Malminetsinnän GIS analyysimenetelmät ( ) Loppuraportti M 10.4/2005/5

Malminetsinnän GIS analyysimenetelmät 2104016) 2002-2004 Loppuraportti M 10.4/2005/5 Vesa Nykänen ja Heikki Salmirinne Kallioperä ja raaka-aineet Pohjois-Suomen yksikkö Geologian tutkimuskeskus

Malminetsinnän GIS -analyysimenetelmät 2104016) GEOLOGIAN TUTKIMUSKESKUS KUVAILULEHTI Päivämäärä 25.01.2005 Tekijät Vesa Nykänen Heikki Salmirinne Raportin laji Hankeraportti Toimeksiantaja Raportin nimi Malminetsinnän GIS analyysimenetelmät 2104016). 2002-2004. Loppuraportti. Tiivistelmä Vuosien 2002-2004 aikana toteutettu 'Malminetsinnän GIS analyysimenetelmät' hanke oli luonteeltaan tutkimus- ja kehityshanke, jonka aikana perehdyttiin spatiaalianalyysin menetelmien käyttöön erityisesti malminetsinnän työkaluina. Tähän tarkoitukseen löydettiin heti hankkeen alussa sopivat työkalut ja menettelytavat saatiin valittua toimiviksi. GTK:n tutkijoita koulutettiin työkalujen käyttöön ja aiheesta pidettiin useita esitelmiä. Hankkeen aikana verkostoiduttiin kansainvälisesti toimimalla kiinteässä yhteistyössä U.S. Geological Surveyn USGS) kanssa. Lisäksi yhteistyökumppaneina olivat Geologcal Survey of Canada GSC) ja York University, Toronto, Kanada. Muita sidosryhmiä olivat kaivosyhtiöt. Asiasanat kohde, menetelmät jne.) GIS, spatiaalinen analyysi, menetelmäkehitys, sumea logiikka, painoarvo Maantieteellinen alue maa, lääni, kunta, kylä, esiintymä) Karttalehdet Keski-Lappi, Itä-Lappi, Kuusamo Muut tiedot Arkistosarjan nimi Arkistotunnus M 10.4 M 10.4/2005/5 Kokonaissivumäärä Kieli Hinta Julkisuus 41 suomi 1

Malminetsinnän GIS -analyysimenetelmät 2104016) GEOLOGICAL SURVEY OF FINLAND DOCUMENTATION PAGE Authors Vesa Nykänen Heikki Salmirinne Type of report Commissioned by Date 25.01.2005 Title of report GIS analysis for mineral exploration. Abstract GIS analysis is a powerful tool for the exploration geologists. The main goal of the project is to develop methods for integration and analysing the variable GIS data sets of the GTK for mineral exploration purposes. The aim of the project was to incorporate statistical, weights of evidence, logistic regression, fuzzy logic, and neural network techniques for the data integration and analysis. The GIS platform used was based on the desktop GIS softwares ArcView GIS 3.2 and ArcGIS 8 and the add-ons or extensions built on top of the commercial software. The geological, geochemical and geophysical data used were from the exploration targets of the main gold province of Northern Finland, called the Central Lapland Greenstone Belt CLGB). The project was done in two phases. During the first year a pilot project was accomplished to select the appropriate spatial analytical methods, source data, areas of interest and the applications for modifying and processing the data. After the pilot project the project plan was specified to take account the suggestions and ideas raised during the first year. During the project cooperation started with several foreign counterparts U.S. Geological Survey, Geological Survey of Canada and York University). Keywords GIS, spatial analysis, fuzzy logic, weights of evidence Geographical area Central Lapland, Eastern Lapland, Kuusamo Map sheet Other information Report serial Archive code M 10.4 M 10.4/2005/5 Pages Language Price Confidentiality 41 Finnish 2

Malminetsinnän GIS -analyysimenetelmät 2104016) SISÄLLYS 1. Johdanto...4 2. Hankkeen tavoitteet...4 3. Hankkeen organisaatio...5 4. Hankkeen toiminta ja keskeiset tulokset...5 4.1. Paikkatietoanalyysimenetelmät...5 4.1.1. Empiiriset menetelmät...7 4.1.2. Käsitteelliset menetelmät...10 4.2. Aineistot...13 4.2.1. Geologiset kartat...13 4.2.2. Geofysikaaliset aineistot...13 4.2.3. Geokemialliset aineistot...14 4.3 Tulokset...15 4.3.1 Keski-Lapin orogeeniset Au malmit...15 4.3.2 Petäjäselän kohteellinen Au mallinnus...19 4.3.3 Keski-Lapin Fe-oksidi Cu-Au mallinnus...34 4.3.4 Mittakaavan vaikutus mallinnukseen...36 4.3.5 Maksulliset hankkeet...37 4.3.6 Julkaisut ja esitelmät...37 5. Yhteenveto...38 6. Kirjallisuus...40 3

Malminetsinnän GIS -analyysimenetelmät 2104016) 1. Johdanto Vuosien 2002-2004 aikana toteutettu 'Malminetsinnän GIS analyysimenetelmät' hanke oli luonteeltaan tutkimus- ja kehityshanke, jonka aikana perehdyttiin spatiaalianalyysin menetelmien käyttöön erityisesti malminetsinnän työkaluina. Tähän tarkoitukseen löydettiin heti hankkeen alussa sopivat työkalut ja menettelytavat saatiin valittua toimiviksi. GTK:n tutkijoita koulutettiin työkalujen käyttöön ja aiheesta pidettiin useita esitelmiä. Hankkeen aikana verkostoiduttiin kansainvälisesti toimimalla kiinteässä yhteistyössä U.S. Geological Surveyn USGS) kanssa. Lisäksi yhteistyökumppaneina olivat Geologcal Survey of Canada GSC) ja York University, Toronto, Kanada. Muita sidosryhmiä olivat kaivosyhtiöt. Tarve GIS työkalujen käyttöön tulee alati kasvavasta paikkatietoaineiston määrästä. Jotta valtavaa digitaalista aineistoa voidaan tehokkaasti hyödyntää on pystyttävä integroimaan erilaisia aineistoja ja kvantifioimaan kohteiden ja näiden aineistojen väliset spatiaaliset assosiaatiot. Paikkatietojärjestelmät ja spatiaalisen analyysin menetelmät yhdessä muodostavat kokonaisuuden, jonka avulla voidaan käsitellä huomattavan isoja ja monimutkaisia kokonaisuuksia tehokkaasti. Empiiriset tieto-ohjatut) mallinnusmenetelmät mahdollistavat tarvittaessa myös subjektiivisen näkemyksen vaikutuksen vähentämisen. 2. Hankkeen tavoitteet Hankkeen päätavoitteena oli kehittää ja ottaa käyttöön menetelmiä paikkatietoaineistojen integroimiseen ja analysoimiseen malminetsinnän tarkoituksia ajatellen. Samoista menetelmistä voidaan johtaa työkaluja mm. myös kallioperäkartoituksen tarpeisiin. Hankkeen tarkoituksena oli soveltaa rasterianalyysimenetelmiä sekä useita erilaisia uusia kehittyneitä GIS -analyysimenetelmiä, kuten painoarvomenetelmä, sumea logiikka, hermoverkot jne. Valitut analyysimenetelmät on integroitu kiinteästi GTK:ssa käytettävissä oleviin paikkatietoohjelmistoihin, joita ovat ArcView GIS 3.2 ja ArcGIS 8. Yleisenä tavoitteena oli GIS -analyysimenetelmien vakiinnuttaminen malminetsinnässä. Hankkeella helpotetaan malmiesiintymien paikantamista ja kallioperäkartoitusta vakiinnuttamalla GIS analyysimenetelmien käyttö malminetsinnässä ja kallioperäkartoituksessa. Hankkeen päämääränä oli se, että GIS analyysimenetelmät olisivat hankkeen päätyttyä malminetsijöiden työkaluina. 4

