تقدم في التنبؤ بالذهب من بيانات جيوكيميائية مراقَبة عبر نماذج مكانية بايزية وغابة عشوائية مع فصل الخلفية بناءً على الكسور

لماذا تهم آثار الذهب الدقيقة

عندما يبحث الجيولوجيون عن رواسب ذهب جديدة، غالباً ما يعملون مع عينات تربة تحتوي على بضعة أجزاء في البليون فقط من المعدن النفيس. هذه القيم المنخفضة للغاية تقترب كثيراً من حدود كشف أجهزة المختبر لدرجة أن العديد من القياسات تُسجَّل ببساطة على أنها «دون حد الكشف». إذا أُسيئت معالجة هذه الآثار شديدة الخفوت، فقد تُفوَّت مناطق معدنية واعدة أو تُرسم خرائطها بشكل غير دقيق. تقدّم هذه الدراسة طريقة أكثر ذكاءً لاستعادة المعلومات من تلك القيم المراقَبة، مما يساعد المستكشفين على رؤية أنماط أعمق في باطن الأرض من بيانات محدودة وضوضائية.

إشارات مخفية في قياسات غير مثالية

كيمياء التربة والصخور أداة رئيسية للاستكشاف المعدني لأن تغييرات كيميائية طفيفة يمكن أن تشير إلى أجسام خام مدفونة. لكن الأجهزة لا تستطيع قياس كميات لا نهائية الصغر. في حالة الذهب في هذه الدراسة، اعتُبرت أي عينة دون بضعة أجزاء في البليون مراقَبة: يمكن للمختبر فقط أن يقول إن القيمة الحقيقية تقع تحت ذلك الحد. الحلول السريعة الشائعة تستبدل ببساطة كل هذه النتائج برقم ثابت، مثل نصف حد الكشف. ومع أنّ ذلك مريح، فإن هذه الممارسة تُحوّل التباين الطبيعي إلى مستوى مسطَّح، تُطمس الشذوذات الطفيفة وتشوّه علاقة الذهب بعناصر أخرى مثل النحاس. يجادل المؤلفون بأنه لقراءة بصمات الأرض الكيميائية بحق، يجب الحفاظ على عدم اليقين في تلك القيم المنخفضة بدلاً من الكتابة فوقها.

من الخريطة الجيولوجية إلى خلفية أنظف

تركز البحث على هدف نحاس–ذهب في منطقة دالي الشمالية بوسط إيران، حيث جُمعت 165 عينة تربة على شبكة محكمة فوق نظام بورفيري معروف. قيس الذهب مع 29 عنصراً آخر، وكانت 14 عينة أدنى من حد كشف مفترض قدره 5 أجزاء في البليون. بدلاً من إدخال كل البيانات مباشرة في نموذج، استخدم الفريق أولاً طريقة تركيز–عدد «كسورية» لفصل قيم الخلفية عن الشذوذات الأقوى. بتحليل كيف يتغير عدد العينات مع ارتفاع تركيز الذهب على مخطط لوغاريتمي–لوغاريتمي، حدّدوا عتبات تُقسّم الخلفية والشذوذات الضعيفة والشذوذات القوية. استُخدمت فقط مجموعة الخلفية—بما في ذلك القيم المراقَبة—لبناء نماذج التنبؤ، مما يقلل من خطر أن تهيمن بضع عينات عالية الدرجة على التعلم.

خريطة احتمالية مُرَشَّدة بالنحاس

لتقدير محتوى الذهب الحقيقي للعَيِّنات المراقَبة، طبّق المؤلفون نموذج المجال العشوائي الغاوسي البايزي، وهو نهج مكاني احتمالي. يعامل هذا النموذج تركّز الذهب كحقل يتغير بسلاسة عبر الخريطة، متأثراً بالموقع وبمحتوى النحاس، الذي يرتبط ارتباطاً قوياً بالذهب في هذا السياق البورفيري. بدلاً من افتراض رقم واحد لكل نقطة مراقَبة، ينتج النموذج منحنى احتمال كامل يحترم حقيقة أن القيمة الحقيقية يجب أن تكون تحت حد الكشف. النتيجة هي مجموعة من التقديرات الفضلى ونطاقات عدم اليقين لأربع عشرة عينة مراقَبة تتسق مع القياسات المجاورة ومع شراكة الذهب–النحاس المشاهدة في الصخور.

