TAMPEREEN LIUSKEJAKSON KULTAPOTENTIAALIN TILASTOMATEMAATTINEN ARVIOINTI ALUEELLISEN MOREENIGEOKEMIALLISEN AINEISTON AVULLA

Transkriptio

1 GEOLOGIAN TUTKIMUSKESKUS M19/21/93/1/10 Tampereen liuskejakso RAPOPRTTITIEDOSTO N:O 4245 Koskee 2111, 2112, 2113, 2114, 2121, 2122, 2123, 2124, 2131, 2132, 2133, 2134, 2141, 2142, 2143, Tero Hokkanen TAMPEREEN LIUSKEJAKSON KULTAPOTENTIAALIN TILASTOMATEMAATTINEN ARVIOINTI ALUEELLISEN MOREENIGEOKEMIALLISEN AINEISTON AVULLA

2 SISÄLLYSLUETTELO 1. Johdanto Tutkimusalue ja -aineistot Aineistojen faktorianalyysit Faktorianalyysin tulokset Samanlaisuusanalyysi Samanlaisuusanalyysissä käytetyt malliluokat Samanlaisuusanalyysin tulokset Erotteluanalyysi Erotteluanalyysin tulokset Ryhmittelyanalyysi Ryhmittelyanalyysin tulokset Johtopäätökset... 8 KIRJALLISUUSVIITTEET... 9 LIITTEET 1-20

3 2 1. Johdanto Projektin 'Tampereen liuskejakson kultapotentiaalin tilastomatemaattinen arviointi alueellisen moreenigeokemiallisen aineiston avulla' päämääränä oli pyrkiä löytämään viitteitä alueella mahdollisesti olevista kultaesiintymistä sekä pyrkiä selvittämään, korreloivatko kultapitoisuudet muiden alkuaineiden pitoisuuksien kanssa, ja mikäli niin on, luokittelemaan erityyppiset anomalia-alueet. Tutkimuksessa käytettiin vain tilastollisia menetelmiä, jotka olivat faktori-, erottelu-, ryhmittely- ja samanlaisuusanalyysi. Aikaisempien tutkimusten perusteella tiedetään, että kulta korreloi toisinaan vahvastikin tiettyjen alkuaineiden kanssa, joita on mm. As, Te, Cu, W ja Bi (Nurmi ja muut, 1991). Oli siis mielenkiintoista selvittää, näkyisikö vastaavia korrelaatioita alueellisessa aineistossa, jolloin saataisiin vihjeitä mahdollisista esiintymistä. Tutkimusalueeksi valittiin Tampereen itäpuolelta alue, josta oli analysoitu alueellisen moreenigeokemian aineiston lisäksi Au-, Te- ja Pd-pitoisuudet. Tämä tutkimus on GTK:n ja TKK:n yhteisprojekti siinä mielessä, että rahoitus tulee TKK:lIe myönnetyistä varoista, kun taas aineistot ja työvälineet ovat GTK:lta. Työ tehtiin välisenä aikana. 2. Tutkimusalue ja -aineistot Tutkimusalue sijaitsee pääosin Tampereen liuskejaksolla. Alue on rajattu alueelta analysoitujen Au-Pd-Te-moreenigeokemian näytteiden (2882 kpl) perusteella (liite 1). Kyseiset alkuaineet on analysoitu samoista näytteistä kuin alueellisen moreenigeokemian näytteenoton alkuaineet. Au-Pd-Te-näytteet on analysoitu pääosin 10 g punnituksella käyttäen grafiittiuunimenetelmää, kun taas muut alkuaineet on analysoitu alle 0.5 g näytteistä ICPmenetelmällä. Rutiinikartoituksen lisäksi käytössä oli kohteellisten tutkimusten tiheämpiä aineistoja, joista on kuitenkin analysoitu ainoastaan muutamia alkuaineita. Tällöin näytteenottotiheys vaihtelee välillä 25 m m, kun se alueellisessa näytteenotossa on noin 1 näyte/4 km 2. Ensimmäinen kohteellisista tutkimusaineistoista on nk. Pirkkalan aineisto (Pirkkala I ja II). Kohde on tutkittu vuosina Aineisto koostuu arseeni- ja kultaanalyyseistä 2 g:n punnituksella. Analyysimenetelmänä on käytetty grafiittiuunimenetelmää. Tarkempi kuvaus tästä aineistosta löytyy Lestisen ja Rosenbergin raporteista (Lestinen, 1987 ja Rosenberg, 1990). Toinen tutkimuksissa hyödynnetty kohteellinen aineisto on nk. Luitamon aineisto, joka koostuu kulta-, arseeni- ja telluurianalyyseistä. Analyysit on tehty grafiittiuunitekniikalla 5 g:n punnituksista. Tällä alueella tutkimukset ovat parhaillaan käynnissä, eikä mitään raportteja ole vielä saatavissa. Alueen lähiympäristöstä on kuitenkin saatu varmoja kallioviitteitä kullan esiintymisestä. Kohteellisista aineistoista otettiin tähän tutkimukseen vain kaikkein tiheimmällä näytteenotolla tutkitut melko suppeat alueet, jotta ne voisivat toimia malliluokkina juuri tietyn tyyppisistä esiintymistä.