Malminetsinnän GIS -analyysimenetelmät 2104016) 3. Hankkeen organisaatio Johtoryhmä: Erkki Vanhanen, Hannu Kairakari, Heikki Pankka, Nils Gustavsson, Vesa Nykänen sihteeri) Hankeryhmä: Nimi: vastuualue: Vesa Nykänen hankepäällikkö, geologiset aineistot, GIS -analyysi Heikki Salmirinne geofysiikan aineistot, GIS -analyysi Eija Hyvönen geofysiikan aineistot, kuvankäsittely Pertti Turunen geofysiikan aineistot Matti Kontio geokemian aineistot Helena Hulkki Au -malmigeologia Markku Iljina kerrosintruusiot Heikki Pankka Au -tutkimukset Asiantuntijat: Markku Pänttäjä tilastolliset menetelmät, GIS -analyysi Nils Gustavsson tilastolliset menetelmät Eero Lampio geokemian sovellukset Juhani Ojala temaattiset geologiset aineistot 4. Hankkeen toiminta ja keskeiset tulokset 4.1. Paikkatietoanalyysimenetelmät Hankkeen ensimmäisenä tehtävänä oli suorittaa katsaus käytettävissä oleviin paikkatietoanalyysin menetelmiin pääasiassa kirjallisuuteen perustuen. Hankkeen alussa osallistuttiin kahteen kongressiin Pohjoismaiset geologiset talvipäivät Reykjavikissa ja Global Exploration Denverissä), joista viimeksi mainitussa oli aiheeseen liittyvä Workshop GIS Insight through Integration). Erityisesti Denverin workshopilla oli tärkeä merkitys hankkeen onnistumiseen. Workshopissa paitsi päästiin perehtymään ja oppimaan menetelmien käyttöä, myös tutustuttiin alan asiantuntijoihin ja päästiin näin verkostoitumaan. Paikkatietoanalyysimenetelmät spatial analysis) voidaan jakaa karkeasti kahteen pääryhmään: 1) empiiriset eli tieto-ohjatut menetelmät; 2) Käsitteelliset eli taito-ohjatut menetelmät. GIS ohjelmistoihin on yleensä integroitu yksinkertaisia loogisia aineistojen integrointimenetelmiä. Pidemmälle viedyt mallinnussovellukset sen sijaan vaativat joko käyttäjän ohjelmointia tai valmiiksi räätälöityjä sovelluksia. Jo hankkeen alkuvaiheessa valittiin analyysityökaluiksi GTK:ssa käytössä oleva ArcView GIS 3.2:n laajennus nimeltä Spatial Analyst sekä ArcView:n laajennukseksi US. Geological Surveyn USGS) ja Geological Survey of Canadan GSC) tekemä ArcSDM Kemp et a., 2001). Lisäksi 5

Malminetsinnän GIS -analyysimenetelmät 2104016) geostatistiseksi työkaluksi valittiin ArcGIS 8 ympäristöön tehty Geostatistical Analyst. ArcSDM sovelluksella voidaan suorittaa useita erilaisia hyvin pitkälle kehitettyjä spatiaalisia analyysejä, joissa hyödynnetään erilaisia menetelmiä weights of evidence, fuzzy logic, neural networks). USGS ja GSC aloittivat hankkeen toimiaikana ArcSDM sovelluksen muuntamisen ArcGIS ympäristöön. GTK osallistui myös hankkeen rahoitukseen yhdessä useiden kaivosyhtiöiden BHP-Billiton, WMC, Placer Dome, Inco, Brazilian consortium ADIMB incl Petrobras Onildo Marini)) ja Uuden Seelannin Geologisen tutkimuslaitoksen kanssa. Konsortioon osallistuvat osapuolet saivat ohjelman käyttöönsä vuoden 2003 aikana. Aivan hankkeen loppuvaiheessa tutustuttiin uuteen työkaluun nimeltä GeoDAS, joka on York Universityn kehittämä geokemiallisen aineiston analysointiin tarkoitettu multifraktaalimallinnusohjelma. GeoDAS ohjelmasta saatiin hankkeen käyttöön USGS yhteistyöhön liittyen yksi lisenssi. Taulukko 1. Empiiriset ja käsitteelliset spatiaalisen analyysin menetelmät Bonham-Carter 1994, Harris et al. 2001). Type Method Model parameters Criteria from combining input data Empirical data driven) Weights of Evidence Calculated from training data i.e. existing mineral deposits) Spatial relationship between the known occurrences and input data use of Bayesian probabilities) Logistic Regression Neural Networks Calculated from training data i.e. existing mineral deposits) Use of training areas around each deposit to gather statistics from each of the input layers; Used to predict the presence or absence of a mineral deposit Conceptual knowledge driven) Boolean logic Estimated by an expert Summing of binary maps Index overlay Estimated by an expert Summing of weighted binary maps Fuzzy logic Estimated by an expert Each input predictor map assigned a fuzzy weight ranging from 0 to 1; all predictor maps then combined using fuzzy operator and, or, product, sum, gamma) 6

Malminetsinnän GIS -analyysimenetelmät 2104016) 4.1.1. Empiiriset menetelmät Empiirisissä menetelmissä käytetään hyväksi tunnettuja malmiesiintymiä tai -viitteitä ns. opetuspisteinä, joiden avulla lasketaan tilastollisesti käytettyjen aineistojen eri luokille painoarvot tutkimalla esiintymien ja aineistojen välisiä spatiaalisia riippuvuussuhteita. Tunnistetut riippuvuudet aineistojen ja esiintymien välillä integroidaan tuloskartaksi, joka voi esittää esim. malminetsinnällisesti otollisia alueita. Empiirisiä menetelmiä ovat mm: hermoverkot neural networks) painoarvomenetelmä weights of evidence) logistinen regressio logistic regression) Hankkeen alkuvaiheessa testattiin erityisesti weights of evidence menetelmää, jonka käyttöön saatiin koulutusta workshopissa Denverissä. Logistic regression menetelmä on hyvin pitkälle samanlainen menetelmä ja sitä voikin käyttää weights of evidence menetelmän rinnalla tai sijasta. Hermoverkkoja hyödyntäviin menetelmiin ei hankkeessa ennätetty perehtymään, mutta niitä voi suorittaa myöskin käytössä olevalla ArcSDM sovelluksella. Tässä raportissa kuvataan pääpiirteissään painoarvomenetelmän käyttö paikkatietoanalyysissä. Painoarvomenetelmä Bayesian menetelmien, joihin myös painoarvomenetelmä kuuluu, ydinajatuksena on tuottaa matemaattinen sääntö siitä miten uusi data selittää ja lisää olemassa olevaa tietämystä. Toisin sanoen menetelmissä yhdistetään uusi data olemassa olevaan tietoon ja asiantuntemukseen. Painoarvomenetelmässä tämä suhde esitetään ns. priori- ja posteriori- todennäköisyyksien avulla, jotka määritetään laskemalla tunnettujen opetuspisteiden ja käytettyjen aineistokarttojen väliset spatiaaliset riippuvuussuhteet. Painoarvomenetelmä on lähtöisin lääketieteestä, missä sitä on käytetty sairauksien diagnosointimenetelmänä. Menetelmää on sovellettu geologisten ongelmien ja erityisesti malminetsinnän tarkoituksiin jo 1980 luvulta lähtien. Menetelmässä tutkimusalue T koostuu soluista rastereista). Kun solujen lukumäärä tutkimusalueella merkitään N{T} ja tunnettujen malmiesiintymien lukumäärä N{D}, voidaan priori todennäköisyys P{D} esittää yhtälöllä P { D} = N{ D} N{ T} 7

Malminetsinnän GIS -analyysimenetelmät 2104016) T a) B D b) T B D B D B D B D B D Kuva 1. a) Painoarvomenetelmässä käytetyt merkinnät; T = tutkimusalue, B = todistusaineistona käytetyn karttatason luokka ja D = opetuspisteenä käytetty malmiesiiintymä; b) Painoarvomenetelmän laskennassa käytetyt merkinnät; T = tutkimusalue; B = positiivinen todistusaineisto; B = negatiivinen todistusainesto; D = malmiesiintymä läsnä; D = malmiesiintymä ei läsnä. 8