التعلم الآلي، مضبوط حيث تهم المسألة أكثر

ثم تُغذَّى هذه التقديرات الاحتمالية في نموذج غابة عشوائية، وهو أسلوب تعلم آلي يجمع العديد من أشجار القرار. يستخدم النموذج الذهب، والنحاس، والحديد، والنيكل، والتيتانيوم، والبورون من مجموعة الخلفية لتعلّم الأنماط، مع تحقيق متقاطع دقيق بحيث تُختبر كل عينة فقط ضد نماذج لم ترها من قبل. كانت التنبؤات الأولية لا تزال تميل لأن تكون مرتفعة قليلاً بالقرب من حد الكشف، وهي مشكلة شائعة عندما تتوفر قيم منخفضة جداً قليلة. لتصحيح ذلك، أجريا معايرة مُستهدفة ركزت تحديداً على نطاق 5–8 أجزاء في البليون ثم طبّقا خطوة تحجيم بسيطة لضمان بقاء التنبؤات المعدلة ضمن حدود ذات معنى فيزيائي. هذه السلسلة المكونة من ثلاث خطوات—الفصل الكسوري، التقدير المكاني البايزي، والغابة العشوائية المعايرة—أنتجت تنبؤات طابقت القيم الحقيقية المنخفضة للذهب أفضل بكثير من الأساليب القياسية.

التفوق على الحلول القصيرة القديمة

قارنَت الدراسة الإطار الجديد بكل من غابة عشوائية أساسية وقاعدتين كلاسيكيتين للاستبدال اللتين تحلان محل النتائج المراقَبة بجزء ثابت من حد الكشف. عبر عدة مقاييس خطأ، كان النموذج الهجين المعاير والمُقاس هو الأكثر دقة والأقل تحيزاً، خاصةً للعينات القريبة من حد الكشف حيث تُهم الأخطاء الصغيرة أكثر. كما حافظ على تباين واقعي واحتفظ بعلاقات معقولة بين الذهب والنحاس، بينما أدى استبدال ثابت واحد لكل القيم المراقَبة إلى تدمير تلك البنية. في بعض العينات المراقَبة ذات النطاق الأعلى، كان الخطأ النسبي للطريقة الجديدة أصغر بمئات المرات منه في الاستبدالات التقليدية.

صور كيميائية أوضح للاستكشاف

لغير المتخصصين، الخلاصة هي أن الطريقة التي نتعامل بها مع قيم «دون الكشف» في البيانات الجيوكيميائية قد تصنع الفرق في البحث عن رواسب معدنية جديدة. بدلاً من محو عدم اليقين باستبدالات خ粗فة، تُظهر هذه الدراسة أن الجمع بين النمذجة المكانية الاحتمالية، والتعلم الآلي، والمعايرة البسيطة يمكن أن يستعيد الكثير من المعلومات المخفية في القياسات منخفضة المستوى. النتيجة خرائط أنظف لأنماط الذهب الطفيفة، وكشف شذوذات أكثر موثوقية، وفي النهاية فرصة أفضل للعثور على أجسام خام باستخدام حفريات أقل وبيانات أكثر أمانة.

الاستشهاد: Mahdiyanfar, H. Advancing censored geochemical Au prediction through Bayesian spatial models and Random Forest with fractal-based background separation. Sci Rep 16, 4763 (2026). https://doi.org/10.1038/s41598-026-34999-4

الكلمات المفتاحية: الاستكشاف الجيوكيميائي, البيانات المراقَبة, شذوذات الذهب, النمذجة المكانية البايزية, التعلم الآلي في علم الأرض