4 3 3. Aineistojen faktorianalyysit Faktorianalyysejä tehtiin useille eri tavoin rajatuille aineistoille eri alkuainekombinaatioilla, kuitenkin niin, että lähtöaineistona oli aina 2882 pisteen harva alueellinen aineisto. Kaikissa tapauksissa faktorianalyysi tehtiin pääkomponenttimenetelmällä (PCA-) ja varimax-rotaatiolla. Analyysiin otetut alkuaineet täyttivät suhteellisen hyvin vaatimuksen normaalisti jakautuneista jakaumista kultaa lukuun ottamatta. Tämän tähden analyysi tehtiin toisinaan ilman mitään muunnoksia, toisinaan log-muunnoksen jälkeen. Johtopäätös oli melkein poikkeuksetta sama: kulta on joukon vähiten korreloiva alkuaine. Tämä selittynee usealla eri syyllä. Ensinnäkin kullalle tyypillinen hippuefekti häiritsee faktorianalyysin vaatimusta normaalijakautuneesta aineistosta, mutta vaikka suurimmat yksittäiset pitoisuudet poistettaisiinkin, on jakauman muoto edelleen hyvin 'piikkimäinen'. Hippuefekti aiheuttaa myös kultaa analysoitaessa tuloksiin enemmän satunnaisvaihtelua kuin muut alkuaineet, mikä tietysti osaltaan heikentää korrelaatiota. Toiseksi kokemuksesta tiedetään, ettei kulta aina liity joihinkin tiettyihin alkuaineisiin, vaan sen korrelaatio eri alkuaineiden kanssa on hyvin esiintymäkohtaista. Tällöin laajan alueellisen aineiston ollessa kyseessä, on luonnollista, että kullan pitoisuushuiput osuvat yksiin satunnaisesti eri alkuaineiden pitoisuushuippujen kanssa, mikä johtaa huonoon korrelaatioon. Kolmanneksi kullan taustapitoisuus on kivilajista riippumatta hyvin alhainen, joten anomaaliset alueet seuraavat esiintymiä ja paikallisia mineralisaatioita. Muilla alkuaineilla tausta vaihtelee yleensä vallitsevien kivilajien mukaan. Myös tämä heikentää kullan korrelaatiota muiden alkuaineiden kanssa. 3.1 Faktorianalyysin tulokset Liitteissä 2-4 on esitetty kolmen faktorianalyysin tulos. Ensimmäisessä tapauksessa (liite 2) otettiin analyysiin seuraavat alkuaineet: Au, Al, As, Ca, Co, Cu, Fe, K, Mg, Mn, Ni, P, Se, Te, V, Zn. Analyysistä poistettiin määritysrajat alittavat arvot, minkä lisäksi kultapitoisuuden tuli olla vähintään 8 ppb. Lisäksi analyysiä häiritsevät poikkeavan suuret pitoisuudet poistettiin. Minimi- ja maksimipitoisuudet kullekin alkuaineelle on nähtävissä ensimmäisessä liitteen 2 taulukoista. Log-muunnoksen jälkeen alkuaineiden jakaumat olivat suhteellisen normaalisti jakautuneita kultaa lukuun ottamatta, joka logaritmoitiin toistamiseen paremman muodon aikaansaamiseksi. Lopputulokset on nähtävissä liitteessä 2, jossa on esitetty aineiston perusstatistiikan lisäksi alkuaineiden korrelaatiokertoimet sekä PCA-menetelmän pääkomponenttien prosentuaaliset osuudet, kumulatiiviset prosentit ja ominaisarvot sekä tietysti rotatoitu faktorimatriisi. Kuten edellä todettiin, kulta korreloi huonosti muiden alkuaineiden kanssa, mikä näkyy sen asettumisena viimeiseen eli kuudenteen faktoriin yksinään. Valtaosa alkuaineista on ensimmäisessä faktorissa. Tämä faktori on tulkittavissa ns. kiillefaktoriksi. Kullan etsinnän kannalta kiinnostavat alkuaineet As ja Te ovat faktoreissa 5 ja 3. Arseenin jääminen yksin 5:teen faktoriin selittyy ainakin osin sillä, että käytetty määritysraja 3 ppm ei ole luotettava, jolloin tästä johtuva satunnaisvaihtelu johtaa huonoon korrelaatioon muiden alkuaineiden kanssa. Telluuri puolestaan saa suhteellisen hyvän korrelaation kuparin ja nikkelin kanssa kolmannessa faktorissa. Tähän epäillään ainakin osasyyksi alueella olevia mustaliuskeita, jotka saattavat olla osittain telluurin lähde. Telluuri saa myös heikohkoja faktorilatauksia faktoreilla 1, 2 ja 5. Merkittävin tulos lienee kuitenkin kullan heikko korrelaatio muiden alkuaineiden kanssa.

