3 | 1.23 |
Sn | 0.15 | 5.4 | 1.6 | 0.7 | 3.1 | 1.3 |
Sr | 156 | 694 | 188 | 78 | 7.8 | 2.6 |
Th | 3.6 | 19.7 | 5.6 | 2.7 | 2 | 1.4 |
Ti | <10 | 13100 | 1994 | 2600 | 0.6 | 1.1 |
U | <0.5 | 3.5 | 0.8 | 0.97 | -1.3 | 0.7 |
V | 54 | 199 | 76.22 | 30.24 | 1 | 1.3 |
W | <1 | 8.3 | 0.7 | 1 | 29.8 | 5 |
Zn | 46 | 104 | 70 | 10 | 4 | 2.8 |
به منظور تعیین همبستگی و همراهی عناصر اندازه گیری شده در رسوبات آبراهه‌ای و رابطه میان عناصر، از آزمون چند متغیره تحیلی مولفه‌های اصلیPCA استفاده شد. در این آزمون، نتایج آزمون KMO برای داده‌های منطقه 0.798 است که نشان‌دهنده مناسب بودن این روش برای این مجموعه داده‌هاست. تحلیل مولفه‌های اصلی، چهار مولفه را به دست داده که اینجا به بررسی چهار مولفه اول پرداخته می‌شود. جدول 2 ماتریس ضرایب مولفه‌های دوران داده شده را نشان می‌دهد.
مولفه اول: معرف غنی‌شدگی عناصر V, Ti, P, U, Th است که وزن بالاتر از 0.6 را به خود اختصاص داده‌اند. این عامل و همراهی این عناصر می‌تواند نشان دهنده ذخایر رادیواکتیو باشد. همانطور که در نتیجه بررسی پارامترهای آماری مشاهده شد، این عناصر احتمال کانی‌سازی قابلتوجهی را در منطقه نشان نمی‌دهند و به همین دلیل در ادامه مدل‌سازی ذخایر موجود در منطقه، از این عامل چشم‌پوشی می‌شود.
مولفه دوم: در این مولفه عناصر Sr و Ba مقادیر بالایی را نشان می‌دهند که در رابطه با کانه‌زایی خاصی نبوده و عناصر قلیایی خاکی هستند که سنگ‌های دارای کلسیم را نشان می‌دهند.
جدول 2. ماتریس ضرایب مولفه‌های دوران داده شده
| 1 | 2 | 3 | 4 |
As | -0.275 | -0.444 | -0.524 | -0.207 |
Ba | -0.301 | 0.841 | 0.287 | 0.189 |
Co | -0.147 | -.410 | -0.73 | 0.865 |
Cr | -0.172 | 0.078 | 0.1 | 0.881 |
Cu | 0.2 | 0.228 | 0.668 | 0.305 |
Mo | 0.583 | -0.412 | 0.126 | -0.352 |
Ni | -0.117 | 0.098 | -0.138 | 0.820 |
P | 0.929 | -0.104 | 0.037 | -0.106 |
Pb | 0.154 | 0.207 | 0.836 | 0.115 |
Sn | 0.496 | -0.07 | 0.351 | -0.068 |
Sr | 0.271 | 0.859 | 0.233 | 0.132 |
Th | 0.848 | -0.159 | 0.263 | -0.172 |
Ti | 0.938 | -0.117 | 0.123 | -0.111 |
U | 0.915 | -0.166 | 0.216 | -0.144 |
V | 0.894 | -0.119 | 0.166 | -0.1 |
W | -0.201 | 0.014 | 0.29 | 0.321 |
Zn | 0.251 | 0.131 | 0.704 | -0.01 |
مولفه سوم: عناصر Zn, Pb, Cu, دارای ضریب مولفه‌ای بالایی هستند که در نگاه اول می‌توانند در ارتباط با تیپ کانسارهای پورفیری، اپی‌ترمال و یا چندفلزی باشد، اما با توجه به نبود میزبان نفوذی اسیدی تا حدواسط این احتمال رد می‌شود. با توجه به اینکه سنگ میزبان منطقه واحدهای اولترامافیک هستند، لذا این دسته می‌تواند نشانگر سولفیدهای توده‌ای نوع قبرس با میزبان بازالتی نیز باشد.