Malminetsinnän GIS -analyysimenetelmät 2104016) Jos suurin osa tunnetuista malmiesiintymistä sijoittuu alueelle jossa todistusaineisto on positiivinen on myös todennäköisyys sille että esiintymät sijaitsevat ko. luokan alueella suurempi kuin priori todennäköisyys. Vastaavasti malmiesiintymien todennäköisyys on luokan ulkopuolella pienempi kuin priori todennököisyys. Käyttämällä positiivista todistusaineistoa voidaan posteriori todennäköisyys P{D B} laskea kertomalla priori todennäköisyys P{D} malmiesiintymien esiintymistiheydellä P{B D}/P{B}tutkimusalueella P{ B D} P { D B} = P{ D} P{ B} Vastaavasti todennäköisyys löytää malmiesiintymä negatiivisen todistusaineston avulla voidaan esittää kaavalla P{ B D} P { D B} = P{ D} P{ B} Bonham-Carter 1994), Raines 1999), Singer ja Kouda 1999), Carranza ja Hale 2000) ovat kuvanneet painoarvomenetelmän yksityiskohtaisemmasti. Taulukko 2. Painoarvomenetelmässä käytettyä englanninkielistä terminologiaa. Term Training site or point Study area/ analysis extend Evidential theme Unit cell area/ response theme Pattern Weight Contrast Normalized contrast Prior probability Posterior probability Description The known locations of which is being predicted. In this study the training sites are known Au deposits and occurrences within the study area The area to be studied and used as the analysis mask. Maps used for prediction of point objects mineral occurrences). These can be either in vector or raster format and either binary or multi-class. The area, which the training sites are assumed to occupy. This is used in order to calculate the probability of the point occurrences. The output of the modelling is a map response theme) showing the probability that a unit area contains a point i.e. an Au deposit in this study. A map having consistent, recognizable characteristics. The value assigned to a pattern as a predictor of the training sites. The weight for inside pattern is denoted as W+ and outside pattern is W-. Difference between W+ and W- indicating how well a pattern predicts the training sites. A positive contrast that is significant based on its normalized contrast suggests that a pattern is a useful predictor. The relative values of contrast of the various patterns used in a model indicate the relative degree of importance of each patterns as a predictor. The ratio of the contrast and the standard deviation of the contrast. This is used in similar manner to a Student t-test of significance of the contrast. A useful measure of significance of the contrast due to the uncertainties of the weights and missing data. The probability of a training site occurring per study area the density of training sites in the study area) before consideration of the evidence. The prior probability modified by consideration of the evidence from one or more patterns. The posterior probability is calculated by adding a weight for each pattern to the logit of the prior probability and converting the sums from logits to probability. These calculations assume that the patterns added are conditionally independent. 9

Malminetsinnän GIS -analyysimenetelmät 2104016) Mallinnuksessa käytetyt termit on selitetty taulukossa 2 Bonham-Carter, 1994; Raines, 1999). Luokittelemalla tunnettujen esiintymien ja todistusaineistojen eri luokkien väliset spatiaaliset relaatiot voidaan kaikille luokille laskea painoarvot W+ ja W-. Jos todistusaineiston luokka on positiivinen myös W+ on positiivinen ja W- negatiivinen. Toisaalta jos W+ on negatiivinen ja W- positiivinen tunnettuja esiintymiä on todistusaineiston ko. luokassa vähemmän kuin niitä sattumalta olisi. Positiivinen W+ arvo kertoo siten opetuspisteiden ja todistusaineiston välisestä positiivisesta assosiaatiosta ja W- vastaavasti negatiivisesta assosiaatiosta. Painoarvojen erotusta, kontrastia C = W+ - W-), voidaan käyttää arvioidessa kunkin aineiston ja opetuspisteiden välisen riippuvuuden merkittävyyttä. Suuret kontrastin arvot osoittavat voimakasta assosiaatiota ja päinvastoin. Kontrastin arvoja voidaan siten käyttää yleistettäessä moniluokkaisia todistusaineistoja opetuspisteisiin nähden positiivisiin ja negatiivisiin luokkiin esim. anomaalisiin ja ei-anomaalisiin). Kontrastissa näkyvää äkillistä muutosta voidaan käyttää anomalian kynnysrajan määrittämiseen aineistosta. Weights of evidence menetelmä osoittautui sopivaksi mallinnustyökaluksi silloin kun kyseiseen aiheeseen liittyviä opetuspisteitä on riittävästi olemassa ja/tai jos ei ole riittävän luotettavaa tietoa todistusaineistojen merkittävyydestä. Menetelmän avulla on suhteellisen helppo selvittää tutkimusaineiston spatiaalisia riippuvuussuhteita, mikä jo sinällään on arvokasta tietoa. Menetelmää käytettiin Au esiintymien mallintamiseen Keski-Lapissa. Opetuspisteinä käytettiin FinGold tietokannan Eilu, 1999) esiintymiä hieman modifioituna. Muutamien esiintymien kohdalla tarkennettiin sijaintia tai lisättiin useita pisteitä edustamaan ko. esiintymää, kuten esim. Suurikuusikon tapauksessa tehtiin. Valitsemalla opetuspisteiksi vain tietyn tyyppisiä esiintymiä edustavia pisteitä saatiin hyvinkin erilaisia lopputuloksia. Tilastollinen luotettavuus riippuu kuitenkin ratkaisevasti opetuspisteiden lukumäärästä, mikä on otettava huomioon tarkasteltaessa ja arvioitaessa mallinnuksen luotettavuutta. 4.1.2. Käsitteelliset menetelmät Käsiteellisissä menetelmissä asiantuntija määrittää todistusaineiston luokkien merkittävyyden tai anomaliarajat. Boolean logiikka Boolean logic) Indeksoitu yhdistäminen Index overlay, binary or multi-class maps) Sumea logiikka Fuzzy logic) Käsitteellisistä menetelmistä Boolean logic voidaan suorittaa ArcView:n Spatial Analyst laajennuksella. Sumean logiikan vastaava menetelmä on puolestaan toteutettu ArcSDM sovelluksessa. Näitä molempia menetelmiä voidaan käyttää tilanteissa, joissa ei ole opetuspisteitä tai muuten halutaan korostaa asiantuntijan laatiman malminetsintämallin osuutta. Käsitteellinen sumeaa logiikkaa käyttävä aineistojen integrointi tapahtuu asiantuntijan antamin parametrein ja vaatii runsaasti käytettävään tutkimusaineistoon perehtymistä. Koska aineistoja on monenlaisia on tiimityöskentely oleellisessa asemassa. Hankkeen toimintatavaksi muodostui käytäntö, jossa geokemian ja geofysiikan aineistoja tutkittiin aluksi 10

Malminetsinnän GIS -analyysimenetelmät 2104016) jollakin tilastollisella työkalulla ArcView tai Geostatistical Analyst), jotta voitiin mahdollisesti määrittää cut off rajoja tai poistaa ns. jakaumasta selkeästi poikkeavia näytteitä. Tähän datan prosessointi- ja muokkausvaiheeseen on syytä varata riittävästi aikaa. Klassisessa joukko-opissa jäsenyys kuvataan joko arvoilla tosi tai epätosi 1 tai 0; kyllä tai ei ). Sumean joukon jäsenyys ilmaistaan sen sijaan jatkuvalla skaalalla ykkösestä nollaan esim. välillä anomalinen vs. ei anomalinen ). Sumean jäsenyyden arvot voidaan valita asiantuntijan subjektiivisen näkemyksen perusteella tai apuna voidaan käyttää tilastollisia menetelmiä. Useimmiten kyseessä on näiden yhdistelmä, jolloin alkuvaiheessa käytetään jotain tilastollista menetelmää aineiston tutkimiseen ja jonka jälkeen sitten asiantuntija tekee omat johtopäätöksensä. Oleellista on, että kyseessä on ns. taito-ohjattu knowledge driven ) menetelmä, joka vaatii käytettävän aineiston ja ongelman esim. malminetsintä) syvällistä tuntemusta. Hankkeen tekemissä analyyseissä todistusaineistoille määritettiin tilastollista tarkastelua ja asiantuntijoiden geologista tietämystä apuna käyttäen kyseisellä tutkimusalueella anomaliarajat, joiden avulla sumeat jäsenyysfunktiot eli anomalinen vs. ei anomalinen ) määritettiin. Oleellista on kiinnittää huomiota siihen, että anomaliarajat riippuvat siitä, millaisessa geologisessa ympäristössä työskennellään. Tämän vuoksi anomaliarajat ja jäsenyysfunktiot on aina määriteltävä kullekin alueelle erikseen. Jäsenyys heijastelee käytettävän hypoteesin malminetsintä mallin) toteutumisen astetta, mikä usein kuvataan kielellisessä ilmaisulla ehkä tai mahdollisesti edellä määritettyjen anomaliarajojen anomalinen ja ei anomalinen ) välillä. Anomaliarajojen välillä oleville luokille lasketaan sumeat jäsenyysarvot erilaisia funktioita käyttäen. ArcSDM2 ohjelmassa näitä ovat esim. 'large', 'small', 'MS large', 'MS small', 'near' ja 'gaussian'. Funktio voi olla myös lineaarinen. Näin määritetyt sumean jäsenyyden arvot heijastavat kunkin käytettävissä olevan kartan esim. geokemia tai geofysiikka) suhteellista tärkeysastetta kyseisen malminetsintämallin kannalta. Useimmiten mallinnuksen tulokset esitetään kartalla, jossa merkittävimmät anomaliat on kuvattu tummemmalla värillä. Mitä lähemmäksi sumea jäsenyys arvo on 1:tä sitä merkittävämpi on kyseinen anomalia. 'Large' funktio lasketaan seuraavasti 1 µ x) = x 1 + f 2 f 1 Missä f 1 määrittää 1 ja 0 arvojen välisen hajonnan ja f 2 on keskipiste, missä sumea jäsenyysarvo on 0.5 Tsoukalas and Uhrig, 1997). Vastaavasti 'Small' funktio lasketaan seuraavasti 1 µ x) = x 1 + f 2 f 1 Nämä fuktiot toimivat oikein vain positiivisille arvoille, joten jos aineistossa on negatiivisia arvoja ne pitää uudelleen skaalata positiiviseksi ennen sumeiden jäsenyysarvojen laskemista. 11