5 4 Liitteessä 3 esitetty faktorianalyysi on tehty aineistolle, jossa edellisten aineistoa rajaavien ja muokkaavien toimenpiteiden lisäksi on arseenin minimipitoisuus rajattu 30 ppm:ään, jolloin analyysissä mukana olevien näytteiden määrä on tipahtanut 246:sta 89:ään. Nyt tulosta ei kuitenkaan häiritse arseenin epäluotettavat arvot pienillä pitoisuuksilla. Lopputulos ei kuitenkaan muutu edellisestä oleellisesti. Kulta on edelleen viimeisessä faktorissa yksinään ja telluuri esiintyy samaan tapaan kuin edellisessä tapauksessa. Arseenilla on nyt kuitenkin heikohko korrelaatio kuparin kanssa (faktori 4). Vaikka faktorien järjestys on hiukan muuttunut, niiden oleellinen sisältö on jokseenkin muuttumaton. Kolmas tässä raportissa esitettävistä faktorianalyysituloksista on liitteessä 4. Aineisto on rajattu ja muokattu samoin kuin liitteessä 2 esitettykin, mutta nyt arseeni on jätetty pois koko analyysistä. Tällöin aineisto kuvautuu viitenä faktorina edellisten kuuden sijasta. Lopputulos on käytännössä sama kuin aiemminkin lukuun ottamatta arseenin puuttumista, mistä johtuu yhden faktorin tipahtaminen pois. Tämä viittaa siihen, ettei myöskään arseenilla ole selvää korrelaatiota muiden alkuaineiden kanssa, kuten ei kullallakaan, joka ei kerta kaikkiaan korreloi muiden kanssa. Kuten edellä todettiin, myös muunlaisia rajauksia ja alkuaine-kombinaatioita käytettiin, mutta tulos oli kullan osalta lähes aina sama. Hippuefektin vaikutusta pyrittiin vähentämään myös käyttämällä järjestyskorrelaatiota, mutta tulos ei muuttunut. Johtopäätöksenä voidaan sanoa, että kyseisestä aineistosta on vaikea ainakin tilastollisesti arvioida kultapotentiaalia. 4. Samanlaisuusanalyysi Samanlaisuusanalyysi on GTK:ssa kehitetty menetelmä (Koistinen, 1984), jossa tunnetun mallijoukon avulla annetaan tutkittavan aineiston jokaiselle pisteelle mallijoukkon ja tutkittavien näytteiden samankaltaisuutta kuvaava mitta nk. cos 0 -arvo. Sen käyttäytyminen on verrattavissa korrelaatiokertoimen käyttäytymiseen. Toisin sanoen mitä suuremman positiivisen arvon se saa sitä parempi on tutkittavan pisteen vastaavuus mallijoukkoon. Nolla merkitsee täysin satunnaista samankaltaisuutta ja suuret negatiiviset arvot hyvää käänteistä vastaavuutta. Tarkempi kuvaus löytyy mm. Koistisen lisensiaattityöstä (Koistinen, 1984). 4.1 Samanlaisuusanalyysissä käytetyt malliluokat Malliluokat saatiin Luitamon ja Pirkkalan kohteellisista aineistoista. Luitamon aineisto jaettiin vielä eri luokkiin siten, että luokka 11 koostui kullasta ja arseenista siten, että Au:n minimipitoisuus oli 10 ppb ja As:n 30 ppm. Kullan minimipitoisuus määräytyi analyysien määritysrajasta, joka oli juuri 10 ppb, ja arseenin 30 ppm rajaan päädyttiin, koska alueellisen aineiston ei voi katsoa olevan luotettava sitä pienemmillä pitoisuuksilla. Luokka 12 muodostui kullasta ja telluurista siten, että telluurin minimipitoisuus oli 50 ppb, mikä oli myös analyysien määritysraja. Kullan määritysraja oli 10 ppb. Luokka 13 oli arseenin ja telluurin yhdistelmä kyseisillä minimipitoisuuksilla ja luokka 14 kaikkien kolmen alkuaineen yhdistelmä edellä mainituilla määritysrajoilla. Muita alkuaineita ei oltu analysoitu Luitamosta eikä malliluokkien huippuarvoja leikattu pois.

