چکیده: با توجه به کاهش منابع سطحی، نیاز روز افزون به اکتشاف کانسارهای عمیق بیش از پیش احساس شده است. در کشور ایران با وجود کمربندهای کانی سازی فلزی به خصوص کمربند ارومیه-دختر، بسیاری از اکتشافات صورت گرفته به دلیل مشکلات تشخیص و اکتشاف کانی سازی پنهان اقتصادی، کم-عمق هستند. زونالیته ژئوشیمیایی به عنوان رویکردی از ژئوشیمی معادن، از روش های قابل اطمینان در اکتشاف ذخایر پنهان اقتصادی است ولی کاستی های این روش از یک سو و رشد شاخه علم داده های زمین از سوی دیگر، محققین را به استفاده و بررسی کاربرد روش های نوین در روش های سنتی، به منظور بهبود عملکرد و کاهش کاستی های روش های سنتی سوق داده است. در این پژوهش الگویی برای ترکیب و ایجاد ارتباط بین یادگیری عمیق به عنوان یکی از موضوعات جذاب در علم داده های زمین با روش سنتی زونالیته ژئوشیمیایی به منظور رفع کاستی‌ها و توسعه زونالیته ژئوشیمیایی برای تشخیص بهتر مناطق کانی سازی پنهان اقتصادی ارائه شده است. الگوی ارائه شده شامل 7 مرحله تمام متصل است. هر کدام از مراحل نقش اساسی در استخراج ویژگی های غیر‌خطی و پیچیده ژئوشیمیایی و روابط پنهان بین داده های ژئوشیمیایی دارد که به وسیله الگوریتم های یادگیری عمیق تحت یادگیری نظارت نشده و نظارت شده، انجام شده است. به منظور بررسی عملکرد الگوی ارائه شده، دو منطقه چالش برانگیز سونگون و آستامال واقع در کمربند اهر-ارسباران انتخاب شده است. سونگون به عنوان یک کانسار مس-مولیبدن در کلاس جهانی شناخته شده است ولی آستامال بر خلاف وجود دگرسانی های قوی و اندیس های معدنی مس، یک منطقه فقیر از کانی سازی پنهان اقتصادی است. با توجه به نتایج بدست آمده از الگوی ارائه شده، منطقه سونگون شامل دو زون کانی سازی پنهان اقتصادی در قسمت جنوب شرقی و شمال غربی است. همچنین کانی سازی پنهان در منطقه آستامال در دو زون در غرب و جنوب شرقی معرفی شد ولی کانی سازی پراکنده و غیراقتصادی بوده اند. در مجموع الگوی ارائه شده برای تفکیک داده های ژئوشیمیایی در سطوح مختلف آنومالی بدون نیاز به محاسبه زمینه و حدآستانه آنومالی، تشخیص مناطق کانی سازی پنهان، تعیین نوع کانی‌سازی اقتصادی یا غیراقتصادی و تعیین محل حفاری کارآمد است.