Malminetsinnän GIS -analyysimenetelmät 2104016) Mean-Standard-Deviation Small MS Small) ja Mean-Standard-Deviation Large MS Large) Lou ja Dimitrakopoulos, 2003) muistuttavat 'small' ja 'large' funktioita. Keskipistettä ja hajontaa kontrolloi näissä aineiston keskiarvo ja keskihajonta. Aineisto voidaan normalisoida tekemällä sille logaritmimuunnos, jos jakauma on vino. 'MS small' funktio on µ x) = bs, x > am x am + bs µ x) = 0, muutoin missä m=keskiarvo, s=keskihajonta, a=keskiarvon kerroin ja b=keskihajonnan kerroin. Sumeiden jäsenyysarvojen määrityksen jälkeen voidaan käyttää useita erilaisia sumeita loogisia operaattoreita eri karttojen integroimiseen. Tässä projektissa on käytetty seuraavia operaattoreita, jotka ovat käytettävissä ArcSDM sovelluksessa: Fuzzy AND: Tämä vastaa Boolean AND operaattoria looginen leikkaus eli intersektio) ja sitä voidaan kutsua myös minimi-operaattoriksi. Se tuottaa varovaisen arvion joukon jäsenyydestä ja taipumuksena on tuottaa hyvin pieniä arvoja ja minimi alueita. Tämä operaattori on hyödyllinen haettaessa alueita, joissa kaikkien käytettyjen todistusaineistojen on oltava anomaalisia osoittaakseen hypoteesin todeksi. Fuzzy OR: Tämä vastaa Boolean OR operaattoria looginen yhdistäminen eli unioni) ja sitä voidaan kutsua myös maksimi-operattoriksi. Vasteen jäsenyysarvoja kontrolloi minkä tahansa lähtöaineiston kartan maksimiarvo. Tätä operaattoria käyttämällä mikä tahansa positiivinen todiste voi olla riittävä osoittamaan suotuisuutta. Käyttämällä Fuzzy AND tai Fuzzy OR operaattoria kunkin yksittäisen todistusaineiston sumealla jäsenyydellä on vaikutus lopputulokseen. Fuzzy Algebraic Product tulo): Tuloa käytettäessä yhdistetyistä sumeista jäsenyysarvoista on taipumus tulla hyvin pieniä lukuja, koska tässä tapauksessa kerrotaan keskenään useita alle 1 olevia lukuja. Tulos on aina pienempi tai yhtä suuri kuin pienin käytetty jäsenyysarvo. Kaikilla käytettävillä arvoilla on jokin vaikutus lopputulokseen. Fuzzy Algebraic Sum summa): Summaa käytettäessä lopputulos on aina suurempi tai yhtä suuri kuin suurin käytetty jäsenyysarvo todistusaineistossa. Fuzzy Gamma Operation: Gamma operaattori on tulon ja summan yhdistelmä. Gamma parametri määrittää missä suhteessa näitä kahta operaattoria käytetään. Hankeen aikana tehdyssä sumean logiikan mallinnuksessa käytettiin Fuzzy AND operaattoria, jotta löydettäisiin tiettyjä spesifisiä anomaalisia minimialueita esim. johtavia ja säteileviä magneettisia anomalioita). Fuzzy Or operaattoria käytettiin mm. osoittamaan alueet, missä mikä tahansa kulloinkin valittu alkuaine oli anomaalinen. Geofysiikan ja geokemian yhdistämiseen lopulliseksi vastekartaksi käytettiin useinnmiten Fuzzy Gamma operaattoria. 12

Malminetsinnän GIS -analyysimenetelmät 2104016) Sumean logiikan käyttö osoittautui erittäin hyvin toimivaksi integrointimenetelmäksi. Hyvänä puolena on asiantuntijan panoksen näkyminen lopputuloksessa. Menetelmä on hyvin joustava ja myös suhteellisen nopea toteuttaa. Ongelmana on puuttuvan datan käsittely. Jos tutkimusalueella on osia, joista ei ole dataa, lasketaan näille alueille todistusaineiston jäsenyysarvoille alueellinen keskiarvo. Joissain tapauksissa on syytä jättää tällainen aineisto kokonaan pois. 4.2. Aineistot Aineistojen integrointi spatiaalisen analyysin menetelmillä suoritetaan yleensä rasteriaineistoille. Niinpä yksi merkittävä työvaihe onkin vektoriaineiston rasterointi ja uudelleen luokittelu. ArcSDM vaatii lisäksi, että rasteriaineistot muutetaan liukulukurastereista kokonaislukurastereiksi. Vektoriaineistoille, kuten esim. siirrokset tai kartoitushavainnot tms., voidaan laskea puskurivyöhykkeitä tai etäisyyksiä. Käytettävien aineistojen mittakaava voi olla eri, mutta olisi suotavaa että ne edustaisivat spatiaaliselta resoluutioltaan suurin piirtein samaa suuruusluokkaa. Tarkemmat aineistot voidaan aina yleistää vastaamaan epätarkempia aineistoja. Yhteistyössä USGS:n kanssa toteutettiin tutkimusprojekti, jonka tavoitteena oli selvittää mittakaavan vaikutusta painoarvojen laskemiseen Weights-of-Evidence menetelmässä. Tämä on merkittävä teoreettinen kysymys, johon toivottiin saatavan selvyyttä yleistämällä matalalentogeofysiikkaa eri mittakaavoihin ja suorittamalla sama mallinnus kussakin mittakaavassa. 4.2.1. Geologiset kartat Keski-Lapin tutkimusalueelta oli käytettävissä 1:200 000 mittakaavainen numeerinen kallioperäkartta Lehtonen et al. 1998), joka on osittain yleistetty 1:100 000 mittakaavaisista kartoista. Kartan digitointimittakaava vaihtelee alueella huomattavasti. Alkuperäiset 1:100 000 mittakaavaiset kartat olisivat tarkempia ja soveltuisivat todennäköisesti paremmin mallinnukseen, mutta ko. karttaa voidaan hyvin käyttää alueellisten analyysien aineistona. Koska geologinen kartta on hyvin pitkälle geofysikaalisten karttojen tulkintaa, ei sen käyttö ole suotavaa weights of evidence menetelmän yhteydessä, koska siinä ei sallita toisistaan riippuvia todistusaineistoja. Muissa menetelmissä tätä oletusta puolestaan ei ole ja esimerkiksi sumean logiikan menetelmää varten Pohjois-Suomen numeerisen kallioperäkartan muodostumille määritettiin sumeat jäsenyysarvot käyttäen apuna kultaesiintymien avulla laskettuja painoarvoja. Näin saatiin luokiteltua muodostumat tärkeysjärjestykseen tunnettujen esiintymien perusteella. Kriteerinä voisi olla myös nykyinen malminetsinnän kohdentuminen, mikä saataisiin selville esim. valtausten perusteella kaivosrekisteristä 4.2.2. Geofysikaaliset aineistot Ylivoimaisesti tarkin koko maan kattava aineisto on matalalentogeofysiikka. Se tarjoaa erinomaisen lähtökohdan spatiaaliselle analyysille. Osittain aineistoissa on tosin laatuvaihtelua ja tasoeroja, jotka voivat aiheuttaa ongelmia analyysissä. Lisäksi ns. kulttuurianomaliat on osattava karsia pois. 13