6 5 Pirkkalan aineistoista tehdyt malliluokat poikkesivat Luitamon luokista siinä, että niistä oli analysoitu ainoastaan arseeni- ja kultapitoisuudet. Pirkkala I nimettiin luokaksi 21 ja Pirkkala II luokaksi 22. Niihin otettujen näytteiden minimipitoisuudet olivat kullalle 5 ppb ja arseenille 30 ppm. Tällöin saatiin melko suuret malliluokat (luokassa ja luokassa näytettä), minkä johdosta analyysin teko ei onnistunut SIMANA-ohjelmistolla. Tämän tähden malliluokat muunnettiin 29 ja 19 mallinäytteen luokiksi niputtamalla noin 10 alkuperäistä näytettä yhteen ja laskemalla niiden keskiarvo. Samanlaisuusanalyysi tehtiin siis tässä tapauksessa käyttämällä alkuperäisten näytteiden sijasta noin 10 peräkkäisen näytteen keskiarvoista koottua uutta 29 ja 19 keskiarvon mallijoukkoa. Myöskään tässä tapauksessa huippuarvoja ei poistettu analyysistä. 4.2 Samanlaisuusanalyysin tulokset Liitteissä 5-8 on samanlaisuusanalyysin tulokset. Ne on esitetty karttoina, joissa pallon koko ilmaisee kyseisen pisteen kultapitoisuuden ja harmaasävy cos 0:n suuruuden. Tutkittava aineisto oli koko alueellinen aineisto sitä mitenkään etukäteen rajaamatta tai muokkaamatta. Kun tarkastellaan Luitamon malliluokkaa 11 (Au-As) (liite 5), nähdään, että kullan, arseenin ja telluurin yhdistelmäkartan (liite 1) länsiosassa oleva suurehko anomaalinen alue ei erotu samanlaisuusanalyysin tuloksista millään tavoin (vain muutama musta pallo). Muuten kullan ja arseenin avulla tehty luokitus (liite 5) vastaa melko tarkasti liitteen 1 yhdistelmäkartan pitoisuuksia. Tämä viittaa siihen, että yhdistelmäkartalla näkyvä suurehko anomalia syntyy pääosin telluurin ja kullan vaikutuksesta arseenipitoisuuden jäädessä melko vaatimattomaksi. Toinen piirre, mikä näkyy liitteen 5 kartalla, on se, että siellä ei ole ollenkaan suuria kultapitoisuuksia, joissa on suuri cos 0 -arvo. Sen sijaan suuria kultapitoisuuksia, joissa on melko suuri cos 0, kyllä löytyy. Malliluokan 12 (Au-Te) (liite 6) tulokset poikkeavat edellisestä siinä, että nyt läntinen anomaalinen alue erottuu selvästi ympäristöstään, kun tarkastellaan cos 0 -arvoja. Tästä johtuen alueen telluuripitoisuuden täytyy olla suhteellisen suuri arseenipitoisuuteen verrattuna. Kartalta näkyy myös se, että nyt suurin osa suurista cos 0 -arvoista on pisteissä, joissa kultapitoisuus on suhteellisen pieni. Joukossa on myös hyvin pieniä kultapitoisuuksia. Telluuri on siis ollut hallitseva kultaan verrattuna cos 6 -arvoa laskettaessa. Tämä kartta vastaa pitkälle yhdistelmäkarttaa. Kolmas Luitamon malliluokalla (As-Te) (liite 7) saatu tulos muistuttaa enemmän toisella kuin ensimmäisellä mallijoukolla saatua tulosta. Tästä voidaan päätellä, että telluuri saa suuremman painon kuin arseeni analyysiä tehtäessä. Mielenkiintoista on myös se, että suuria kultapitoisuuksia ei juuri esiinny pisteissä, joissa on suuri cos 0 -arvo. Toisin sanoen on vähän pisteitä, joissa sekä kulta että telluuri ja arseeni saavat samanaisesti suuria pitoisuuksia. Neljännellä malliluokalla (Au-As-Te) (liite 8) saaduissa tuloksissa näkyy jälleen telluurin hallinta. Tulos on lähes liitteen 6 kartan kopio. Tämä onkin luonnollista, koska nyt malliluokka on määrätty kaikkien kolmen alkuaineen perusteella. Pirkkalan I ja II malliluokilla (Au-As) saadut tulokset (liite 9 ja 10) muistuttavat niin paljon toisiaan, että ne käsitellään tässä samanaikaisesti. Ne muistuttavat eniten liitteen 5 tuloksia, eli arseenin suhteen köyhä vyöhyke alueen länsiosassa ei näy nyt.

