巖石地球化學(xué)數(shù)據(jù)挖掘及弱異常識別——以新疆阿舍勒銅礦為例

鄭超杰, 劉攀峰, 2, 羅先熔*, 文美蘭, 黃文斌, 劉 剛, 吳曉貴, 邱 煒, 陳澤粟, 肖 輝, 魏超城

巖石地球化學(xué)數(shù)據(jù)挖掘及弱異常識別——以新疆阿舍勒銅礦為例

鄭超杰1, 劉攀峰1, 2, 羅先熔1*, 文美蘭1, 黃文斌3, 劉 剛4, 吳曉貴5, 邱 煒6, 陳澤粟7, 肖 輝7, 魏超城7

(1. 桂林理工大學(xué) 地球科學(xué)學(xué)院, 廣西 桂林 541006; 2. 桂林理工大學(xué) 環(huán)境科學(xué)與工程學(xué)院, 廣西 桂林 541006; 3. 中國建筑材料工業(yè)地質(zhì)勘查中心 廣西總隊, 廣西 桂林 541002; 4. 寧夏回族自治區(qū)地質(zhì)礦產(chǎn) 勘查院, 寧夏 銀川 750021; 5. 新疆維吾爾自治區(qū)地質(zhì)礦產(chǎn)勘查開發(fā)局, 新疆 烏魯木齊 830000; 6. 青海省地質(zhì)調(diào)查院, 青海 西寧 810012; 7. 新疆哈巴河阿舍勒銅業(yè)股份有限公司, 新疆 阿勒泰 836700)

勘查地球化學(xué)找礦工作的重點(diǎn)在于正確解譯地球化學(xué)數(shù)據(jù), 以便從冗雜的地質(zhì)信息中精準(zhǔn)提取與成礦有關(guān)的異常信息, 指導(dǎo)找礦研究。然而, 地球化學(xué)數(shù)據(jù)屬于成分?jǐn)?shù)據(jù), 具有閉合效應(yīng), 只有對數(shù)據(jù)進(jìn)行正確的預(yù)處理才能應(yīng)用多元統(tǒng)計分析方法, 還原元素真實的空間分布。本文在阿舍勒銅鋅礦區(qū)外圍南側(cè)區(qū)域共收集1009件地表原生暈樣品, 對樣品中的13種微量元素進(jìn)行測試, 并對原始數(shù)據(jù)、對數(shù)及ilr變換后的數(shù)據(jù)進(jìn)行EDA分析, 對比數(shù)據(jù)空間分布及內(nèi)部結(jié)構(gòu)特征。運(yùn)用(穩(wěn)健)主成分分析, 結(jié)合成分?jǐn)?shù)據(jù)雙標(biāo)圖及第一主成分點(diǎn)位圖, 解譯三類數(shù)據(jù)指示的元素組合與成礦信息之間的關(guān)聯(lián)。隨后運(yùn)用多重分形濾波技術(shù), 對以ilr變換為基礎(chǔ)的穩(wěn)健主成分得分?jǐn)?shù)據(jù)分解元素組合異常和背景分布特征。結(jié)果表明: ①經(jīng)過對數(shù)及ilr變換后的數(shù)據(jù)相比原始數(shù)據(jù)空間尺度更均勻, 數(shù)據(jù)近似正態(tài)分布; ②三類數(shù)據(jù)雙標(biāo)圖表明, 僅ilr變換后的數(shù)據(jù)消除了“閉合效應(yīng)”, 且其第一主成分元素分組揭示了研究區(qū)銅礦化與鉛鋅多金屬礦化組合; 以對數(shù)變換與ilr變換為基礎(chǔ)的第一主成分點(diǎn)位圖表明, 后者主成分得分異常能夠較好指示研究區(qū)地質(zhì)找礦信息; ③結(jié)合研究區(qū)地質(zhì)找礦信息、元素組合異常及背景空間分布特征, 最終圈定3個有利找礦靶區(qū)。

成分?jǐn)?shù)據(jù)分析; 多重分形; 深邊部找礦預(yù)測; 新疆阿舍勒

0 引 言

在復(fù)雜的地質(zhì)成礦作用過程中, 元素地球化學(xué)分布模式受多成因、多期次地質(zhì)活動影響, 元素異常場與若干地質(zhì)背景場反復(fù)疊加, 進(jìn)而礦致異常呈現(xiàn)弱緩復(fù)合的疊加信息, 在空間尺度常表現(xiàn)為多元素共生組合關(guān)系(成秋明, 2001a; 韋導(dǎo)忠等, 2018)。準(zhǔn)確了解元素的地球化學(xué)分布模式, 有效識別和分離元素地球化學(xué)數(shù)據(jù)“異?！奔啊氨尘啊狈植汲蔀檎业V工作的重點(diǎn)研究課題; 如何解譯和分解這項復(fù)雜的工程, 要求地質(zhì)學(xué)家不僅要對研究區(qū)的地質(zhì)背景了如指掌, 也需要他們具備精湛的數(shù)據(jù)處理分析能力。成秋明等人指出: 運(yùn)用分形、多重分形分析方法處理地球化學(xué)數(shù)據(jù), 能夠快速有效地從冗雜的地質(zhì)信息中分離出地球化學(xué)背景和異常, 提取找礦或污染(異常)信息, 了解元素的地球化學(xué)分布模式(成秋明, 2001b; 成秋明等, 2009a)。