مولفه چهارم: معرف غنی‌شدگی Ni, Cr, Co است، این عامل به بی‌هنجاری این عناصر در توده‌های اولترامافیک منطقه نسبت داده می شود که به سری‌های افیولیتی و آمیزه رنگین وابسته هستند. در شکل 4 نقشه ژئوشیمیایی تهیه شده از عناصر مولفه‌های دوم تا چهارم آورده شده است.
همبستگی عناصر Ni-Cr-Co و Ti-V، در مولفه‌های بالا با نتایج تحقیقات شایسته‌فر و همکاران (1389) که با آنالیز ۴۳ عنصری ICP-MS از 810 نمونه برداشت شده از منطقه سربیشه انجام شده، مشابه است.
پردازش داده‌های ماهواره‌ای منطقه مورد مطالعه
برای داشتن دید کلی از منطقه باندهای 4 و 3 و 2 سنجنده OLI لندست 8 به‌ترتیب در کانال‌های قرمز، سبز و آبی قرار گرفت تا تصویر ترکیب رنگی RGB=432 ماهواره لندست 8 در شکل 5 برای نمایش تصویر رنگی حقیقی منطقه ایجاد شود. واحدهای تیره رنگ سنگ‌های ماگمایی منطقه و بخش‌های روشن شامل رسوبات و سنگ‌های عهد حاضر هستند.
برای ایجاد تصاویر ترکیب رنگی منطقه و شناسایی زون‌های دگرسانی مرتبط با کانی‌سازی در منطقه از باندهای 4,6 و 8 سنجنده استر به‌ترتیب در کانال‌های قرمز، سبز و آبی، استفاده شد (احمدی و قره شیخ بیات، 1400). در این ترکیب رنگی RGB=468 ماهواره استر، مناطق دگرسانی پروپیلیتیک به رنگ سبز و دگرسانی آرژیلیک به رنگ صورتی نشان داده شده است. Shirazi et al., (2018) نیز در مطالعات خود بر روی سربیشه از این ترکیب رنگی استفاده کرده است. نتیجه این ترکیب رنگی در شکل 6-الف ارائه شده‌است. به همین ترتیب، ترکیب رنگی RGB=461 استر برای نمایش مناطق دگرسانی فیلیک- آرژیلیک (صورتی و زرد متمایل به صورتی) اکسیدهای آهن (آبی) (شکل 6-ب ) و ترکیب RGB=456 استر برای نمایش مناطق دگرسانی آرژیلیک (قرمز)- آرژیلیک پیشرفته (صورتی) (شکل 6-ج ) مورد استفاده قرار گرفت.
همانطور که در تصاویر روش ترکیبات رنگی کاذب دیده می‌شود، هرکدام از زون‌های دگرسانی با یک رنگ مشخص شده‌اند که این امر تفکیک و شناسایی محدوده دقیق آنها را فراهم می‌کند.
روش تحلیل مؤلفه‌های اصلی
برای انجام تحلیل مولفه اصلی انتخابی از باندهای 7-6-5-2 برای تعیین دگرسانی کانی‌های رسی استفاده شد (جدول 3 بالا). با بررسی مولفه‌های مختلف و با توجه به شرط انتخاب مولفه مناسب، مشخص شد که مولفه اصلی چهارم بهترین گزینه برای تشخیص مناطق دگرسانی رسی است. در این مولفه، کانی‌های رسی در باند 6 بیشترین جذب و در باند 7 بیشترین بازتابش را دارند، این مولفه معکوس شد تا در تصویر حاصل پیکسل‌های روشن نشانگر کانی‌های رسی باشند (شکل 7-الف).
