تفسیر کیفی آنومالی‌های مغناطیس منطقه تیکمه‌داش با استفاده از تحلیل واریوگرام

نوع مقاله : سایر مقالات

نویسندگان

1 دانشیار؛ دانشگاه صنعتی سهند، تبریز، ایران

2 دانشجوی دکتری؛ دانشگاه صنعتی سهند، تبریز، ایران

3 استادیار؛ دانشگاه صنعتی سهند، تبریز، ایران

چکیده

یکی از فرضیه های عمومی در تفسیر دادههای شدت کل میدان مغناطیسی این است که این دادهها از برهم-نهی میدان‌های مغناطیسی ساختارهایی بوجود می‌آیند که با اشکال متفاوت و در عمق‌های مختلفی قرار دارند. این ساختارهای زمین‌شناسی متفاوت، ایجاد کننده آنومالیهای محلی و ناحیه ای هستند. جداسازی آنومالی‌های ناحیه‌ای و محلی همواره به عنوان یکی از مراحل اساسی در تفسیر داده‌های مغناطیسی مطرح است. بدین منظور روش‌های مختلفی ارئه شده‌است که از جمله آنها می‌توان به روش‌های گرافیکی، برازش سطح چند جمله‌ای و روش‌های مبتنی بر تبدیلات فوریه اشاره کرد. یکی از مشکلات موجود در استفاده از روش‌های مبتنی بر تبدیلات فوریه نیاز به وجود داده‌ها بر روی یک شبکه‌ منظم است. نیاز به اطلاعات اولیه، تجربه مفسر و همراه بودن سعی و خطا در انتخاب پارامترهای مناسب از جمله عواملی هستند که نتایج حاصله از این روش‌ها را تحت تاثیر قرار می‌دهند. در این پژوهش از روش زمین‌آماری کریجینگ فاکتوری جهت جداسازی آنومالی‌های محلی از آنومالی‌های ناحیه‌ای داده‌های مغناطیسی استفاده شده است. این روش فاقد محدودیت‌های موجود در روش‌های مبتنی بر تبدیلات فوریه است. جهت بررسی کارایی این روش، داده‌های مغناطیسی مربوط به محدوده اکتشافی تیکمه‌داش در شمالغرب ایران، به عنوان مطالعه موردی انتخاب شد. روش کریجینگ فاکتوری بر روی داده‌های مغناطیس برگردان به قطب شده منطقه مورد نظر اعمال و آنومالی‌های ناحیه‌ای و محلی از هم تفکیک شدند. سپس نقشه مربوط به هر کدام از مولفه‌ها به صورت جداگانه ترسیم شد‌. شواهد حاکی از تشخیص چندین گسل در محدوده، با استفاده از نقشه آنومالی ناحیهای حاصل از به کارگیری روش کریجینگ فاکتوری است که در نقشه‌های میدان مغناطیسی منطقه قابل مشاهده نبودند. همچنین بمنظور کارایی روش مذکور نتایج آن با فیلتر ادامه فراسو نیز مورد مقایسه قرار گرفت و شواهد نشان می‌دهد که این روش نسبت به ادامه فراسو با دقت بالاتری محل گسله‌ها را مشخص می‌کند و بر خلاف ادامه فراسو بصورت سعی و خطا نمی‌باشد. در ادامه نتایج حاصل از روش مذکور با روش‌ فیلتر بالاگذر به عنوان یک روش استاندارد، در بررسی آنومالی‌های محلی مقایسه شد و مزایای استفاده از روش کریجینگ فاکتوری مورد بررسی قرار گرفت. نقشه آنومالی محلی تولید شده با استفاده از روش کریجینگ فاکتوری فاقد آنومالی‌های کاذبی است که در استفاده از فیلتر بالاگذر ظاهر می‌شوند.