自Mandelbrot (1983)在《自然分形幾何》中引入分形概念后, 分形理論逐漸步入大家的視線, 并被廣泛應(yīng)用于自然科學(xué)的眾多領(lǐng)域中。在這之前, 地球化學(xué)家對元素在自然界的分布僅停留在其滿足正態(tài)或?qū)?shù)正態(tài)分布(Ahrens, 1954)。隨后, 國內(nèi)外學(xué)者對元素地球化學(xué)場分布機(jī)制進(jìn)行研究后認(rèn)為, 元素含量具有尺度不變性, 地質(zhì)過程包括礦化過程均可形成具有自相似性或統(tǒng)計自相似性的場——多重分形場(B?lviken et al., 1992; Claude et al., 1995; Cheng, 1999; 龔慶杰等, 2001); 成秋明在對非線性和復(fù)雜性理論研究的基礎(chǔ)上, 率先提出基于分形多重分形理論的“奇異性?廣義自相似性?分形譜系”非線性礦產(chǎn)資源定量預(yù)測模型, 用于開展礦產(chǎn)資源綜合預(yù)測和定量評價工作(成秋明, 2003)。此外, 基于分形多重分形理論構(gòu)建的異常、背景分離模型也不斷被學(xué)者提出, Cheng et al. (1994, 2000)提出含量面積多重分形模型(concentration-area,-)和能譜面積多重分形模型(spectrum-area,-), 對地球化學(xué)數(shù)據(jù)進(jìn)行異常識別和提取; 李長江等(1999)對徑向密度律函數(shù)進(jìn)行研究后, 將函數(shù)中的密度參數(shù)替換為距離, 使其遵循分形冪律函數(shù), 進(jìn)而提出含量距離多重分形模型(concentration-distance,-), 用于分離復(fù)雜地質(zhì)背景中與成礦作用相關(guān)的異常; Afzal et al. (2011) 提出含量體積多重分形模型(concentration-volume,-), 用于識別元素異常背景分布。上述多重分形模型均為基于頻率與空間分布的地球化學(xué)數(shù)據(jù)處理方法, 不同于基于頻率分布的常規(guī)方法, 前者在處理地球化學(xué)數(shù)據(jù)時, 同時考慮了數(shù)據(jù)的地理位置和統(tǒng)計學(xué)特征(Zuo et al., 2013)。長期以來, 該理論及方法技術(shù)在國際上被廣泛運(yùn)用于勘查找礦(Cheng et al., 1996; 成秋明等, 2009b; Zuo, 2011, 2016b; 成秋明, 2012)及環(huán)境地球化學(xué)(Lima et al., 2003, 2005, 2008; Albanese et al., 2007)工作中。

地球化學(xué)數(shù)據(jù)屬于成分?jǐn)?shù)據(jù), 具有閉合效應(yīng), 空間類型為Aitchison幾何空間, 其樣本空間為單形空間(simplex)。成分?jǐn)?shù)據(jù)的特點(diǎn)表現(xiàn)為各組成部分的總和為一定值(定和問題), 且各部分?jǐn)?shù)據(jù)相對整體具有相對性(Lloyd et al., 2012; Filzmoser et al., 2018)。由于這種效應(yīng), 因此在處理地球化學(xué)數(shù)據(jù)時, 樣品中某一元素含量增減會伴隨著其他各元素含量的改變, 這種改變可能導(dǎo)致元素間的相關(guān)性發(fā)生逆向轉(zhuǎn)變(正相關(guān)?負(fù)相關(guān))。通常情況下, 為了快速有效的了解地球化學(xué)數(shù)據(jù)的結(jié)構(gòu)及分布情況, 統(tǒng)計學(xué)方法是必要手段。然而, 運(yùn)用統(tǒng)計學(xué)方法進(jìn)行數(shù)據(jù)處理的前提是數(shù)據(jù)屬于歐式空間, 處理成分?jǐn)?shù)據(jù)若不對數(shù)據(jù)進(jìn)行相應(yīng)變換, 則無法得出理想的結(jié)果, 甚至?xí)清e誤結(jié)果。Aitchison (1982)在對成分?jǐn)?shù)據(jù)進(jìn)行研究后, 提出對數(shù)比變換方法, 旨在將Aitchison空間的數(shù)據(jù)以對數(shù)比坐標(biāo)系表示進(jìn)而將其轉(zhuǎn)換至Euclidean空間, 該變換克服了成分?jǐn)?shù)據(jù)的閉合效應(yīng), 使數(shù)據(jù)可以應(yīng)用多元統(tǒng)計學(xué)方法進(jìn)行分析。大量研究實例表明, 運(yùn)用基于成分?jǐn)?shù)據(jù)的多元統(tǒng)計方法對地球化學(xué)數(shù)據(jù)進(jìn)行分析, 能夠更有效揭示元素真實空間分布模式, 進(jìn)而準(zhǔn)確識別、分解元素背景及異常信息(Li et al., 2003; Carlos et al., 2010; Drew et al., 2010; Wang et al., 2017; Liu et al., 2019a, 2019b, 2020; Lin et al., 2019)。