همچنین از باندهای 6-5-4-2 برای تعیین مناطق دگرسانی کانی‌های اکسید‌آهن استفاده شد و با بررسی مولفه‌های مختلف و با در نظر گرفتن شرط انتخاب مولفه مناسب، مولفه اصلی چهارم برای شناسایی اکسیدهای آهن انتخاب شد (جدول ۳ پایین). در این مولفه، کانی‌های اکسید آهن در باند 4 بیشترین جذب و در باند 2 بیشترین بازتابش را دارند. پیکسل‌های روشن حاصل از معکوس مولفه چهارم نشانگر کانی‌های اکسید آهن هستند (شکل 7-ب).
جدول 3. نمایش نتایج روش کروستا برای کانی‌های رسی در بالا و نتایج روش کروستا برای نمایش اکسید‌آهن در پایین
Band 7 | Band 6 | Band 5 | Band 2 | Eigenvector |
0.599194 | 0.591634 | 0.499833 | 0.202739 | PC1 |
-0.3828 | -0.35733 | 0.847774 | 0.084019 | PC2 |
0.002222 | 0.182503 | 0.173832 | -0.96771 | PC3 |
0.703154 | -0.69927 | 0.03505 | -0.12397 | PC4 |
Band 6 | Band 5 | Band 4 | Band 2 | Eigenvector |
0.643375 | 0.560612 | 0.46841 | 0.228856 | PC1 |
0.74687 | -0.60916 | -0.23951 | -0.11722 | PC2 |
-0.15217 | -0.50809 | 0.473567 | 0.703154 | PC3 |
0.071369 | 0.232672 | -0.70637 | 0.662916 | PC4 |
بارزسازی ساختارهای خطی و شکستگی‌ها
همانطور که در بخش روش‌ها توضیح داده شد، نقشه خطوارگی با روش‌های سنجش از دور تهیه شد. شکل 8-الف و ب به ترتیب نقشه رقومی خطواره ها و نقشه چگالی آنها را نشان می‌دهد.
فازی‌‌سازی لایههای شاهد اطلاعاتی در منطقه مورد مطالعه
لایه شاهد اطلاعاتی واحدهای زمین‌شناسی
مهم‌ترین عامل در وقوع یک پتانسیل معدنی در هر منطقه واحدهای زمین‌شناسی مطلوب و مساعد کانی‌سازی است. با توجه به زمین‌شناسی منطقه موردمطالعه و بررسی واحدهای سنگی مستعد کانی‌سازی، واحدهای اولترامافیک به عنوان سنگ میزبان موثر در کانی‌سازی مشخص شد که نقشه رقومی شده این واحدهای سنگی در محیط نرم‌افزار ARC GIS تهیه شد (شکل 9).
لایه شاهد اطلاعاتی داده‌های ژئوشیمیایی
همانطور که قبل‌تر بیان شد عناصر مولفه اول ژئوشیمیایی در بررسی‌های آماری کانی‌سازی قابلتوجهی را نشان ندادند. از طرفی باتوجه به اینکه واحدهای سنگی مهم و قابل بررسی در کانی‌سازی منطقه واحدهای اولترامافیک هستند و این واحدها نمی‌توانند میزبان کانی‌سازی این عناصر باشند، به همین دلیل این مولفه در ادامه از مسیر مدل‌سازی حذف می‌شود. برای مدل‌سازی ذخایر منیزیت نیز به دلیل شباهت شرایط نهشته شدن ذخایر با عناصر مولفه چهارم از نقشه مولفه چهارم ژئوشیمیایی استفاده شد (شکل 10).
آمادهسازی لایه شاهد گسلها
لایه شاهد دیگری که در مدل‌سازی پتانسیل‌یابی مواد معدنی در ناحیه موردمطالعه بررسی شد، لایه گسلها و شکستگی‌های موجود در منطقه است (شکل 11). بسیاری از مناطق کانی‌سازی در امتداد زون‌های گسلی رخ می‌دهد. ازاین‌رو مطالعه ساختارهای خطی و گسلها به عنوان یک لایه اطلاعاتی شاهد بسیار مهم است، البته این مسئله نیز قابل توجه است که آثار گسلی همیشه با بی‌هنجاری‌های ژئوشیمیایی منطبق نیست و این امر به دلیل فرایندهای زمین‌شناسی مؤثر در توزیع بی‌هنجاری‌ها و کانی‌سازی‌ها است (Wang et al., 2012). تلاقی و تراکم شکستگی‌ها در جنوب‌شرقی، مرکز و شمال‌غربی منطقه بیشتر است و در شکل 11 به رنگ قرمز قابل مشاهده است.