Malminetsinnän GIS -analyysimenetelmät 2104016) Maanpintamittauksia voidaan käyttää spatiaalisen analyysin aineistona kohteellisissa tutkimuksissa. Vuoden 2004 aikana tehtiin maastogeofysiikan ja kohdentavan geokemian aineiston integrointi Kittilässä Petäjäselän alueella kultahankkeen kanssa yhteistyössä). Alueella mitattiin myös ns. tihennettyä matalalentomittausta, joka osittain korvaa maanpintageofysiikan mittaukset ja parantaa aikaisemman lentoaineiston spatiaalista resoluutiota. 4.2.3. Geokemialliset aineistot Pääasiallisena geokemiallisena aineistona käytettiin ns. moreenin harvapistegeokemiaa. Petäjäselän kohteelliselle tutkimusalueelle tehtiin myös detaljinen moreeni- ja rapakalliogeokemian näytteenotto Rovaniemien yksikön Au hankkeen toimesta 250 m:n pisteväliä käyttäen. Tätä aineistoa hyödynnettiin Kittilän Petäjäselän kohteellisessa Auprospektiivisuus analyysissä. Lisäksi testattiin vielä julkaisematonta litogeokemiaa, joka on kuitenkin niin harvaa aineistoa, että sitä ei voida käyttää samassa mittakaavassa kuin esim. harvapistemoreenigeokemiaa. Lisäksi kallioperäkartoituksen näytteiden analyysejä voidaan käyttää, huomioimalla kuitenkin aina mittakaava ja aineiston epätasainen maantieteellinen jakautuminen. Sen sijaan että näistä erittäin pienimittakaavaisista aineistoista interpoloitaisiin yhtenäinen rasteri tutkimusalueelle, niitä voitaisiin käyttää yksittäisinä pisteinä, joiden ympärille lasketaan ns. puskurivyöhykkeitä. 14

Malminetsinnän GIS -analyysimenetelmät 2104016) 4.3 Tulokset Hankkeen aikana tehtiin mallinnusta useilla eri alueilla Pohjois-Suomessa. Suurin paino oli Au hankkeen kanssa tehtävässä yhteistyössä Keski-Lapin alueella. Lisäksi mallinnusta oli suunniteltu tehtäväksi Itä-Lapin alueella kerrosintruusioiden ja niihin liittyvien malmien paikantamiseksi. Itä-Lapin alueen alueelliset aineistot muokattiin mallinnusta varten, mutta itse mallinnusta ei tehty. Keski-Lapin alueella tehtiin myös detaljimallinnusta alueellisen mallinnuksen perusteella valitulta Kittilän Petäjäselän alueelta. Alueellisessa mallinnuksessa Petäjäselän ympäristö tulee voimakkaana anomalisena alueena esille, mutta yhtä selkeää kohdetta oli vaikea paikantaa. Alueella tehtiin detaljimatalalento, alueellinen painovoimamittaus sekä moreeni- ja rapakalliogeokemian näytteenotto, joiden perusteella mallinnusta voitiin kohdentaa huomattavasti. Tässä raportissa esitetään hyvin lyhyesti keskeiset mallinnustulokset. Merkittävimmät tutkimustulokset on julkaistu tai tullaan julkaisemaan GTK:n julkaisusarjoissa, kansainvälisissä julkaisusarjoissa sekä esitelminä. 4.3.1 Keski-Lapin orogeeniset Au malmit Tutkimuksessa ennustettiin paikkatietopohjaisten mallinnusmenetelmien avulla mesotermisen orogeenisen kullan esiintymisen kannalta lupaavia alueita Keski-Lapin vihreäkivivyöhykkeessä noin 20 000 km 2 tutkimusalueella. Mallinnusmenetelminä käytettiin tieto-ohjattua empiiristä Weights of Evidence WofE) menetelmää sekä taito-ohjattua sumean logiikan Fuzzy Logic) menetelmää. Mallinnuksessa käytettyjen aineistojen kuvaus, prosessointi, mallinnus ja oikeellisuuden arviointi julkaistaan kokonaisuudessaan GTK:n Special Paper sarjassa Nykänen V. and Salmirinne H., 200X). Tässä raportissa mallinnuksesta on esitetty lyhyt kuvaus ja lopputulokset. Mallinnuksessa käytettiin GTK:n aeromagneettista ja -sähkömagneettista aineistoa sekä alueellisia painovoima- ja moreenigeokemian aineistoja. Empiirinen WofE -menetelmä vaatii näiden lisäksi opetuspisteitä, joina on käytetty tutkimusalueelta tunnettuja mesotermisiä orogeenisia kultaesiintymiä Eilu, 1999). Rakennetun malmimallin mukaisesti aeromagneettisen ja alueellisen painovoima aineiston avulla pyrittiin kuvaamaan kultaesiintymiin liittyviä litologisia ja rakenteellisia piirteitä sekä mahdollisesta kivien muuttumisesta aiheutuvia havaittavia anomalioita. Aerosähkömagneettista aineistoa luokiteltiin kuvaamaan useimpiin kultaesiintymiin liittyviä sulfidisia johteita. Moreenigeokemian aineistosta mallinnukseen otettin mukaan alueen sulfidilähteitä indikoivia alkuaineita Cu, Fe, As, Te, Ni) sekä kulta Au). WofE mallinnuksessa määritettiin tunnettujen esiintymien ja kunkin aineiston välinen spatiaalinen riippuvuus, jonka avulla aineistot yleistettiin binäärikartoiksi ennen lopullisen mallin laskentaa. Kuvassa 2 on esitetty WofE menetelmällä saatu Au-prospektiivisuus. 15

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 2. WofE Au-prospektiivisuus. Aineistoina käytetty aerogeofysiikkaa, alueellista painovoima- sekä moreenigeokemian aineistoa. Sumean logiikan menetelmässä kunkin aineiston anomalioiden merkittävyys luokiteltiin sumean logiikan jäsenyysfunktioksi käyttäen hyväksi asiantuntijoiden mielipiteitä. Kuvassa 3 on esitetty sumean logiikan menetelmän vuokaavio ja kuvassa 4 lopputuloksena saatu Auprospektiivisuus. Sekä WofE- että sumean logiikan menetelmä antavat geologisesti ymmärrettävän ja toisiinsa nähden hyvin vertailukelpoisen tuloksen Kuvat 2 ja 4). Käytetyt aineistot ja niiden avulla luodut mallit ennustavat hyvin jo tunnetut esiintymät sekä osoittavat Keski-Lapin vihreäkivivyöhykkeessä olevan alueita joilla uusien orogeenisten kultaesiintymien löytyminen on edelleen mahdollista. Molemmat käytetyt mallinnusmenetelmät osoittautuivat käyttökelpoisiksi aineistojen yhdistämisessä prospektiivisuus malleiksi. On huomattava että lähtöaineistoina käytettiin ainoastaan primäärisiä geofysiikan mittaustuloksia ja alueellisen moreenigeokemian analyysejä. Tulkinnalliset aineistot, kuten esim. geologiset kartat, erilaiset rakenneanalyysit ja paleojännitysanalyysi jätettiin analyysistä pois johtuen WofE menetelmän vaatimuksesta aineistojen toisistaan riippumattomuudesta conditional independence). Jatkossa analyysiin voidaan kuitenkin ottaa mukaan myös näitä aineistoja. Myös aineistojen esiprosessoinnilla on merkittävä vaikutus lopputulokseen ja uusia prosessointimenetelmiä voidaan kehittää ja ottaa käyttöön parantamaan aineistojen luokittelua. 16

Malminetsinnän GIS -analyysimenetelmät 2104016) Fuzzy membership Very low 0-0.2) Low 0.21-0.4) Moderate 0.41-0.6) High 0.61-0.8) Very high 0.81-1) Prospectivity map Fuzzy Gamma γ=0.90 Gravity Till Au Conductive alteration zo nes Sulphide sources Fuzzy And Fuzzy And AM EM Till Cu Fuzzy Or Till Fe Till As Till Te Till Ni Kuva 3. Keski-Lapin orogeenisten kultaesiintymien sumean logiikan mallintamisessa käytetty vuokaavio. Sumean logiikan operaattoreina käytettiin OR, AND ja GAMMA operaattoreita. 17