阿爾泰造山帶是世界上著名的火山成因塊狀硫化物(VMS)銅多金屬成礦帶之一(楊富全等, 2016), 阿舍勒銅鋅礦床則位于該造山帶西南緣阿舍勒盆地之中。前人對該礦床含礦火山巖形成的構(gòu)造環(huán)境、巖相學(xué)、地球化學(xué)、礦床特征、礦物學(xué)、成礦流體、成礦物質(zhì)來源、年代學(xué)、成礦機(jī)制和成礦預(yù)測進(jìn)行了詳細(xì)的研究工作, 并取得了一系列重要成果(陳毓川等, 1996; 吳玉峰等, 2015), 但鮮有對礦床原生暈做過系統(tǒng)研究。由于阿舍勒銅礦埋藏深、開采難度大、維護(hù)成本高, 并伴隨著礦山開采對已探明的資源儲量不斷消耗, 礦體品位下降, 對阿舍勒銅鋅礦床深部及外圍找礦任務(wù)已迫在眉睫。在常規(guī)找礦工作效果不理想的情況下, 筆者在新疆地礦局四隊的幫助下, 首次在阿舍勒礦區(qū), 以成分?jǐn)?shù)據(jù)分析視角, 對礦區(qū)外圍南側(cè)地表原生暈數(shù)據(jù)進(jìn)行多元統(tǒng)計分析, 運(yùn)用-能譜面積多重分形模型, 對地球化學(xué)元素的空間分布模式進(jìn)行分離,圈定有利成礦前景區(qū), 為礦區(qū)深部及外圍找礦提供了依據(jù)。

1 研究區(qū)地質(zhì)背景

1.1 區(qū)域地質(zhì)背景

阿舍勒銅鋅礦區(qū)位于阿爾泰地槽褶皺系瓊庫爾阿巴宮褶皺帶西段之闊勒德能復(fù)向斜南西冀, 阿爾泰造山帶南緣阿舍勒火山?沉積盆地內(nèi)。大地構(gòu)造位置屬于中亞造山帶阿爾泰南緣晚古生代弧間拉張盆地。區(qū)域出露上志留統(tǒng)?下泥盆統(tǒng)康布鐵堡組、下泥盆統(tǒng)托克薩雷組、中泥盆統(tǒng)阿勒泰組、中泥盆統(tǒng)阿舍勒組、上泥盆統(tǒng)齊也組及下石炭統(tǒng)紅山嘴組(楊富全等, 2013; 鄭義等, 2015)。區(qū)內(nèi)地質(zhì)構(gòu)造復(fù)雜, 主要發(fā)育NW向闊勒德能復(fù)向斜及加曼哈巴復(fù)背斜等大型褶皺, NW-SE向瑪爾卡庫里斷裂及別斯薩拉大斷裂(圖1; 楊富全等, 2016)。阿舍勒盆地巖漿巖活動強(qiáng)烈, 發(fā)育火山巖、侵入巖和脈巖等。區(qū)域礦產(chǎn)資源豐富, 以有色金屬、貴金屬、稀有金屬和白云母著名。礦產(chǎn)分布與區(qū)域地層構(gòu)造關(guān)系密切, 以瑪爾卡庫里大斷裂為界, 北東側(cè)歸克蘭成礦帶, 南西側(cè)屬額爾齊斯成礦帶。沿瓊庫爾?阿巴宮褶皺帶中發(fā)育阿舍勒銅鋅礦、喀音布拉銅鋅礦、鐵木爾特鉛鋅礦、恰夏銅礦、蒙庫鐵礦和可可塔勒鉛鋅礦等礦床, 構(gòu)成克蘭海西期Cu-Pb-Zn-Au- Ag-Fe成礦帶(Zheng et al., 2020, 2021)。