7 6 Selvin poikkeama Luitamon malliluokilla analysoituihin tuloksiin on se, että nyt suuret kultapitoisuudet saavat aina suuren cos 0 -arvon ja se, että käytettäessä Pirkkalan malliluokkia cos 0 saa yleensä suurempia arvoja kuin käytettäessä Luitamon malliluokkia. Tämä johtunee ainakin osin siitä, että Pirkkalan malliluokkien minimipitoisuudet olivat kullan osalta pienemmät kuin Luitamon, jolloin alueellisesta aineistosta löytyy luonnollisesti enemmän samankaltaisia arvoja käytettäessä Pirkkalan mallijoukkoa kuin Luitamon. 5. Erotteluanalyysi Aineistolle tehtiin erotteluanalyysi käyttäen kultaesiintymiä kuvaavina luokkina samanlaisuusanalyysissä käytettyjä mallijoukkoja. Kaikki analyysit tehtiin käyttäen Wilksin menetelmää kolmen eri malliluokan avulla, joista yksi on jokin samanlaisuusanalyysissä käytetyistä mallijoukoista (nyt luokka 3), yksi alueellisesta aineistosta valittu kullan taustapitoisuutta kuvaava joukko (luokka 1) ja yksi niin ikään alueellisesta aineistosta valittu lievästi kohonnutta kultapitoisuutta kuvaava joukko (luokka 2). Luokka 1 koostuu tutkimusalueen pohjoisosan matalista kultapitoisuuksista (liite 1) ja luokka 2 luvussa 4 mainitun alueen länsiosissa olevan anomaalisen osan keskisuurista kultapitoisuuksista (Au-pit. pääosin 5-10 ppb). 5.1 Erotteluanalyysin tulokset Erotteluanalyysin tulokset on esitetty liitteissä olevissa kartoissa. Pallon koko ilmaisee kultapitoisuuden ja harmaasävy analysoidun luokan. Kartoissa olevat tunnukset (erotteluanalyysi 11-22) vastaavat samanlaisuusanalyysissä käytettyjä merkkejä. Luitamon malliluokat ovat täsmälleen samat, joita käytettiin samanlaisuusanalyysissä, mutta Pirkkalan malliluokkien minimipitoisuus jouduttiin nostamaan 10 ppb:hen, jotta analyysin luokat 2 ja 3 erottuisivat analyysissä paremmin toisistaan. Liitteessä 17 on esitetty analyysiin otettujen luokkien 'oikeellisuusprosentti'. Mitä suurempi kyseinen prosenttiluku on sitä paremmin annetut luokat on erotettavissa toisistaan ja sitä selkeämmin ne kuvaavat omaa luokkaansa. Ohjelmisto muuttaa siis itse annettujen malliluokkien luokkaa, mikäli katsoo niiden kuuluvan johonkin toiseen luokkaan, ja tekee luokituksen niiden avulla. Näistä taulukoista näkyy, että käytettäessä Luitamon mallijoukkoja, luokat ovat suhteellisen erillään toisistaan, mikä näkyy korkeana 'oikeellisuusprosenttina'. Sen sijaan Pirkkalan tapauksessa malliluokat eivät erotu niin selvästi luokasta 2, mikä näkyy suhteellisen pienenä prosenttina. Eroja aineistojen välillä on vaikea selittää, koska Pirkkalan aineiston malliluokkien keskipitoisuudet eivät poikkea oleellisesti Luitamon aineiston vastaavista, kun vielä minimipitoisuudet olivat samat. Syy saattaa olla malliluokkien pitoisuuksien jakaumissa. Erotteluanalyysiä tehtäessä nimittäin oletetaan, että malliaineistot ovat normaalisti jakautuneita. Koska näin ei käytännössä ole, on mahdollista, että ohjelman on tästä syystä vaikea erotella eri malliluokat toisistaan, mikä näkyy heikkona luokitusprosenttina. Ensimmäisessä tapauksessa (liite 11) erotteluanalyysin tulos muistuttaa samanlaisuusanalyysin tulosta sillä erolla, että nyt on vähemmän pisteitä luokiteltu 'malmiluokkaan' (luokka 3) ja siinä, että nyt ovat pienet kultapitoisuudet saaneet useammin suuren cos 0 -arvon samanlaisuusanalyysissä. Lisäksi alueen anomaalisessa länsiosassa ei juuri mikään piste kuulu luokkaan 3.

