تحليل متالوژنيك كاني زايي مهمترين مرحله از يك پروسه اكتشافي بحساب مي آيد. در اين ميان GIS بعنوان يك تكنولوژي مهم در اكتشافات معدني، ابزاريست كه در مراحل مختلف فرايند اكتشافي مانند مديريت پايگاه داده ها، تركيب، نمايش و نهايتا تحليل داده هاي مذكور مورد استفاده قرار مي گيرد. متاسفانه تحقيقات نسبتا كمي در روش شناسي تحليلهاي متالوژنيك و يا چگونگي استفاده از GIS در تحليل روند كانيزايي براي فعالتيهاي اكتشافي صورت گرفته است. روشهاي موجود تركيب داده ها از برخي محدوديت هاي قابل توجه برخوردارند. روشهاي آماري مانند WOE و CA براي نواحي كه بخوبي شناخته شده نيستند و يا اطلاعات اندكي از آنها در دست مي باشد، نتايج قابل اطميناني را ارائه نمي دهند. مدلهاي مفهومي و دانش پايه نيز علي رغم اينكه نيازمند دانش اوليه كمي از منطقه مي باشند، با اين وجود وابسته به نظرات كارشناسي مي باشند. شبكه هاي عصبي مصنوعي به عنوان يك روش غير خطي و غير پارامتريك بواسطه قابليتهاي منحصر به فردي از قبيل قابليت آموزش، پردازش موازي و قابليت درونيابي بالا و بدون نياز به دانش اوليه از داده ها، بشكل مناسبتري روابط پيچيده و غير خطي فرايندكاني زايي را مدل مي نمايند. در اين مقاله بمنظور تحليل مدل كاني زايي مس (Cu ) براي برگه 100000/1 طارم، ابتدا اطلاعات مورد نياز از داده هاي سنجش از دور، ژئوفيزيك هوايي و زمين شناسي استخراج و سپس فرايند مدلسازي باسه الگوريتم Characteristic Analysis ، Weight of Evidence و Artificial Neural Networks انجام شد. از 26 انديس معدني Cu براي آموزش و تست سه روش مذكور استفاده شد. نتايج حاصل از سه روش ANN , CA, WOE مورد تجزيه و تحليل قرار گرفت. نتايج حاصله حاكي از بهبود قابل ملاحظه روش ANN نسبت به دو روش ديگر است.

كلمات كليدي:

سيستم اطلاعات جغرافيايي ، شبكه هاي عصبي مصنوعي ، الگوريتمهاي داده پايه ، تحليلهاي متالوژنيك ، نقشه پتانسل معدني