1.2 礦區(qū)地質(zhì)特征

礦區(qū)內(nèi)主要出露中泥盆統(tǒng)阿舍勒組(D2), 上泥盆統(tǒng)齊也組(D3)和第四系沉積物(Q), 局部出露少量中下泥盆統(tǒng)托克薩雷組(D1-2)(圖2)。其中, 中泥盆統(tǒng)阿舍勒組為賦礦地層, 主要分布于礦區(qū)中部、南部及東北側(cè)區(qū)域。根據(jù)巖性差異可將阿舍勒組分為2個巖性段: 第一巖性段以凝灰?guī)r為主, 局部夾結(jié)晶灰?guī)r。第二巖性段與第一段巖性呈整合接觸, 為中酸性火山碎屑巖夾少量基性熔巖。依據(jù)巖石組合又可將第二巖性段分為三個亞段, 分別為下亞段(D22a)的中酸性火山碎屑巖, 以變凝灰?guī)r、角礫凝灰?guī)r為主, 為本區(qū)第一個含礦層; 中亞段(D22b)的中酸性火山碎屑巖和火山?沉積碎屑巖類, 為本礦區(qū)第二個含礦層, 其中, 礦區(qū)一號銅鋅礦體及Ⅰ號蝕變帶則賦存于此; 上亞段(D22c)為玄武巖夾少量沉凝灰?guī)r及金屬硫化物薄礦層。

1. 中新生界沉積物; 2. 紅山嘴組凝灰?guī)r、英安巖、安山巖; 3. 齊也組火山角礫巖、凝灰?guī)r、安山巖; 4. 阿舍勒組玄武巖、流紋巖和凝灰?guī)r; 5. 阿勒泰鎮(zhèn)組片巖、變質(zhì)砂巖、變質(zhì)粉砂巖; 6. 托克薩勒組砂巖、粉砂巖; 7. 康布鐵堡組變粒巖、片麻巖和變流紋巖; 8. 花崗巖; 9. 輝長巖和輝長閃長巖; 10. 英云閃長巖; 11. 石英閃長巖和閃長巖; 12. 礦點(diǎn); 13. 斷層; 14. 推測斷層; 15. 研究區(qū)。CAOB. 中亞造山帶。

1. 鐵帽; 2. 蝕變帶; 3. 向斜; 4. 背斜; 5. 斷層; 6. 隱伏斷層; 7. 古火山機(jī)構(gòu); 8. 研究區(qū)巖石地球化學(xué)采樣點(diǎn)位。Q1x. 第四系上更新統(tǒng)?全新統(tǒng)沉積物; Q3-4. 第四系下更新統(tǒng)西域組; D3q1. 齊也組一段; D2as2c. 阿舍勒組二段上亞段; D2as2b. 阿舍勒組二段中亞段; D2as2a. 阿舍勒組二段下亞段; D2as1. 阿舍勒組一段; D1-2t3. 托克薩雷組三段; ξπ. 英安斑巖; δμ. 次閃長巖; βμ. 次輝綠巖。

礦區(qū)地質(zhì)構(gòu)造復(fù)雜, 褶皺、斷裂十分發(fā)育。受瑪爾卡庫里斷裂及別斯薩拉大斷裂影響, 區(qū)內(nèi)發(fā)育大量S-N向和NW向次級斷裂, 構(gòu)造表現(xiàn)為多期活動特點(diǎn); 受動力變質(zhì)及熱液變質(zhì)作用影響, 沿斷裂普遍發(fā)育破碎帶, 帶中有不同程度的碎裂巖化、高嶺土化、絹云母化和綠泥石化等蝕變現(xiàn)象。礦區(qū)范圍內(nèi)共圈定礦化蝕變帶15條, 呈NW向和近S-N向展布, 與研究區(qū)地層及主要次級斷裂走向基本一致。其中, 主要有五種蝕變組合: ①黃鐵礦化?絹云母化?強(qiáng)硅化組合; ②黃鐵礦化?絹云母化?硅化組合; ③絹云母化?綠泥石化?黃鐵礦化?弱硅化組合; ④似矽卡巖化?黃鐵礦化組合; ⑤絹云母化?高嶺土化組合。

目前, 礦區(qū)已發(fā)現(xiàn)的一號銅鋅礦體產(chǎn)于中泥盆統(tǒng)阿舍勒組二巖性段的Ⅰ號礦化蝕變帶中, 空間上位于④號向斜及多條斷裂交匯處。該礦床形成與中酸性火山(沉積)巖有關(guān), 主要屬于火山噴氣?沉積成因, 并在后期遭受了變形變質(zhì)熱液疊加改造形成的塊狀硫化物銅鋅礦床, 顯示典型的海底火山噴氣?沉積礦床的共同特點(diǎn), 礦石構(gòu)造具有典型的雙層結(jié)構(gòu)(楊富全等, 2016)。

2 樣品采集與數(shù)據(jù)處理

2.1 樣品采集及測試分析

對礦區(qū)南側(cè)約3.8 km2的A、B兩個區(qū)域, 按照20 m×100 m測網(wǎng)共采集地表原生暈樣品1009件, 樣品采集流程嚴(yán)格遵守1∶10000巖石地球化學(xué)測量規(guī)范(DZ/T 0248-2014)。所采集樣品均為新鮮基巖, 每份樣品為該采樣點(diǎn)周圍5 m內(nèi)同種類型巖石近等質(zhì)量的組合樣, 每份樣品重量不低于300 g; 隨后將野外采集樣品于室內(nèi)破碎, 低溫烘干, 磨機(jī)研磨至過200目網(wǎng)篩, 存樣待測分析。