8 7 Toisessa tapauksessa (Au-Te) erotteluanalyysin tulos poikkeaa huomattavasti samanlaisuusanalyysin tuloksesta. Nyt luokkaan 3 kuuluu pääasiassa vain hajallaan olevia suuria kultapitoisuuksia, jotka eivät muodosta selkeitä anomaalisia alueita. Kolmannessa tapauksessa (As-Te) luokittuu kolmanteen luokkaan varsin vähän pisteitä ja se muistuttaa tapausta 1. On siis ilmeistä, että arseeni saa suuremman painon tässä tapauksessa kuin telluuri. Suuria kultapitoisuuksia on luonnollisesti suhteellisen vähän, koska sitä ei käytetty luokittemina. Neljännessä tapauksessa on jälleen ilmeistä, että arseeni määrää pitkälti analyysin tuloksen, koska tutkimusalueen anomaalinen länsiosa (liite 1) ei tule näkyviin ja koska tulos muistuttaa paljon tapausten 1 ja 3 tuloksia. Verrattaessa tätä tulosta samanlaisuusanalyysin neljänteen tapaukseen havaitaan niiden eroavan toisistaan toisaalta anomaalisen länsiosan puuttumisena ja toisaalta siinä, että nyt on vähemmän pisteitä luokittunut luokkaan 3. Käytettäessä Pirkkalan malliluokkia (luokat 21 ja 22) ovat tulokset lähes identtiset keskenään, kuten oli samanlaisuusanalyysissäkin, josta tulos poikkeaa kuitenkin selkeästi. Nyt luokkaan 3 kuuluu ainoastaan joitain harvoja pisteitä, joissa on suuri kultapitoisuus. Itse asiassa tulos muistuttaa hyvin paljon erotteluanalyysin tulosta tapauksessa 2, jossa luokittemina olivat kulta ja telluuri (nyt Au ja As). Tästä voidaan vetää se johtopäätös, että pääasiassa kultapitoisuus määrää näissä tapauksissa analyysin tuloksen. 6. Ryhmittelyanalyysi Alueelliselle aineistolle tehtiin myös ryhmittelyanalyysi. Koska työssä käytettiin SPSS PC+ -ohjelmistoa, oli aineistoa rajattava huomattavasti alkuperäisestä koostaan, sillä mikrotietokoneen muisti ei riittänyt suurien näytemäärien käsittelyyn. Ryhmittelyanalyysi tehtiin kuudella eri kombinaatiolla kulta-, telluuri- ja arseenianalyyseille, jotka jouduttiin vielä rajaamaan pitoisuuksien perusteella. Ensimmäisen kombinaation (Au-As-Te) minimipitoisuus kullalle oli 11 ppb ja arseenille 31 ppm. Telluuria ei rajattu pienten pitoisuuksien osalta mitenkään. Toisessa tapauksessa analyysi tehtiin vain kullalle ja arseenille samoilla minimipitoisuuksilla. Kolmannen kombinaation (Au-Te-As) vähimmäispitoisuus kullalle oli 11 ppb ja telluurille 31 ppb. Arseenin pieniin pitoisuuksiin ei puututtu lainkaan. Neljännessä tapauksessa olivat vain kulta- ja telluurianalyysit edellisillä rajauksilla. Viidennessä tapauksessa (As-Te-Au) minimipitoisuudet olivat kullalle 6 ppb, arseenille 31 ppm ja telluurille 31 ppb ja kuudes analyysi tehtiin edellisillä rajoilla vain arseenille ja telluurille. Ylärajat jokaisessa tapauksessa olivat kullalle 50 ppb, arseenille 400 ppm ja telluurille 500 ppb. Yksittäiset huippupitoisuudet leikattiin siis pois analyysistä. Mikäli tätä toimenpidettä ei tehdä, saattaa lopputuloksena luokittua kaksi ryhmää, joista toinen on pari huippupitoisuutta ja toinen loppuosa aineistoa. Kaikki esitettävät analyysit tehtiin hierarkkisella 'complete linkage'-menetelmällä. Myös 'single linkage'-menetelmää kokeiltiin, mutta koska tulokset olivat periaatteessa samanlaiset, ei näitä tuloksia esitetä lainkaan.

