اکتشاف معادن جدید دارای اهمیت زیادی برای انسان هاست. سامانه های اطلاعات جغرافیایی (GIS) می توانند به شکل موثری در جمع آوری، وزن دهی، تجزیه و تحلیل و نمایش اطلاعات مکانی در جهت کمک به فرایندهای اکتشافی عمل کنند. موفقیت اکتشافات معدنی بستگی زیادی به عواملی چون تعیین عناصر تاثیرگذار، تعیین میزان تاثیر آنها و تعیین مدل های مناسب برای تلفیق عناصر مذکور دارد. هنگام تلفیق اطلاعات به منظور نشان دادن میزان اهمیت نسبی این عوامل، از اعدادی به نام وزن استفاده می شود و این اعداد تاثیر مستقیم و بسزایی در نتایج هر مدل تلفیق اطلاعات دارند.
روش های وزن دهی به دو دسته عمده دانش ـ مبنا و داده ـ مبنا تقسیم می شوند. در این مقاله، دو روش وزن دهی معرفی شده و مورد ارزیابی قرار گرفته اند که عبارت اند از: پردازش تحلیلی سلسله مراتب و شبکه های عصبی مصنوعی، که روش نخست در زمره روش های دانش ـ مبنا جای دارد و روش دوم در حوزه روش های داده ـ مبنا قرار می گیرد.
به منظور ارزیابی مدل ها، اطلاعات یک کانسار مس در علی آباد یزد مورد استفاده قرار گرفت. مطالعات اکتشافی این کانسار شامل مطالعات زمین شناسی، ژئوشیمیایی و ژئوفیزیکی به همراه 26 چاه اکتشافی حفر شده در قالب نقشه های مختلف، آماده شد و برای وزن دهی مورد استفاده قرار گرفت. نتیجه هر روش مورد استفاده، تهیه نقشه پتانسیل معدنی است.
در آزمون روش ها، روش شبکه های عصبی مصنوعی، روش دقیق تری برشمرده شده است، زیرا این روش توانست پتانسیل ماده معدنی را در تمامی چاه ها به درستی پیش بینی کند، در حالی که موفقیت روش پردازش تحلیلی سلسله مراتب در این زمینه حدود 88 درصد بوده است. این تحقیق نشان داد که شبکه های عصبی مصنوعی قابلیت انطباق پذیری زیادی با داده ها دارند.