本次樣品測試分析工作由新疆第四地質(zhì)大隊實驗室承擔(dān), 定量分析測定Cu、Zn、Pb、Ag、Au、As、Sb、Bi、Mo、Sn、Ba、Co、Cd等13個元素; 樣品測試按照行業(yè)標(biāo)準(zhǔn)DZ/TO130.4-2006執(zhí)行, 分析質(zhì)量達(dá)到標(biāo)準(zhǔn)要求; 13個元素的分析方法及檢出限見表1。

2.2 基于成分?jǐn)?shù)據(jù)的多元統(tǒng)計分析

地球化學(xué)元素分布規(guī)律的研究是揭示元素礦化富集及空間變化規(guī)律的重要途徑之一(成秋明, 2000)。地球化學(xué)數(shù)據(jù)在受到“異?！备蓴_時往往呈偏態(tài)分布, 這些“異?！币徊糠质怯捎诘貧ぴ乜臻g分布不均勻造成的, 其次則是受到各種內(nèi)、外動力地質(zhì)作用對元素再分配的影響, 更有甚至是受人為活動干擾。大部分統(tǒng)計學(xué)方法在對數(shù)據(jù)進(jìn)行處理時, 要求數(shù)據(jù)盡可能服從正態(tài)或?qū)?shù)正態(tài)分布, 各變量之間的關(guān)系為線性關(guān)系(胡以鏗, 1991; 陳健, 2019)。探索性數(shù)據(jù)分析(EDA)屬于穩(wěn)健統(tǒng)計學(xué)范疇, 該方法的優(yōu)勢在于無需要求數(shù)據(jù)服從正態(tài)分布, 通過箱型圖、散點(diǎn)圖、直方圖、累計密度分布函數(shù)等簡單圖示, 能快速、準(zhǔn)確得出數(shù)據(jù)的內(nèi)部結(jié)構(gòu)及聚散分布特征(何旺等, 2020)。此外, Hampel (1974)年提出中位數(shù)絕對離差(MAD)這一估計量, 該估計量不受樣本量及少量離群值的影響, 常被用來檢驗數(shù)據(jù)中的離群值(Reimann et al., 2011; Leys et al., 2013)。

表1 測試方法及質(zhì)量參數(shù)表

注: ICP-AES. 等離子體光譜儀; ES. 光譜深孔電極; CH-ES. 化學(xué)光譜; AFS. 原子熒光光譜; GFAA. 石墨爐原子吸收。

目前, 針對成分?jǐn)?shù)據(jù)進(jìn)行對數(shù)比變換的方法分為3種, 分別是由Aitchison (1982)年提出的alr(additivelogratio coordinates)和clr(centered logratio coefficients)變換, 及由Egozcue et al. (2003)提出的ilr(isometric logratio and pivot coordinates)變換。其中, clr和ilr變換為等距變換, alr變換為非等距變換, 等距變換后的數(shù)據(jù)在變換前后保持樣本空間距離不變(Lloyd et al., 2012; Filzmoser et al., 2018)。Pawlowsky-Glahn and Egozcue (2006)在對等距變換方法研究后指出, 相對clr變換, ilr變換克服了由clr變換后造成的協(xié)方差矩陣奇異性問題, 更適用于實際數(shù)據(jù)處理, 但缺點(diǎn)是數(shù)據(jù)進(jìn)行ilr變換后會減少變量個數(shù), 致使變換后新變量無法直接解譯原始變量(Pawlowsky-Glahn and Egozcue, 2006)。隨后, Filzmoser (2009)研究發(fā)現(xiàn), 通過對成分?jǐn)?shù)據(jù)進(jìn)行ilr變換再運(yùn)用穩(wěn)健主成分分析(RPCA), 隨后將所得主成分得分和載荷值通過標(biāo)準(zhǔn)正交基逆轉(zhuǎn)換至clr坐標(biāo)系, 該方法不僅解決了ilr變換后新變量難解譯的問題, 同時解決了clr變換后協(xié)方差矩陣的奇異性問題(Pawlowsky-Glahn and Egozcue, 2006; Zuo et al., 2013)。此外, RPCA通過對數(shù)據(jù)中的離群值進(jìn)行預(yù)處理, 避免了主成分分析(PCA)因數(shù)據(jù)離群值存在而產(chǎn)生有偏的協(xié)方差矩陣估計量。Gabriel (1971)提出雙標(biāo)圖的概念, 將數(shù)據(jù)矩陣的成分得分和載荷值以雙標(biāo)圖展示, 能夠可視化數(shù)據(jù)集中樣本和變量關(guān)聯(lián)(Gabriel, 1971; 馬艷芳, 2016); 隨后, Aitchison and Greenacre (2002)詳細(xì)闡述了成分?jǐn)?shù)據(jù)雙標(biāo)圖的應(yīng)用。