لایه شاهد دگرسانی‌ها
لایه شاهد اطلاعاتی آخر که در پتانسیل‌یابی ذخایر معدنی حائز اهمیت است، لایه دگرسانی‌های مرتبط با کانی‌سازی است (شکل 12). دگرسانی‌های موجود در منطقه که در ارتباط با کانی‌سازی هستند با استفاده از تکنیک‌های سنجش از دور بارزسازی شده است. قابل توجه است که چون نقشه دگرسانی‌ها به صورت نقشه کانی‌های موجود در هر مجموعه دگرسانی آماده می‌شود، لذا برای به دست آوردن یک نقشه واحد برای دگرسانی مرتبط با هر نوع کانی‌سازی ابتدا نقشه حاصل از هر کانی موجود در دگرسانی به صورت فازی تبدیل می‌شود، و سپس با استفاده از عملگر AND نقشه‌های حاصل با هم تلفیق شده تا برای هر نوع ذخیره معدنی یک نقشه دگرسانی برای تلفیق و مدل سازی داشته باشیم.
تلفیق لایههای اطلاعاتی و مدل‌سازی متالوژنی ذخایر معدنی موجود در منطقه
مدل‌سازی و پتانسیل یابی ذخایر کرومیت
کانسنگ‌های کرومیت به دو صورت در سنگ‌های آذرین مافیک و اولترامافیک مشاهده می‌شود، یکی در توده‌های نفوذی مافیک لایهای و دیگری در افیولیت‌ها و پریدوتیت‌های آلپی. افیولیت‌ها شامل جایگزینی زمین‌ساختی برش‌هایی از گوشته بالایی و پوسته اقیانوسی سنگ‌های مافیک و اولترامافیک هستند که در کانون‌های گسترش بستر اقیانوس‌‌ها در داخل و یا روی پوسته قاره‌ای تشکیل می‌شوند و در منطقه مورد مطالعه احتمال وجود آنها می‌رود (Guilbert and Park, 2007).
مدل مفهومی ذخایر کرومیت در شکل 13 ارائه شده است. برای تهیه لایه دگرسانی مرتبط با ذخیره کرومیت از کانی‌های کلریت، منیزیت، کلسیت، سرپانتین، سیلیس و مونت‌موریلونیت استفاده شد. لایه شاهد دگرسانی به‌همراه سه لایه شاهد دیگر که در بخش قبل تهیه شدند با با عملگر فازی 𝛄 و استاندارد 0.9 تلفیق شدند.
نقشه فازی هم پوشانی و نقشه دیفازی برای جانمایی ذخایر احتمالی کرومیت در شکل 14 ارائه شد.
شکل 13. مدل مفهومی ذخایر کرومیت
مدل‌سازی و پتانسیل یابی ذخایر سولفید توده‌ای
این کانسارها یکی از منابع اصلی مس، روی، سرب و نقره و طلا هستند که بسته به سنگ میزبان، موقعیت زمین‌ساختی و سن به انواع مختلفی تقسیم می‌شوند. با توجه به اینکه سنگ‌های میزبان کانی‌سازی در این منطقه واحدهای مافیک و اولترامافیک هستند، ذخایر VMS در صورت وجود در این منطقه، بر اساس تقسیم بندی (Hutchinson, 1973) می‌توانند جزو ذخایر VMS نوع قبرسی باشند. ذخایر سولفید توده‌ای نوع قبرسی، بر اثر عملکرد آب‌های اقیانوسی به عنوان سیال کانسارساز بر روی سنگ میزبان بازالتی نهشته می‌شوند و محتوی فلزی آنها عبارتند از مس، سرب و روی و همچنین گاهی دارای مقادیر کمی طلا نیز هستند (Mousivand et al., 2018). کانی‌های موثر در دگرسانی مربوط به ذخایر VMS شامل: هماتیت، اپیدوت، سیلیس، کلریت، کلسیت، مونت‌موریلونیت، کائولن و اسمکتیت است (شکل 15).
