지리정보시스템(GIS) 및 확률, 통계, 인공신경망 기법을 이용한 강릉지역의 광상부존 가능도 작성 및 검증 Mineral potential mapping and verification using GIS, probability, statistics and artificial neural network in the Gangreung area원문보기
본 연구에서는 GIS 및 확률, 통계, 인공신경망 기법을 이용하여 광상의 위치와 지질, 지화학 및 지구물리 자료들 간의 상관관계와 가중치를 분석하고, 광상부존가능도(Mineral potential ...
본 연구에서는 GIS 및 확률, 통계, 인공신경망 기법을 이용하여 광상의 위치와 지질, 지화학 및 지구물리 자료들 간의 상관관계와 가중치를 분석하고, 광상부존가능도(Mineral potentialmap) 작성 및 검증을 수행하였다. 이 연구를 통하여 광상부존가능 예측 및 광상평가가 수행가능하고, 효율적인 광상탐사 계획을 수립하여 탐사비용 및 시간을 절감하는데 기여 할 것으로 사료된다. 특히 우리나라가 지속적인 해외광물자원조사 개발사업 참여를 추진할 계획인 상황에서 이 연구는 해외자원 개발에 유용하게 적용될 수 있을 것으로 기대된다.$$a$$a연구지역은 1:25만 강릉도폭으로서 지리좌표상으로는 경도 127° 45′~129° 35′E, 위도 37° 00′~38° 00′N에 해당한다. 구축된 데이터베이스 자료는 1:25만 광상분포도, 지화학도, 지질도, 부우게 중력이상도, 자력이상도이다. 광상분포(광상 수)는 금속광상(148), 비금속광상(117), 열수광상(155), 퇴적광상(55), 변성광상(31)이다. 광종으로는 금-은(102), 구리, 연-아연, 철, 텅스텐, 몰리브덴(총 42), 고령토, 도석, 규석(총 38), 운모, 연옥, 석회석, 납석(총 55), 활석(14), 장석(10)이다. 광상성인별 광종으로는 열수광상의 금속(131), 비금속(25), 구리, 연-아연, 철, 텅스텐, 몰리브덴(총 25), 퇴적광상의 비금속(48), 운모, 연옥, 석회석, 납석(총 44)으로 총 16 Case로 나타냈다. 원소별 지화학도 작성은 채취된 각 시료 3595개의 원소별 분석치를 이용하여 IDW 보간법으로 만들었다. 구축된 지화학도는 Al, Alkalinity, As, Ba, Ca, Cd, Co, Cr, Cu, Fe, K, Li, Mg, Mn, Mo, Na, Ni, Pb, Si, Sr, V, W, Zn, Cl-, F-, NO2-, NO3-, PO43-, SO42-, pH, Eh 및 Conductivity로 총 32개이다.$$a$$a이러한 광상과 관련 요인들 간의 상관관계는 확률기법인 우도비와 Weight of evidence, 통계기법인 로지스틱 회귀분석을 적용하여 계산하였고, 이를 바탕으로 광상부존가능도를 작성하였다. 인공신경망 기법에서 관련 요인들의 상대적인 가중치는 역전파 알고리즘에 적용시켜 구하였다. 광상부존가능도는 우도비의 ratio 값, weight of evidence W+ and W-의 contrast 값, 로지스틱 회귀분석상관계수 및 인공신경망의 요인별 가중치를 GIS 중첩분석에 적용하여 작성하였다. 계산된 광상부존가능지수는 기존 광상부존가능성을 정량적으로 설명하고 표현하며 검증할 수 있는 값이다. 각 기법을 이용하여 작성한 광상부존가능도의 검증결과는 우도비와 로지스틱 회귀분석 기법이 모든 Case에 대하여 weight of evidence와 인공신경망 기법보다 약 10% 정도의 높은 정확성을 보였다.$$a$$a