本次研究涉及的ilr及clr對數(shù)比變換公式如下所示:

其中,()是以為變量的幾何平均值, 其公式為:

(1) 式中變換將屬于維單形空間的變量以一對一方式映射至維向量空間變量中; (2)式中ilr變換以Z為樞紐中心, 將屬于維單形空間的變量映射到?1維的超平面向量空間中。

為了探究地球化學(xué)數(shù)據(jù)變換前后數(shù)據(jù)的內(nèi)部結(jié)構(gòu)及分布情況, 以及ilr變換處理數(shù)據(jù)的可行性。本次研究對原生暈樣品中13種元素的原始數(shù)據(jù), 對數(shù)變換及ilr變換數(shù)據(jù)進(jìn)行統(tǒng)計分析, 得出各類數(shù)據(jù)的統(tǒng)計學(xué)特征(表 2); 運(yùn)用R統(tǒng)計學(xué)軟件對上述數(shù)據(jù)進(jìn)行EDA技術(shù)分析, 分別得出三類數(shù)據(jù)的累計密度分布曲線(圖 3)及箱圖(圖 4); 為查明元素組合與成礦作用間的關(guān)聯(lián), 并對三類數(shù)據(jù)進(jìn)行PCA/RPCA分析, 選取PC1和PC2主成分構(gòu)建主成分雙標(biāo)圖(圖 5), 并在GIS地理信息系統(tǒng)中創(chuàng)建PC1主成分得分點(diǎn)位圖(圖 6)。

2.3 多重分形技術(shù)

反距離權(quán)重插值法(IDW)常被用于地球化學(xué)點(diǎn)位數(shù)據(jù)的柵格處理, 該方法精確且應(yīng)用方便, 但忽略了數(shù)據(jù)內(nèi)部結(jié)構(gòu)的變異性。而成秋明提出的多重反距離權(quán)重插值法(MIDW)結(jié)合了多維分形理論和滑動加權(quán)估值方法, 克服數(shù)據(jù)本身差異性缺陷的同時, 增強(qiáng)了數(shù)據(jù)的局部結(jié)構(gòu)信息(成秋明, 2001b; Cheng, 2008)。-模型運(yùn)用傅里葉變換, 將元素地球化學(xué)場由空間域轉(zhuǎn)換至頻率域, 依次得出相(phase)分布圖及能譜(power-spectrum)分布圖; 根據(jù)元素在背景場、異常場及干擾場呈現(xiàn)的各向異性, 三者在傅里葉空間具備各自不同的廣義自相似性, 即表征為不同特征的能譜波段; 按照能譜波段差異則能分解出三類濾波器; 隨后, 運(yùn)用傅里葉逆變換, 將三類濾波器分別轉(zhuǎn)換回空間域, 進(jìn)而提取元素背景, 異?？臻g分布。其中, 三者在頻率域中自相似性差異可由冪律(分形或多重分形)模型體現(xiàn), 即滿足(≥) ∞?β, 表達(dá)式中表示能譜密度,(≥)是在能譜密度空間中超出的面積,為分形模型的指數(shù)(成秋明, 2006b); 根據(jù)冪律模型將能譜密度與累計面積在雙對數(shù)坐標(biāo)中表示, 并運(yùn)用最小二乘法擬合, 得出線性關(guān)系, 進(jìn)而分解各類濾波器。其中, MIDW插值法及-模型等系列理論由成秋明等人提出(成秋明, 2001b, 2006a, 2007), 并在相關(guān)學(xué)者的研究下不斷拓展、推廣(Zuo et al., 2012; Zuo and Wang, 2016a)。

為查明研究區(qū)元素組合的異常及背景空間分布, 本次研究運(yùn)用GIS軟件對ilr變換為基礎(chǔ)的PC1、PC2穩(wěn)健主成分得分?jǐn)?shù)據(jù), 應(yīng)用MIDW插值法柵格數(shù)據(jù), 借助-模型分解元素異常及背景特征; 其中, 數(shù)據(jù)柵格及-模型, 借助中國地質(zhì)大學(xué)GPMR國家重點(diǎn)實驗室成秋明團(tuán)隊開發(fā)的Geodas礦產(chǎn)資源定量預(yù)測系統(tǒng), 及左仁廣團(tuán)隊開發(fā)的基于Arcgis地理信息系統(tǒng)的Arcfractal插件完成(Cheng et al., 2001; Zuo and Wang, 2020)。

表2 原始數(shù)據(jù)、對數(shù)變換及ilr變換數(shù)據(jù)統(tǒng)計信息

注: 元素含量單位, 除Au為ng/g, 其余元素均為μg/g; 參考均值*引用自阿舍勒礦區(qū)地表巖石實測算數(shù)平均值(陳毓川等, 1996); NA: 表示數(shù)據(jù)缺失; Std: 標(biāo)準(zhǔn)差; Skew: 數(shù)據(jù)偏度; Kurt: 數(shù)據(jù)峰度; MAD: 中位數(shù)絕對偏差。