9 8 6.1 Ryhmittelyanalyysin tulokset Koska tapauksen kaksi tulokset muistuttavat tapauksen yksi tuloksia hyvin paljon, samoin kuin kuudennen viidennen tuloksia, ei niitä ole esitetty karttatulosteina lainkaan. Muiden tulokset on esitetty sekä dendogrammeina (liite 18) että kartalla pisteinä (liitteet 19 a - d). Jokaisessa tapauksessa muuttujat ryhmittyvät melko selkeästi pitoisuuksiensa perusteella ja ryhmät sijaitsevat anomaalisilla alueilla (vrt. liite 1), jolloin mitään oleellista uutta ei käy ilmi. Tämä onkin melko selvää, koska kyseessä on suhteellisen pieni ja vähän muuttujia sisältävä ryhmittelyanalyysi. Analyysiin otettavien alkuaineiden määrää ei haluttu kasvattaa suureksi, koska jo faktorianalyysin perusteella tiedettiin niiden suhteellisen huono korrelaatio kullan kanssa. Ainoastaan kiinnostavimmat otettiin mukaan. Näin ollen myös analyysin tulkittavuus helpottui. Toisaalta ryhmittelyanalyysiin ei haluttu panna paljoa painoa edellä todetun ohjelmiston mikroversion kyvyttömyydestä käsitellä suuria datajoukkoja. 7. Johtopäätökset Kultapotentiaalin arviointi tilastomatemaattisia menetelmiä hyväksikäyttäen osoittautui varsin vaikeaksi tehtäväksi ainakin tällä alueella ja näillä aineistoilla. Yhdelläkään menetelmällä ei luokittunut uusia selkeitä kullanetsinnällisesti mielenkiintoisia alueita, vaan päinvastoin kulta osoittautui hyvin riippumattomaksi muihin tutkimuksessa käytettyihin alkuaineisiin nähden. Toiseksi kävi ilmi, että eri menetelmien antama tulos ei ole yhdenmukainen. Tästä hyvänä esimerkkinä on samanlaisuus- ja erotteluanalyysi. Samanlaisuusanalyysin tuloksissa painottui selvästi telluurin osuus, kun taas erotteluanalyysissä painottui arseenin vaikutus, vaikka kummassakin tapauksessa käytettiin samoja mallijoukkoja (Luitamon tapauksessa). Tämä johtunee osin eri menetelmistä, mutta myös siitä, että on analyysin tekijästä tai ohjelmasta riippuvaista, kuinka luokitusrajat määrätään. Tilanne saattaa olla melko hankala, koska kysymyksessä on kaksi erilaista luokitusmittaa. Menetelmistä riippumaton tutkimusta haittaava tekijä on se, että malliluokat olivat suppealta alueelta saatuja tiheitä kohteellisia aineistoja, kun taas tutkittava aineisto oli laaja ja harva näytteenotoltaan. Malliluokat edustavat siis yhtä esiintymätyyppiä, joka näkyy alueellisessa aineistossa usein vain yhdessä pisteessä, jos siinäkään. Se siis katoaa mitä todennäköisimmin tilastollisessa käsittelyssä. Toinen haittatekijä on se, että periaatteessa alueellisessa aineistossa saattaa olla useita erityyppisiä esiintymiä edustettuna, mutta malliluokkia ei ole. Tällöin erityyppisten esiintymien luokittelu on jokseenkin mahdotonta. Tutkimuksia haittaa myös se, että eri aineistojen alkuaineet on analysoitu osittain eri menetelmillä erisuurista näytteistä, jolloin ne eivät ole täysin vertailukelpoisia. Toisten tilastollisten menetelmien käyttöä vaikeuttaa se, että malliluokista on analysoitu vain pari kolme alkuainetta ja se, että eri puolin tutkimusaluetta tiettyjen alkuaineiden perustaso vaihtelee. Työn tulokset on esitetty liitteissä suhteellisen laajalti, jolloin niiden kaikenlainen jatkohyödyntäminen on mahdollista. Liitteessä 20 on lisäksi alueen geologinen kartta. Espoossa DI Tero Hokkanen