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 4. Sumean logiikan Au-prospektiivisuus. Aineistoina käytetty aerogeofysiikkaa, alueellista painovoima- sekä moreenigeokemian aineistoa. Mallinnuksen kenttäevaluointi suoritettiin ottamalla Kittilästä Rauhalan alueelta muutama paljastumanäyte. Alue saa analyysissä korkeita prospektiivisuusarvoja. Otetuissa näytteissä oli kaikissa kultaa yli 7 ppb max. 80 ppb) ja kuparia yli 0.07% max. 0.26%). Näytteenottoalueelta ei ole aiemmin ollut tiedossa Au havaintoja ja näytteenottopaikka sijoittuu molemmissa menetelmissä korkeimman todennäköisyyden luokkaan. Tämä osoittaa sen, että molemmilla menetelmillä on ainakin tässä yhdessä tapauksessa pystytty osoittamaan alue, jossa on kallioperässä anomalisia Au pitoisuuksia. Molemmat menetelmät ennustivat myös sellaisia kohteita, joita ei käytetty opetuspisteinä, mutta jotka ovat GTK:n aktiivisten Au -tutkimusten kohteina. Tällaisia kohteita ovat mm. Petäjäselkä, Sakiatieva ja Lohisarriot. Petäjäselän alueelle tulee molemmissa mallinnuksissa laaja anomalinen alue, minkä johdosta katsottiin tarpeelliseksi suorittaa tälle alueelle kohdentava suurimittakaavaisempi mallinnus. Tätä tarkoitusta varten tarvittiin tarkempaa aineistoa, mikä toteutettiin uudella 50 m:n linjavälin matalalennolla. Kappaleessa 4.3.2 käsitellään tämän detaljialueen mallinnusta. Uusien esiintymien löytyminen on mahdollista ja osa mallinnusten korkeimman todennäköisyyden alueista, oli hankkeen päättyessä kaivosrekisterin mukaan joko valtausten tai valtausvarausten piirissä. Haltijoina oli useita eri kaivosyhtiöitä. 18

Malminetsinnän GIS -analyysimenetelmät 2104016) 4.3.2 Petäjäselän kohteellinen Au mallinnus Kittilän Petäjäselän alueelle tehtiin kohteellista mallinnusta opetusaineistoksi sopivien malmiviitteiden/havaintojen puuttuessa sumean logiikan menetelmällä Fuzzy Logic). Aineistoina käytettiin alueella kesällä 2004 tehdyn aerogeofysikaalisen detaljilennon, alueellisten painovoimamittausten, maastogeofysiikan slingram mittauksen sekä geokemian moreeni- ja rapakallionäytteenoton tuloksia. Prospektiivisuusanalyysi tehtiin aerogeofysiikan detaljilennon rajaamalle noin 260 km 2 alueelle sekä erikseen myös pienemmälle geokemian näytteenoton rajaamalle noin 32 km 2 alueelle. Mallinnuksessa käytetyt aineistot ja niiden prosessointi Aerogeofysiikka: Kittilän Petäjäselän alueella lennettiin kesäkuussa 2004 aerogeofysiikan detaljilento, jossa mitattiin noin 260 km 2 suuruinen alue, noin 5000 lentolinjakilometriä 50 m linjavälillä. Aineisto osoittautui laadultaan erinomaiseksi. Magneettisesta, sähkömagneettisesta ja radiometrisesta aineistosta laadittiin perusrasterit 10x10 m resoluutiolla. Sumean logiikan mallinnusta varten aineistoa prosessoitiin edelleen seuraavasti. Magneettinen; Aineistosta laskettiin kallistuskulma derivaatta, TDR tilt derivative) lentokorkeudelle sekä 100 metriä ylöspäin jatketulle kentälle. TDR suodatuksella saadaan esille ja kuvattua rakenteita, jotka voivat kullan esiintymisen kannalta olla tärkeitä. Ylöspäin jatkaminen tasoittaa kenttää sekä parantaa datan signaali/kohina suhdetta. 100 metriä ylöspäin jatketulle kentälle laskettu TDR kuvaa selkeämmin alueen keskisuuret rakenteet kuin alkuperäiselle lentokorkeudelle laskettu. Mallinnusta varten pyrittiin TDR:n avulla erottamaan ympäristöön nähden negatiivisen suskeptiivisuuskontrastin omaavat alueet, jotka voivat kuvata kivien muuttumista. TDR on kuvattu julkaisuissa Miller ja Singh 1994) sekä Verduzco et al., 2004). 19

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 5. Kittilän Petäjäselkä. Magneettinen kallistuskulma TDR, Tilt Derivative) lentokorkeudelle laskettuna. 20

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 6. Kittilän Petäjäselkä. Magneettinen kallistuskulma TDR, Tilt Derivative) 100 metriä lentokorkeudesta ylöspäin jatketulle kentälle. 21

Malminetsinnän GIS -analyysimenetelmät 2104016) Sähkömagneettinen: Sähkömagneettisesta lentoaineistosta mallinnuksessa käytettiin taajuuden f = 3020 Hz reaalikomponenttia. Alueella on runsaasti hyviä johteita, mikä vaikeuttaa aineiston tulkintaa ja luokittelua. Mallinnuksessa kokeiltiin myös korkean taajuuden f = 14 368 Hz) näennäistä ominaisvastusta, koska alueella on suhteellisen ohuet maapeitteet ja koska korkean taajuuden tuloksilla on matalaan taajuuteen verrattuna periaatteessa parempi erotuskyky, mutta samalla kuitenkin huonompi syvyysulottuvuus. Mallinnuksessa päädyttiin käyttämään kuitenkin matalan taajuuden reaalikomponenttia kuvaamaan johteita sulfidit?). Kuva 7. Kittilän Petäjäselkä. Sähkömagneettinen lentomittaus, reaali f=3020 Hz). 22

Malminetsinnän GIS -analyysimenetelmät 2104016) Radiometrinen; Radiometrisesta aineistosta mallinnuksessa käytettiin K/Th ja U/Tho suhteita. Kohonnut kalium säteily suhteessa thoriumiin voi kuvata hierto- ja ruhjevyöhykkeisiin liittyvää mafisten kivien muuttumista biotisitoituminen, seritisaatio) ja alhainen thorium säteily suhteessa uraaniin metasedimentteihin liittyvää sulfidoitumista Airo, 2002). K [%], Th[ppm] ja U[ppm]-komponentit muunnettin aluksi UR yksiköiksi Unit of Radioelement) joista laskettiin ns. normeeratut komponentit, esim. K norm = K/K+Th+U) IAEA, 2003). Näistä normeeratuista komponenteista laskettiin mallinnuksessa käytetyt suhteet K/Th ja U/Th. Kalium säteilyn avulla luotiin vesistö- ja suoaluemaski K<0.4%), jota käytettiin suhteita laskettaessa. Kuva 8. Kittilän Petäjäselkä. Radiometrisesta aineistosta normeeratuille komponenteille laskettu K/Th suhde. Valkoisilla alueilla K < 0.4 %. 23

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 9. Kittilän Petäjäselkä. Radiometrisesta aineistosta normeeratuille komponenteille laskettu U/Th suhde. Valkoisilla alueilla K < 0.4 %. Maastogeofysiikka Alueellinen painovoima: Keväällä 2004 Petäjäselän alueella mitattiin alueellinen painovoimamittaus, joka kattoi noin 169 km 2 suuruisen alueen pistetiheydellä 6p./km 2, yhteensä 1009 pistettä. Tuloksiin yhdistettiin mittausalueen ympäriltä vanhoja mittaustuloksia 1p./km 2 ), jotta aineistolla saatiin katettua koko mallinnusalue =lentomittausalue). Bouguer anomalialle laskettiin maksimi horisontaaligradientti [mgal/km], jota käytettiin mallinnuksessa. Horisontaaligradientilla pyrittiin kuvaamaan painovoimatuloksissa heijastuvia kallioperän rakenteita, jotka mahdollisesti voisivat liittyä kullan esiintymiseen rakenteellinen kontrolli). 24

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 10. Kittilän Petäjäselkä. Alueellisista painovoima-aineistoista laskettu Bouguer anomalian horisontaaligradientti. Slingram HLEM): Petäjäselän alueella on mitattu maastossa noin 70 km 2 suuruinen alue Slingram MaxMin) menetelmällä vuosina 1993-94 kelavälillä 60 m ja kahdella taajuudella 3520 Hz ja 14080 Hz. Linjavälinä mittauksissa oli 100 m ja pistevälinä 20 m. Taajuudelle 3520 Hz laskettiin reaali/imaginaari suhde, jota käytettiin mallinnettaessa pienempää kohteellisen moreenikeokemian näytteenoton rajaamaa aluetta. Reaali/imaginaari suhde laskettiin alueille, joissa sekä reaali- että imaginaarikonponentti on pienempi kuin 1.5. Näin laskettua 25