圖3 原始數(shù)據(jù)(a)、對數(shù)變換數(shù)據(jù)(b)和ilr變換數(shù)據(jù)(c)箱圖

3 結(jié) 果

3.1 EDA技術(shù)

從表2可以看出, 原始數(shù)據(jù)各元素含量在數(shù)量級上差異極大, 多數(shù)元素(Sb、Bi、Cd、Au)的最大值與均值之比超過100, 主成礦元素(Cu、Zn、Pb、Au、Ag)的比值也介于27～177之間; 將本次研究區(qū)各元素均值與一號礦體地表巖石含量均值(陳毓川等, 1996)相比, 可見主成礦元素Cu、Zn含量遠(yuǎn)超礦區(qū)地表巖石元素含量; 不難看出, 在僅3.8 km2的研究區(qū)內(nèi), 元素空間分布差異性大, 而研究區(qū)主成礦元素與礦區(qū)地表原生暈含量相當(dāng), 表明研究區(qū)同樣具備較大成礦潛力。對比表中三類(Raw、Lg、ilr)數(shù)據(jù), 對數(shù)變換和ilr變換能夠極大程度上使數(shù)據(jù)趨于正態(tài)化, 變換后各元素偏態(tài)(Skew)和峰態(tài)(Kurt)均得到顯著改善, 符合正態(tài)分布特征。此外, 表2中原始數(shù)據(jù)的MAD值與原生暈各元素含量均值相差很大, 表明研究區(qū)受各類地質(zhì)作用影響, 元素在空間分布上差異性極強(qiáng)。

從箱圖及密度曲線可知, 原始數(shù)據(jù)空間尺度差異大, 數(shù)據(jù)分布較分散, 多數(shù)元素存在大量高值異常點(diǎn); 其中, 原始數(shù)據(jù)的累計密度曲線因數(shù)據(jù)之間量級及尺度差異較大(未在此處展示)。而經(jīng)過對數(shù)及ilr變換的數(shù)據(jù), 各元素空間分布尺度差異性大幅降低, 均處于同一數(shù)量級, 數(shù)據(jù)箱圖空間展布更加均勻, 對應(yīng)密度曲線也近似呈單峰/多峰正態(tài)分布。進(jìn)一步對比對數(shù)及ilr變換后的箱圖特征可知, ilr變換(圖3c)后的數(shù)據(jù)無論在空間尺度或是數(shù)據(jù)內(nèi)散度上都比對數(shù)變換(圖3b)后的數(shù)據(jù)更集中、均衡, 且前者具有更佳的近似對稱的高低極值分布, 相應(yīng)的密度曲線也較后者更接近正態(tài)分布(圖4a、b)。不難看出, 經(jīng)過變換處理的數(shù)據(jù)能夠極大程度降低數(shù)據(jù)內(nèi)部的不均一性, 消除數(shù)據(jù)的偏態(tài)分布, 使數(shù)據(jù)趨于集中, 符合多元統(tǒng)計分析要求; 而相比對數(shù)變換, ilr對數(shù)比變換則能進(jìn)一步消除數(shù)據(jù)內(nèi)部的不均衡性, 使數(shù)據(jù)呈正態(tài)分布。

3.2 主成分雙標(biāo)圖

圖5依次展示了原始數(shù)據(jù)、對數(shù)變換數(shù)據(jù)及ilr變換數(shù)據(jù)經(jīng)過PCA及RPCA分析所得的PC1、PC2主成分雙標(biāo)圖。其中, 以ilr變換為基礎(chǔ)的數(shù)據(jù)(圖5c、d)在經(jīng)過PCA及RPCA分析后, 變量(元素)數(shù)據(jù)被打開, 整體呈放射狀, 閉合效應(yīng)已消除; 而原始數(shù)據(jù)及對數(shù)變換后的數(shù)據(jù)(圖5a、b)經(jīng)PCA分析后, 變量依舊呈現(xiàn)一邊倒的趨勢, 即數(shù)據(jù)依舊存在閉合效應(yīng)。其次, 經(jīng)過變換為基礎(chǔ)的主成分?jǐn)?shù)據(jù)(圖5b、c、d)擁有比原始數(shù)據(jù)(圖5a)更高的PC1、PC2總方差解譯值, 而經(jīng)過RPCA分析的ilr變換數(shù)據(jù)(圖5d)擁有遠(yuǎn)超其他數(shù)據(jù)的PC1主成分方差解釋值, 表明消除離群值影響所得的成分更具代表性。此外, 圖5中四幅圖的PC1成分方差解譯值均大于PC2成分方差解譯值, 表明PC2主成分蘊(yùn)涵的信息遠(yuǎn)不如PC1主成分具有代表性。