کلیدواژه‌ها


دو دانگه، ر.، سهرابی، ق.، انصاری، ی.، نصیری، م.، و امیرپور، ا. 1398. نقشه 1:5000 زمین­شناسی منطقه­تیکمه­داش، شرکت معدنی توانگران سهند، تبریز.
Azad, M. R., Koneshloo, M., Kamkar-Rouhani, A. K., & Aghajani, H. (2016). Comparison of factorial kriging analysis method and upward continuation filter to recognize subsurface structures—a case study: gravity data from a hydrocarbon field in the southeast sedimentary basins of the East Vietnam Sea. Acta Geophysica, 64(2), 398-416.
Beltrão, J., Silva, J., & Costa, J. (1991). Robust polynomial fitting method for regional gravity estimation. Geophysics, 56(1), 80-89.
Bevington, J., Scudiero, E., Teatini, P., Vellidis, G., & Morari, F. (2019). Factorial kriging analysis leverages soil physical properties and exhaustive data to predict distinguished zones of hydraulic properties. Computers and electronics in agriculture, 156, 426-438.
Chen, G., Cheng, Q., & Zhang, H. (2016). Matched filtering method for separating magnetic anomaly using fractal model. Computers & geosciences, 90, 179-188.
Chen, Y., Zhang, L., & Zhao, B. (2017). Application of Bi-dimensional empirical mode decomposition (BEMD) modeling for extracting gravity anomaly indicating the ore-controlling geological architectures and granites in the Gejiu tin-copper polymetallic ore field, southwestern China. Ore Geology Reviews, 88, 832-840.
de Carvalho, P. R. M., Rasera, L. G., Costa, J. F. C. L., Araújo, M. G. S., & Varella, L. E. S. (2019). Variogram modeling of broadband artifacts of a seafloor map for filtering with Factorial Kriging. Journal of Applied Geophysics, 161, 92-104.
Dentith, M., & Mudge, S. T. (2014). Geophysics for the mineral exploration geoscientist: Cambridge University Press.
Gandhi, S., & Sarkar, B. (2016). Essentials of mineral exploration and evaluation: Elsevier.
Goovaerts, P. (1997). Geostatistics for natural resources evaluation: Oxford University Press on Demand.
Goovaerts, P., Sonnet, P., & Navarre, A. (1993). Factorial kriging analysis of springwater contents in the Dyle river basin, Belgium. Water Resources Research, 29(7), 2115-2125.
Hassan, H. H. (2005). Empirical mode decomposition (EMD) of potential field data: airborne gravity data as an example. In SEG Technical Program Expanded Abstracts 2005 (pp. 704-706): Society of Exploration Geophysicists.
Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences, 454(1971), 903-995.
Keating, P., & Pinet, N. (2011). Use of non-linear filtering for the regional–residual separation of potential field data. Journal of Applied Geophysics, 73(4), 315-322.
Lindner, A., Pitombo, C. S., Rocha, S. S., & Quintanilha, J. A. (2016). Estimation of transit trip production using Factorial Kriging with External Drift: an aggregated data case study. Geo-spatial Information Science, 19(4), 245-254.
Mallick, K., & Sharma, K. (1999). A finite element method for computation of the regional gravity anomaly. Geophysics, 64(2), 461-469.
Mickus, K. L., Aiken, C. L., & Kennedy, W. (1991). Regional-residual gravity anomaly separation using the minimum-curvature technique. Geophysics, 56(2), 279-283.
Nabighian, M. N., Grauch, V., Hansen, R., LaFehr, T., Li, Y., Peirce, J., Ruder, M. (2005). The historical development of the magnetic method in exploration. Geophysics, 70(6), 33ND-61ND.
Nguimbous-Kouoh, J., Ndougsa-Mbarga, T., & Manguelle-Dicoum, E. (2018). Gravity Data Transformation by Polynomial Fitting and Kriging Data Analysis of the Mamfe Basin (Cameroon). Geoinfor Geostat: An Overview 6: 2. of, 12, 2.
Oliver, M. A., & Webster, R. (2015). Basic steps in geostatistics: the variogram and kriging: Springer.
Salarian, S., Asghari, O., Abedi, M., & Alilou, S. K. (2019). Geostatistical and multi-fractal modeling of geological and geophysical characteristics in Ghalandar Skarn-Porphyry Cu Deposit, Iran. Journal of Mining and Environment, 10(4), 1061-1081.
Sandjivy, L. (1984). The factorial kriging analysis of regionalized data. Its application to geochemical prospecting. In Geostatistics for natural resources characterization (pp. 559-571): Springer.
Shamsipour, P., Chouteau, M., & Marcotte, D. (2017). Data analysis of potential field methods using geostatistics. Geophysics, 82(2), G35-G44.
Tingting, Y. (1997). Application of factorial kriging to improve seismic data integration. Geostatistics Wollongong &96. 1 (1997), 1, 350.
Umeanoh, D. C., Ugwu, S., & Ofoha, C. C. (2018). Qualitative evaluation of aeromagnetic data of Mmaku area, Nigeria, by means of upward continuation, band pass, highs pass and low pass filtering actions. World Scientific News, 108, 74-86.
Webster, R., & Oliver, M. A. (2007). Geostatistics for environmental scientists: John Wiley & Sons.
Xu, Y., Hao, T., Li, Z., Duan, Q., & Zhang, L. (2009). Regional gravity anomaly separation using wavelet transform and spectrum analysis. Journal of Geophysics and Engineering, 6(3), 279-287.
Zhou, J., Feng, K., Li, Y., & Zhou, Y. (2016). Factorial Kriging analysis and sources of heavy metals in soils of different land-use types in the Yangtze River Delta of Eastern China. Environmental Science and Pollution Research, 23(15), 14957-14967.