شکل 14. الف) نقشه همپوشانی لایههای شاهد مرتبط با دخایر کرومیت، ب) دیفازی شده (مناطق با پتانسیل بالا به رنگ سبز هستند)
شکل 15. مدل مفهومی ذخایر VMS
اگرچه ساختارهای خطی برای ذخایر سولفید توده‌ای که متاثر از واحدهای سنگی منطقه و سیالات کانسارساز اقیانوسی می‌باشند چندان قابل توجه نیستند، اما چون در فرایند مدل‌سازی به روش منطق فازی وزن تمام لایه‌ها به صورت یکسان اعمال می‌شود، لایه شاهد ساختارهای خطی نیز به عنوان یکی از لایههای موثر در مدل‌سازی متالوژنی مورد استفاده قرارگرفت (Hosseini-Dinani and Yazdi, 2021). با تلفیق لایه های شاهد که در بخش قبل ایجاد شد، نقشه فازی همپوشانی و نقشه دیفازی برای جانمایی ذخایر احتمالی VMS تهیه شد (شکل 16).
شکل 16. الف) نقشه همپوشانی لایههای شاهد مرتبط با ذخایر سولفید توده‌ای، ب) نقشه دیفازی شده (مناطق با پتانسیل بالا به رنگ بنفش هستند)
پتانسیل‌یابی منیزیت
پیدایش منیزیت از نظر تئوریک به سه عامل وابسته است (تقریبی 1378):
الف – سنگ مادر مناسب که تأمین کننده میزان بالایی منیزیم باشد. در اصل این سنگ‌ها اولترامافیک و سرپانتینیت هستند.
ب- مناطق و ساختارهای مناسب برای نهشته شدن منیزیت، گسل‌های اصلی و فرعی فراوان منطقه شرق ایران بستر مناسب برای کانی‌سازی منیزیت را فراهم می‌آورند.
ج- وجود منبعی از انرژی گرمایی که فعال شدن محلول‌ها، بالا رفتن گرادیان ژئوترمال و سرعت بخشیدن و افزایش دادن واکنش محلول‌ها با سنگ‌ها را میسر می‌سازد.
کانی‌های دگرسانی منیزیت، اپیدوت، کلسیت و کلریت برای تهیه لایه شاهد دگرسانی تلفیق شدند. لایه شاهد ساختارهای خطی، فاکتور چهارم و واحدهای سنگی الترامافیک با مقدار استانداندارد 0.9= 𝛄 تلفیق شدند (شکل 17).
در شکل 18 نقشه فازی هم پوشانی و نقشه دیفازی برای جانمایی ذخایر احتمالی منیزیت ارائه شده است.
