امروزه تخمین متغیر با استفاده از روش های مبتنی بر هوش مصنوعی از جمله رویکردهای جدیدی است که فرآیند تصمیم گیری موثر را در بسیاری از علوم میسر ساخته است. تخمین عیار نیز از مسایل مهم در ارزیابی ذخایر معدنی در علوم زمین به شمار می رود. روش های زمین آماری از جمله روش های متداول تخمین متغیر در علوم زمین محسوب می شوند. از آنجایی که این روش ها در رابطه با داده هایی که تعداد آن ها محدود است و ماهیت پراکندگی و غیر خطی بودن دارند تا حدودی دچار مشکل می شوند، در این مطالعه از روش رگرسیون بردار پشتیبان به عنوان یکی از روش های هوشمند در حیطه الگوریتم های یادگیری ماشین برای تخمین عیار در کانسار فسفات اسفوردی استفاده شده است. دقت مدلسازی انجام گرفته با این روش بر اساس داده های آزمایش در حدود 84 درصد شد که نشان دهنده کارایی مدلسازی انجام شده است. بر اساس نتایج به دست آمده از مدلسازی انجام گرفته به روش رگرسیون بردار پشتیبان، اقدام به تخمین عیار در محدوده مدل بلوکی کانسار فسفات اسفوردی شد. نواحی معرفی شده به عنوان مناطق پرپتانسیل در مدل بلوکی تخمین زده شده به روش رگرسیون بردار پشتیبان می تواند در ادامه فرآیند اکتشاف به عنوان محل گمانه های تکمیلی مورد برداشت قرار گیرد. همچنین بر اساس نتایج به دست آمده از روش رگرسیون بردار پشتیبان در کانسار فسفات اسفوردی، مدل تناژ-عیار متوسط تهیه شد. به عنوان نمونه بر اساس این مدل به ازای عیار حد 6 درصد، تناژ ذخیره حدود 36/15 میلیون تن با عیار متوسط 59/13 درصد به دست آمد.