بهبود رابطه تخمين مقدار زمينه ژئوشيميايي بر اساس داده‌هاي رسوبات آبراهه‌اي با لحاظ نمودن نرخ هوازدگي سنگ‌ها

Revisiting the geochemical background estimation equation based on stream sediment samples by incorporating weatherability of lithological units

در اين مقاله نرخ هوازدگي واحدهاي ليتولوژيكي در رابطه تخمين مقدار زمينه ژئوشيميايي بر اساس داده هاي رسوبات آّبراهه­اي لحاظ شده است. مقدار نرخ هوازدگي واحدهاي موجود در منطقه مورد مطالعه (فشارك) با استفاده از اندازه گيري هاي صحرايي و آزمايشگاهي پارامترهاي فيزيكي-مكانيكي شامل مقدار بازگشت چكش اشميت، تخلخل و سرعت موج الاستيك فشاري برآورد شده اند. رابطه رگرسيون چندگانه با در نظر گرفتن پارامتر هوازدگي سنگ ها اصلاح گرديد و رابطه جديدي ارائه شده است. معادله موجود و نوع اصلاح شده آن بر روي داده هاي منطقه فشارك اعمال و نتايج نشان مي دهد كه با در نظر گرفتن مقدار اندازه گيري شده عناصر در واحدهاي سنگي، رابطه بهبود يافته، توانايي بهتري در تخمين مقدار مورد انتظار غلظت بيشتر عناصر در خروجي داشته است. در حالت كلي، كه ابتدا مقدار زمينه عناصر در واحدهاي سنگي تخمين زده شده و سپس مقدار خروجي مورد انتظار برآورد مي شود، رابطه جديد موجب تخمين بهتر مقدار خروجي برخي از عناصر شده و در مورد برخي ديگر از عناصر ورود فاكتور هوازدگي نقش منفي داشته است كه تحقيقا مي توان آن را به محدوديت هاي معادله رگرسيون از جمله حساسيت آن به مقادير كوچك متغيرهاي مستقل نسبت داد.

In this paper, the weathering rate of the lithological units is incorporated in background estimation equation based on stream sediment samples. In order to evaluate the weathering rates of the lithologies in the study area, a number of field and laboratory tests were implemented including Schmidt hammer rebound value, porosity and elastic wave velocity determinations. Multiple regression equation was modified using the weathering rate and a new equation was presented. Considering the measured background values of upstream lithological units, the expected elemental concentration is estimated more accurately, however, when background values were first estimated by the equation, the expected values at catchment basin outlet were not satisfactorily estimated. The mathematical limitations of regression analysis such as sensitivity of regression to small values of independent variable may undermine the results.