본 연구에서는 GIS 및 확률, 통계, 인공신경망 기법을 이용하여 광상의 위치와 지질, 지화학 및 지구물리 자료들 간의 상관관계와 가중치를 분석하고, 광상부존가능도(Mineral potential map) 작성 및 검증을 수행하였다. 이 연구를 통하여 광상부존가능 예측 및 광상평가가 수행가능하고, 효율적인 광상탐사 계획을 수립하여 탐사비용 및 시간을 절감하는데 기여 할 것으로 사료된다. 특히 우리나라가 지속적인 해외광물자원조사 개발사업 참여를 추진할 계획인 상황에서 이 연구는 해외자원 개발에 유용하게 적용될 수 있을 것으로 기대된다.$$a$$a연구지역은 1:25만 강릉도폭으로서 지리좌표상으로는 경도 127° 45′~129° 35′E, 위도 37° 00′~38° 00′N에 해당한다. 구축된 데이터베이스 자료는 1:25만 광상분포도, 지화학도, 지질도, 부우게 중력이상도, 자력이상도이다. 광상분포(광상 수)는 금속광상(148), 비금속광상(117), 열수광상(155), 퇴적광상(55), 변성광상(31)이다. 광종으로는 금-은(102), 구리, 연-아연, 철, 텅스텐, 몰리브덴(총 42), 고령토, 도석, 규석(총 38), 운모, 연옥, 석회석, 납석(총 55), 활석(14), 장석(10)이다. 광상성인별 광종으로는 열수광상의 금속(131), 비금속(25), 구리, 연-아연, 철, 텅스텐, 몰리브덴(총 25), 퇴적광상의 비금속(48), 운모, 연옥, 석회석, 납석(총 44)으로 총 16 Case로 나타냈다. 원소별 지화학도 작성은 채취된 각 시료 3595개의 원소별 분석치를 이용하여 IDW 보간법으로 만들었다. 구축된 지화학도는 Al, Alkalinity, As, Ba, Ca, Cd, Co, Cr, Cu, Fe, K, Li, Mg, Mn, Mo, Na, Ni, Pb, Si, Sr, V, W, Zn, Cl-, F-, NO2-, NO3-, PO43-, SO42-, pH, Eh 및 Conductivity로 총 32개이다.$$a$$a이러한 광상과 관련 요인들 간의 상관관계는 확률기법인 우도비와 Weight of evidence, 통계기법인 로지스틱 회귀분석을 적용하여 계산하였고, 이를 바탕으로 광상부존가능도를 작성하였다. 인공신경망 기법에서 관련 요인들의 상대적인 가중치는 역전파 알고리즘에 적용시켜 구하였다. 광상부존가능도는 우도비의 ratio 값, weight of evidence W+ and W-의 contrast 값, 로지스틱 회귀분석 상관계수 및 인공신경망의 요인별 가중치를 GIS 중첩분석에 적용하여 작성하였다. 계산된 광상부존가능지수는 기존 광상부존가능성을 정량적으로 설명하고 표현하며 검증할 수 있는 값이다. 각 기법을 이용하여 작성한 광상부존가능도의 검증결과는 우도비와 로지스틱 회귀분석 기법이 모든 Case에 대하여 weight of evidence와 인공신경망 기법보다 약 10% 정도의 높은 정확성을 보였다.$$a$$a
Mineral potential mapping is an important procedure in mineral resource assessment. The purpose of this study is to analyze mineral potential using likelihood ratio, weight of evidence, logistic regression and artificial neural network models and a Geographic Information System (GIS) environment to ...