Malminetsinnän GIS -analyysimenetelmät 2104016) suhdetta painotettiin anomalian suuruuden suhteen kertomalla se edelleen reaalikomponentilla. Kuva 11. Kittilän Petäjäselkä. Slingram mittauksen reaali/imaginaari suhde kerrottuna reaalilla mittaustaajuudelle f = 3520 Hz laskettuna. Valkoisilla alueilla reaali tai imaginaari suurempi kuin 1.5 %. 26

Malminetsinnän GIS -analyysimenetelmät 2104016) Alueellinen moreenigeokemia Ainoa Petäjäselän detaljilentoalueen kokonaan kattava geokemian aineisto on ns. harvapistemoreenigeokemian aineisto Salminen, 1995), joka sisältää lentoalueella 66 näytettä 1 näyte/4 km 2 ). Tästä aineistosta interpoloitiin IDW inverse distance weighting) menetelmällä gridit 50 m pikselikoossa valituille alkuaineille kuva 12). Kukin gridi luokiteltiin kvantiili menetelmällä 15 luokkaan, jotka puolestaan uudelleen skaalattiin arvojen 0 ja 1 välille 0 = ei -anomalinen ja 1 = anomalinen) ns. 'Large' fukntiota käyttäen ArcSDM2 ohjelman Fuzzy Logic modulilla. Näin luotiin ns. anomaliakartat, joita yhdisteltiin kuvan 12. vuokaavion mukaisesti eri sumeita operaattoreita käyttäen. Näin pienelle tutkimusalueelle tämä harvapisteaineisto on huomattavan epätarkka, mutta koska muuta ei ollut käytettävissä oli se ainoa vaihtoehto. Moreeni- ja rapakalliogeokemia Petäjäselän keskeiselle alueelle tehtiin detaljinen moreeni- ja rapakalliogeokemian näytteenotto Au hankkeen toimesta 250 m:n pisteväliä käyttäen. Näytteet otettiin siis sekä moreenista n. 2 m:n syvyydeltä, että rapakalliosta. Näytteistä analysoitiin kuningasvedellä tehdyn osittaisliotuksen jälkeen ICP:llä 31 alkuainetta sekä GFAAS:llä Bi, Sb, Te ja Au. Tulokset käsiteltiin siten, että aineistosta interpoloitiin Kriging menetelmällä gridit, jotka skaalattiin uudelleen 0 ja 1 välille siten, että 0 merkitsee ei-anomalista ja 1 anomalista arvoa. Näin saadut anomaliakartat yhdisteltiin eri sumeita operaattoreita käyttäen kuvan 14 vuokaavion mukaisesti. Sumean logiikan Fuzzy Logic) mallinnus Lentomittausalueelle 260 km 2 ) tehdyssä sumean logiikan mallinnuksessa käytettiin aineistoina 100 metriä ylöspäin jatketulle magneettikentälle laskettua kallistuskulma derivaattaa TDR100), sähkömagneettisen lentomittauksen reaalikomponenttia EM Real, f=3020 Hz), radiometrisista lentomittauksista laskettuja U/Th- ja K/Th suhteita, alueellisista painovoimamittauksista laskettua bouguer anomalian horisontaaligradienttia APV HG) sekä moreenigeokemian harvapisteaineistoa. Taulukossa 2 on esitetty geofysiikan aineistoille laaditut sumean jäsenyysfunktion arvot. Kuvassa 12 on esitetty mallinnuksen vuokaavio ja kuvassa 13 mallinnuksen tuloksena saatu prospektiivisuuskartta, johon on myös merkitty Au hankkeen kairaamat syväkairareijät. Geokemian moreeni- ja rapakallio näytteenoton rajaamalle alueelle n. 32km 2 ) tehdyssä prospektiivisuuanalyysissä käytettiin geofysiikan aineistoina lentokorkeudelle laskettua magneettikentän kallistukulma derivaattaa TDR), sähkömagneettisen slingram maastomittauksen tuloksista laskettua reaali/imaginaari)xreaali suuretta f=3520 Hz), radiometrisista lentomittauksista laskettuja U/Th- ja K/Th suhteita, alueellisista painovoimamittauksista laskettua bouguer anomalian horisontaaligradienttia APV HG) sekä rapakalliogeokemian kohteellista aineistoa. Taulukossa 3 on esitetty geofysiikan aineistoille laaditut sumean jäsenyysfunktion arvot. 27

Malminetsinnän GIS -analyysimenetelmät 2104016) Taulukko 2. Lentomittausalueen mallinnuksessa käytetyt geofysiikan aineistoille määritetyt sumean jäsenyysfunktion arvot. TDR100 Fuzzy EM Real [ppm] Fuzzy U / THO Fuzzy K / THO Fuzzy APV HG [mgal/km] Fuzzy -1,57 - -1,44 1,00-1610 - -1320 0,00 Missing data 0,06 Missing data 0,22 0,02-0,17 0,00-1,44 - -1,26 0,89-1320 - -1030 0,00 0-0,20 0,00 0,06-0,39 0,00 0,17-0,42 0,00-1,26 - -1,07 0,78-1030 - -750 0,00 0,20-0,50 0,00 0,39-0,72 0,00 0,42-0,66 0,00-1,07 - -0,88 0,67-750 - -460 0,00 0,50-0,81 0,00 0,72-1,05 0,00 0,66-0,90 0,00-0,88 - -0,69 0,56-460 - -170 0,00 0,81-1,12 0,00 1,05-1,38 0,00 0,90-1,15 0,00-0,69 - -0,5 0,44-170 - 110 0,00 1,12-1,42 0,14 1,38-1,70 0,11 1,15-1,39 0,00-0,5 - -0,31 0,33 120-400 0,07 1,42-1,73 0,29 1,70-2,03 0,33 1,39-1,64 0,00-0,31 - -0,12 0,11 400-690 0,14 1,73-2,04 0,43 2,03-2,36 0,44 1,64-1,88 0,00-0,12-0,07 0,00 690-970 0,21 2,04-2,34 0,57 2,36-2,69 0,56 1,88-2,12 0,00 0,07-0,26 0,00 970-1260 0,36 2,34-2,65 0,71 2,69-3,02 0,67 2,12-2,37 0,00 0,26-0,45 0,00 1260-1550 0,43 2,65-2,96 0,86 3,02-3,35 0,78 2,37-2,61 0,14 0,45-0,64 0,00 1550-1830 0,50 2,96-3,26 1,00 3,35-3,68 0,89 2,61-2,85 0,21 0,64-0,83 0,00 1830-2120 0,57 3,26-3,57 1,00 3,68-4,01 1,00 2,85-3,10 0,29 0,83-1,02 0,00 2120-2410 0,64 3,57-3,88 1,00 4,01-4,34 1,00 3,10-3,34 0,36 1,02-1,21 0,00 2410-2690 0,71 3,88-4,19 1,00 4,34-4,67 1,00 3,34-3,59 0,43 1,21-1,4 0,00 2690-2980 0,79 4,19-4,49 1,00 4,67-5,00 1,00 3,59-3,83 0,50 1,4-1,57 0,00 2980-3270 0,86 4,49-327,5 1,00 5,00-5,33 1,00 3,83-4,07 0,57 3270-3550 0,93 5,33-5,66 1,00 4,07-4,32 0,64 3550-3840 1,00 5,66-244,5 1,00 4,32-4,56 0,71 3840-4130 1,00 4,56-4,81 0,79 4130-4410 1,00 4,81-5,05 0,86 4410-13420 1,00 5,05-5,29 0,93 5,29-5,41 1,00 28

Malminetsinnän GIS -analyysimenetelmät 2104016) Petäjäselkä Fuzzy Logic Modelling Detailed Area Favourability Map Favourable geophysical anomalies Fuzzy Product Favourable till geochemistry Fuzzy Gamma g=0.90 Radiometric Evidence Regional Gravity horizontal gradient) Till Au Fuzzy Gamma2 g=0.95 Slingram Till K Fuzzy AND4 TDR Till La Fuzzy AND2 Fuzzy AND3 Fuzzy OR K/Th Fuzzy AND1 Till Fe Till As U/Th Fuzzy OR1 Till Cu Till Te Till Sb Till Bi Till Co Kuva 12. Vuokaavio Petäjäselän lentoalueen sumean logiikan mallinnuksesta, jolla integroitiin geofysikaalinen ja geokemiallinen tutkimusaineisto useita eri operaattoreita käyttäen. 29