10 9 KIRJALLISUUSVIITTEET: Koistinen, E., Matemaattiset menetelmät Vihannin sinkkikupari-malmivyöhykkeen malmipotentiaalin arvioinnissa. Lisensiaattityö. TKK. Espoo. 93 s. Lestinen, P., Pirkkalan kohteen geokemialliset kultatutkimukset vuosina Raportti S/41/2123/1/1987 GTK. Espoo. 9 s. Nurmi, P., Lestinen, P., Niskavaara, H., Geochemical characteristics of mesothermal gold deposits in the Fennoscandian Shield, and a comparison with selected Canadian and Australian deposits. Bulletin 351. Geological survey of Finland. Espoo. 101 p. Rosenberg, P., Kultatutkimukset Pirkkalan alueella vuosina Raportti M 19/2123/-90/ /10. GTK. Espoo. 47 s.

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27 LIITE 17: Erotteluanalyysin luokitustulos eri tapauksissa. Classification Results - Luokka 11 (Au-As). Classification Results - Luokka 12 (Au-Te). No. of Predicted Group Membership No. of Predicted Group Membership Actual Group Cases Actual Group Cases Group Group % 12.5%.0% 100.0%.0%.0% Group Group % 86.8%.0% 10.3% 88.2% 1.5% Group Group % 41.7% 58.3%.0% 74.1% 25.9% Ungrouped Ungrouped Cases 45.4% 47.6% 7.0% Cases 58.8% 39.6% 1.6% Percent of "grouped" cases correctly classified: 80.56% 74.77% Percent of "grouped" cases correctly classified: Classification Results - Luokka 13 (As-Te). Classification Results - Luokka 14 (Au-As-Te). No. of Predicted Group Membership No. Predicted Group Membership Actual Group Cases Actual Group f Cases Group Group % 6.3%.0% 87.5% 12.5%.0% Group Group % 72.1%.0% 8.8% 91.2%.0% Group Group % 44.4% 55.6%.0% 57.1% 42.9% Ungrouped Ungrouped Cases 46.0% 49.6% 4.4% Cases 44.8% 50.9% 4.3% Percent of "grouped" cases correctly classified: 70.00% 83.67% Percent of "grouped" cases correctly classified: Classification Results - Luokka 21 (Au-As). Classification Results - Luokka 22 (Au-As). No. of Predicted Group Members No. Predicted Group Membership Actual Group Cases i f Actual Group Cases Group Group % 0% 0% 100.0%.08.0% Group Group % 92.6% 1.5% 5.9% 92.6% 1.5% Group Group % 62.6% 31.3%.0% 48.0% 52.0% Ungrouped Ungrouped Cases 75.2% 23.6% 1.2% Cases 68.7% 29.7% 1.6% Percent of "grouped" cases correctly classified: 57.79% 62.80% Percent of "grouped" cases correctly classified:

28

29

30

31

32

33

34

35