شکل 17. مدل مفهومی ذخایر منیزیت
شکل 18. الف) نقشه همپوشانی لایههای شاهد مرتبط با ذخایر منیزیت، ب) نقشه دیفازی شده (مناطق با پتانسیل بالا به رنگ نارنجی هستند)
نتیجه‌گیری
بر اساس مطالعات اولیه زمین‌شناسی، واحدهای مافیک و الترامافیک منطقه موثرترین واحد سنگی برای تشکیل ذخایر معدنی تشخیص داده شد. از آنجا که مطالعات در فاز اولیه است برای ایجاد یک ایده کلی، مطالعات ژئوشیمیایی رسوب آبراهه‌ای و تفسیر آنها به روش تحلیل مولفه‌های اصلی انجام گرفت. در نتیجه مطالعات ژئوشیمیایی چهار گروه از عناصر V, Ti, P, U, Thدر مولفه اول عناصر، Ba, Sr در مولفه دوم، عناصرZn, Pb, Cu مولفه سوم عناصر، Ni, Cr, Co در مولفه چهارم مشخص شدند که با توجه به دانش قبلی گروه چهارم به عنوان عناصر دارای پتانسیل در منطقه در نظر گرفته شدند. نتیجه استفاده از روش‌های سنجش از دور از جمله ترکیب باندی، نسبت باندی و تحلیل مولفه‌های اصلی کروستا، بارزسازی مناطق دگرسانی آرژیلیک، پروپیلتیک، فیلیک و کانی‌های آهن‌دار بوده است. همچنین با استفاده از فیلترگذاری بالاگذر، خطواره‌های منطقه رسم شد. در نهایت با تلفیق چهار لایه اطلاعاتی سنگ‌شناسی، ژئوشیمی، دگرسانی و خطوارگی سه نقشه دیفازی حاوی اطلاعات مکانی به‌دست آمده است که پس از دی‌فازی‌سازی این تلفیق محدوده‌هایی با بالاترین احتمال وجود ذخایر کرومیت در شمال غربی تا جنوب شرقی منطقه، سولفید توده‌ای درشمال غرب تا شمال شرق محدوده و منیزیت غالبا در شمال غرب محدوده سربیشه معرفی شدند. با تهیه نقشه های زمین شناسی با مقیاس 1:25000، شناسابی و تایید صحرایی زون‌های دگرسانی و نمونه برداری ژئوشیمی در محدوده های مشخص شده، احتمال معرفی ذخیره معدنی اقتصادی امید بخش خواهد بود.
سپاسگزاری
نویسندگان این مقاله برای حمایت از این تحقیق، مرهون جناب آقای مهندس بهرام آقا ابراهیمی سامانی هستند که ضایعه دردناک درگذشت ایشان در ماه‌های اخیر موجب تأسف و تألم جامعه علوم زمین کشور شد. از درگاه خداوند متعال براي ايشان علو درجات و رحمت الهی آرزومندیم.
همچنين از سرکار خانم بهناز ضرغام، كه زحمت تهیه نقشه یکصد هزار پهنه سربیشه را بر عهده داشتند كمال تشكر و قدردانی را داریم.
منابع
Integration of Geological, Geochemical, Alteration and Remote Sensing Data to Introduce the Mineralization Potentials in the Sarbisheh area, South Khorasan
Modabberi, S.7, Azarifar, M.2, Shamsoddin Ahmadi S.3 and Raeisi, D.4,5
1. Associate Professor, School of Geology, College of Science, University of Tehran, Tehran, Iran
2. M.Sc. Student, School of Geology, College of Science, University of Tehran, Tehran, Iran
3. M.Sc. Graduate, School of Geology, College of Science, University of Tehran, Tehran, Iran
4. Postdoctoral Researcher, School of Geology, College of Science, University of Tehran, Tehran, Iran
5. Karand Sadr Jahan Mines and Mining Industries Company
Abstract
Sarbisheh area is located in the west of Sarbisheh and southeast of Birjand, South Khorasan province. This area is located in the Birjand ophiolite melange zone and is a part of the northern part of the Iranshahr-Birjand metallogenic belt. The lithological units include ophiolite melange, flysch facies sediments, pyroclastic rocks and Quaternary sediments. Geochemical studies of stream sediments and identification of geochemical indicators of mineral resources in the region have been performed using the results of geochemical analysis and principal component analysis. Remote sensing studies have been performed on the ASTER and Landsat satellite images using color composite, selective principal component analysis (crusta) on the Landsat 8 satellite imagery to identify the alteration zones. The lineaments of the region were drawn using the high-pass filter method of the ASTER satellite image and the Google image. Finally, by creating layers of geological units, geochemical data, alteration and lineament and integrating them with fuzzy method, areas with potential mineralization of nickel, chromium, cobalt, copper, lead, zinc and magnesite were identified.
Keywords: Mineral potential, Data Composition, Principal component analysis, Alteration, Fuzzy logic
[1] * نویسنده مرتبط: modabberi@ut.ac.ir
[2] Visible Near Infrared (VNIR)
[3] Short Wave Infrared (SWIR)
[4] Dark subtract
[5] Log residuals
[6] Inverse Distance Weighted (IDW)
[7] * Corresponding Author: modabberi@ut.ac.ir