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 13. Sumean logiikan Au-prospektiivisuus Kittilän Petäjäselän detaljilentoalueella. 30

Malminetsinnän GIS -analyysimenetelmät 2104016) Taulukko 3. Petäjäselän detaljialueen mallinnuksessa käytetyt geofysiikan aineistoille määritetyt sumean jäsenyysfunktion arvot. TDR Fuzzy EM slimgram re/im)xre Fuzzy U / THO Fuzzy K / THO Fuzzy APV HG [mgal/km] Fuzzy -1.57 - -1.51 1,00 Missing data 0,14 Missing data 0,16 Missing data 0,27 0,02-0,17 0,00-1.51 - -1.3 0,94-2932.45 - -648.57 0,65 0-0,20 0,00 0,06-0,39 0,00 0,17-0,42 0,04-1.3 - -1.1 0,88-648.57 - -604.34 0,73 0,20-0,50 0,07 0,39-0,72 0,06 0,42-0,66 0,09-1.1 - -0.89 0,81-604.34 - -560.11 0,82 0,50-0,81 0,13 0,72-1,05 0,11 0,66-0,90 0,13-0.89 - -0.69 0,75-560.11 - -515.88 0,90 0,81-1,12 0,20 1,05-1,38 0,17 0,90-1,15 0,17-0.69 - -0.48 0,69-515.88 - -471.65 0,90 1,12-1,42 0,27 1,38-1,70 0,22 1,15-1,39 0,22-0.48 - -0.27 0,63-471.65 - -427.42 0,84 1,42-1,73 0,33 1,70-2,03 0,33 1,39-1,64 0,26-0.27 - -0.07 0,50-427.42 - -383.19 0,77 1,73-2,04 0,40 2,03-2,36 0,39 1,64-1,88 0,30-0.07-0.14 0,44-383.19 - -338.96 0,71 2,04-2,34 0,47 2,36-2,69 0,44 1,88-2,12 0,35 0.14-0.34 0,38-338.96 - -294.73 0,64 2,34-2,65 0,53 2,69-3,02 0,50 2,12-2,37 0,39 0.34-0.55 0,31-294.73 - -250.50 0,58 2,65-2,96 0,60 3,02-3,35 0,56 2,37-2,61 0,48 0.55-0.76 0,25-250.50 - -206.27 0,52 2,96-3,26 0,67 3,35-3,68 0,61 2,61-2,85 0,52 0.76-0.96 0,19-206.27 - -162.04 0,45 3,26-3,57 0,73 3,68-4,01 0,67 2,85-3,10 0,57 0.96-1.17 0,13-162.04 - -117.81 0,39 3,57-3,88 0,80 4,01-4,34 0,72 3,10-3,34 0,61 1.17-1.37 0,06-117.81 - -73.58 0,26 3,88-4,19 0,87 4,34-4,67 0,78 3,34-3,59 0,65 1.37-1.57 0,00-73.58 - -29.35 0,20 4,19-4,49 0,93 4,67-5,00 0,83 3,59-3,83 0,70-29.35 - -0.09 0,13 4,49-327,5 1,00 5,00-5,33 0,89 3,83-4,07 0,74 Undefined 0,07 5,33-5,66 0,94 4,07-4,32 0,78 5,66-244,5 1,00 4,32-4,56 0,83 4,56-4,81 0,87 4,81-5,05 0,91 5,05-5,29 0,96 5,29-5,41 1,00 31

Malminetsinnän GIS -analyysimenetelmät 2104016) Petäjäselkä Fuzzy Logic Modelling Detailed Area Favourability Map Favourable geophysical anomalies conductors and magnetite Fuzzy Product Favourable till geochemistry Fuzzy Gamma g=0.90 Radiometric Evidence Regional Gravity horizontal gradient) Till Au Fuzzy Gamma2 g=0.95 Slingram Till K Fuzzy AND4 TDR Till La Fuzzy AND2 Fuzzy AND3 Fuzzy OR K/Th Fuzzy AND1 Till Fe Till As U/Th Fuzzy OR1 Till Cu Till Te Till Sb Till Bi Till Co Kuva 14. Petäjäselän detaljialueen sumean logiikan mallinnuksen vuokaavio. 32

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 15. Petäjäselän detaljigeokemian alueen prospektiivisuuskartta. 33

Malminetsinnän GIS -analyysimenetelmät 2104016) 4.3.3 Keski-Lapin Fe-oksidi Cu-Au mallinnus Keski-Lapin alueelta tehtiin konseptuaalista mallinnusta sumeaa logiikkaa käyttäen Fe-oksidi Cu-Au malmityypin esiintymiä silmällä pitäen. Tässä mallinnuksessa käytettiin aineistoina matalalentogeofysiikasta magneettikentän totaali-intensiteetin maksimeja sekä gammasäteilyn uraanikanavan maksimeja. Geokemian aineistosta tehtiin monimutkaisempi yhdistelmä, jolla pyrittiin kuvaaman sulfidien ja kullan anomalioita, sekä muuttumisvyöhykkeitä. Fuzzy Logic Modeling IOCG Gamma2 Prospectivity Map Fuzzy Gamma 0.9 Fuzzy Gamma 0.9 Geochemistry Geophysical Evidence Au Fuzzy AND3 Till Fuzzy AND GEOPH Fuzzy AND4 TILL Fuzzy AND1 Till Ba K P AM max U radiation Fe Cu Co P La Y Kuva 16. Keski-Lapin IOCG -mallinnuksen vuokaavio. 34

Malminetsinnän GIS -analyysimenetelmät 2104016) Kuva 17- Keski-Lapin IOCG mallinnuksen prospektiivisuuskartta. Tämän mallinnuksen perusteella potentiaalisia alueita löytyy erityisesti Kittilän graniitin ympäristöstä sekä noin 20 km Sodankylän itä- ja länsipuolisilla alueilla. Laajamittaista kenttäevaluointia alueilla ei ole tehty. Kittilässä on kairattu graniitin pohjoispuolisia anomalioita. 35

Malminetsinnän GIS -analyysimenetelmät 2104016) 4.3.4 Mittakaavan vaikutus mallinnukseen Yhteistyössä USGS:n kanssa toteutettiin pieni tutkimusprojekti, jonka tavoitteena oli selvittää mittakaavan vaikutusta painoarvojen laskemiseen Weights-of-Evidence menetelmässä. Tähän tutkimukseen valittiin aineistoksi Keski-Lapin alueelta Kiistalan matalalentoaineistosta magneettikentän totaali-intensiteetti. Aineistoa yleistettiin keinotekoisesti jatkamalla magneettikenttää ylöspäin lentokorkeuden muutosta simuloiden. Tällä menetelmällä saatiin aikaiseksi sarja gridejä, joille kaikille laskettiin painoarvot orogeenisia kultaesiintymiä opetuspisteinä käyttäen. Lisäksi laskettiin tilastollisia muuttujia, kuten Moran autokorrelaatioindeksi. Tutkimuksen tulokset osoittavat, että ylöspäin jatketun aeromagneettisen datan kontrastiarvot laskevat aineiston yleistysasteen kasvaessa. Tulosten perusteella voidaan myös esittää, että autokorrelaatiota voidaan käyttää aeromagneettisen datan laadun mittarina. Tutkimus johti seuraaviin johtopäätöksiin: 1. Mallinnuksen opetuspisteinä käytettävät Au esiintymät ovat pieniä ja siten erityisen herkkiä lentosuunnalle ja korkeudelle. 2. Yli 200 m:n lentokorkeudelle lasketut gridit edustavat pääsääntöisesti hyvin satunnaista mittaustulosta. 3. Yli 200 m:n lentokorkeudelle lasketut gridit eivät pysty kuvaamaan kohteita hyvin anomaliakoon kasvaessa kuva 18). 4. Kaikissa tapauksissa W- on lähellä nollaa ja W+ on suuri, mikä johtuu siitä, että huomattava määrä opetuspisteitä osuu hyvin pieneen osaan kokonaisalueesta. Tämä indikoi sitä, että aeromagneettinen data ei kuvasta hyvin näitä esiintymiä. Kuva 18. Anomaliakuviot päällekkäin esitettynä kullekin simuloidulle lentokorkeudelle tutkimusalueen lounaisosasta. Eri harmaasävyillä esitetään anomaliset alueet. Anomaliakuviot kasvavat merkittävästi simuloidun lentokorkeuden kasvaessa. 36