Mineral potential mapping is an important procedure in mineral resource assessment. The purpose of this study is to analyze mineral potential using likelihood ratio, weight of evidence, logistic regression and artificial neural network models and a Geographic Information System (GIS) environment to identify areas that have not been subjected to the same degree of exploration. For this, a variety of spatial geological data were compiled, evaluated and integrated to produce a map of potential mineral in the Gangreung area, Korea. For this, a spatial database considering mineral deposit, topographic, geologic, geophysical and geochemical data was constructed for the study area using a GIS. All mineral deposits classified into 16 cases of metallic (Case 1), non-metalic (Case 2), Au-Ag (Case 3), Cu, Pb-Zn, Fe, W and Mo (Case 4), kaolin, porcelainstone and silicastone (Case 5), mica, nephrite, limestone and pyrophyllite (Case 6), talc (Case 7), feldspar (Case 8), hydrothermal (Case 9), sedimentary (case 10) and metamorphic (Case 11) deposits of all type, metallic (Case 12), non-metalic (Case 13) and Cu, Pb-Zn, Fe, W and Mo (Case 14) deposits of hydrothermal type and non-metalic (Case 15) and mica, nephrite, limestone and pyrophyllite (Case 16) deposits of sedimentary type in study area. The factors relating to mineral deposits were the geological data such as lithology and fault structure, geochemical data, including the abundance of Al, As, Ba, Ca, Cd, Co, Cr, Cu, Fe, K, Li, Mg, Mn, Mo, Na, Ni, Pb, Si, Sr, V, Zn, Cl-, F-, PO4-3-, NO2-, NO3- SO42-, Eh, pH and conductivity and geophysical data, including the Bouguer and magnetic anomalies. These factors were used with 4 models to analyze mineral potential. Probability models using the likelihood ratio and the weight of evidence and statistic model using the logistic regression were applied to extract the relationship between mineral deposits and related factors, and the ratio, contrast value of W+ and W- and the logistic regression coefficient were calculated. Each factor''s weight using the artificial neural network was determined by the back-propagation training method. Four different training datasets were applied to analyze and verify the effect of training. Then the potential indices were calculated by summation of the likelihood ratio, the contrast value, logistic regression coefficient and weight, and mineral potential maps were constructed from Geographic Information System (GIS). The mineral potential maps were then verified by comparison with the known mineral deposit areas. The result of the models, the likelihood ratio model and logistic regression model showed the better prediction accuracy about 10% than the weight of evidence model and the artificial neural network.$$a$$a
Mineral potential mapping is an important procedure in mineral resource assessment. The purpose of this study is to analyze mineral potential using likelihood ratio, weight of evidence, logistic regression and artificial neural network models and a Geographic Information System (GIS) environment to identify areas that have not been subjected to the same degree of exploration. For this, a variety of spatial geological data were compiled, evaluated and integrated to produce a map of potential mineral in the Gangreung area, Korea. For this, a spatial database considering mineral deposit, topographic, geologic, geophysical and geochemical data was constructed for the study area using a GIS. All mineral deposits classified into 16 cases of metallic (Case 1), non-metalic (Case 2), Au-Ag (Case 3), Cu, Pb-Zn, Fe, W and Mo (Case 4), kaolin, porcelainstone and silicastone (Case 5), mica, nephrite, limestone and pyrophyllite (Case 6), talc (Case 7), feldspar (Case 8), hydrothermal (Case 9), sedimentary (case 10) and metamorphic (Case 11) deposits of all type, metallic (Case 12), non-metalic (Case 13) and Cu, Pb-Zn, Fe, W and Mo (Case 14) deposits of hydrothermal type and non-metalic (Case 15) and mica, nephrite, limestone and pyrophyllite (Case 16) deposits of sedimentary type in study area. The factors relating to mineral deposits were the geological data such as lithology and fault structure, geochemical data, including the abundance of Al, As, Ba, Ca, Cd, Co, Cr, Cu, Fe, K, Li, Mg, Mn, Mo, Na, Ni, Pb, Si, Sr, V, Zn, Cl-, F-, PO4-3-, NO2-, NO3- SO42-, Eh, pH and conductivity and geophysical data, including the Bouguer and magnetic anomalies. These factors were used with 4 models to analyze mineral potential. Probability models using the likelihood ratio and the weight of evidence and statistic model using the logistic regression were applied to extract the relationship between mineral deposits and related factors, and the ratio, contrast value of W+ and W- and the logistic regression coefficient were calculated. Each factor''s weight using the artificial neural network was determined by the back-propagation training method. Four different training datasets were applied to analyze and verify the effect of training. Then the potential indices were calculated by summation of the likelihood ratio, the contrast value, logistic regression coefficient and weight, and mineral potential maps were constructed from Geographic Information System (GIS). The mineral potential maps were then verified by comparison with the known mineral deposit areas. The result of the models, the likelihood ratio model and logistic regression model showed the better prediction accuracy about 10% than the weight of evidence model and the artificial neural network.$$a$$a
주제어
#지리정보시스템
#광상부존가능도
#추정능력
#우도비
#로지스틱 회귀분석
#인공신경망
#강릉
#가능지수
#가중치
#GIS
#mineral potential map
#verification
#likelihood ratio
#weight of evidence
#logistic regression
#artificial neural network
#Gangreung
#potential index
#weight
※ AI-Helper는 부적절한 답변을 할 수 있습니다.