從主成分雙標(biāo)圖確定的元素組合方面來看, 原始數(shù)據(jù)(圖5a)和對數(shù)變換為基礎(chǔ)的主成分雙標(biāo)圖(圖5b)呈現(xiàn)類似的元素組合。兩者的PC1成分中僅Co元素載荷值為負(fù), 其余元素均為正載荷, 無法得出各元素之間的關(guān)聯(lián); 雖然兩者在PC2成分中表現(xiàn)出細(xì)微的差異, 但兩者元素間分布模式十分類似, 依舊無法查明元素組合與成礦的關(guān)系。相比之下, ilr變換為基礎(chǔ)的主成分雙標(biāo)圖(圖5c、d), 元素分布模式與前者截然不同; 后者經(jīng)過ilr變換, 成分?jǐn)?shù)據(jù)被打開, 因此兩者在雙標(biāo)圖中呈現(xiàn)類似的元素組合, 其差別在于RPCA(圖5d)相比PCA方法(圖5c)排除了數(shù)據(jù)內(nèi)離群值的干擾, 元素組合更準(zhǔn)確。最后, 從圖5d中PC1成分可以明顯分出兩個元素組合, 分別是以Cu-As-Sb-Co元素代表的銅礦化組合和以Pb-Zn-Ag-Au-Mo-Ba-Cd-Bi-Sn元素代表的鉛鋅金銀多金屬元素礦化組合。

圖4 對數(shù)(a)及ilr(b)變化數(shù)據(jù)后的累計密度分布曲線

圖5 研究區(qū)巖石地球化學(xué)不同類型變換數(shù)據(jù)PCA/RPCA雙標(biāo)圖

(a) PCA對數(shù)變換數(shù)據(jù); (b) PCA對數(shù)比變換數(shù)據(jù)。1. 第四系上更新統(tǒng)?全新統(tǒng)沉積物; 2. 第四系下更新統(tǒng)西域組; 3. 齊也組一段; 4. 阿舍勒組二段上亞段; 5. 阿舍勒組二段中亞段; 6. 阿舍勒組二段下亞段; 7. 阿舍勒組一段; 8. 托克薩雷組三段; 9. 英安斑巖; 10. 次閃長巖; 11. 次輝綠巖; 12. 鐵帽; 13. 蝕變帶; 14. 向斜; 15. 背斜; 16. 斷層; 17. 隱伏斷層; 18. 古火山機(jī)構(gòu)。

3.3 主成分得分點(diǎn)位圖

在各類數(shù)據(jù)雙標(biāo)圖分析基礎(chǔ)上, 本次研究選取具有代表性的對數(shù)變換(PCA)及ilr變換數(shù)據(jù)(RPCA, 消除離群值影響)進(jìn)行主成分分析, 將所得PC1主成分得分?jǐn)?shù)據(jù)(對應(yīng)雙標(biāo)圖5b、d), 繪制研究區(qū)主成分得分點(diǎn)位圖(圖6)。從點(diǎn)位圖中可以看出, 以ilr變換為基礎(chǔ)的RPCA數(shù)據(jù)(圖6b)比對數(shù)變換為基礎(chǔ)的PCA數(shù)據(jù)(圖6a)呈現(xiàn)更清晰、更集中的高得分空間展布特征。其中, 圖6a中A區(qū)域顯示的高值空間展布, 大致與區(qū)內(nèi)的Ⅱ、Ⅲ、Ⅶ號蝕變帶、區(qū)內(nèi)的褶皺、斷裂構(gòu)造的空間位置相吻合; B區(qū)域的高得分空間位置主要與該區(qū)內(nèi)的幾條斷裂構(gòu)造相吻合。結(jié)合雙標(biāo)圖5b不難看出, 由于對數(shù)變換數(shù)據(jù)的閉合效應(yīng), 雙標(biāo)圖無法有效界定元素組合和與成礦信息間的關(guān)系, 致使對數(shù)變換為基礎(chǔ)的PCA數(shù)據(jù)高值分布, 反映的多是與礦化蝕變帶、斷裂等一系列復(fù)合疊加地質(zhì)信息為主的異常特征。而圖6b的PC1主成分點(diǎn)位圖呈現(xiàn)的主成分高值空間分布模式則與前者有較大出入。圖6b中A區(qū)的高得分區(qū)域分布于④號向斜及⑤號背斜之間區(qū)域, 空間位置與其內(nèi)的蝕變帶及斷裂交匯處相吻合; 而B區(qū)域的高值區(qū)域一部分展布于該區(qū)的幾處侵入巖體與地層交界處, 其余則分布于該區(qū)東南側(cè)齊也組一段內(nèi)。結(jié)合圖5d雙標(biāo)圖解譯, PC1高值得分主要反映了研究區(qū)銅礦化組合特征。

4 靶區(qū)圈定與找礦前景分析

4.1 多重分形技術(shù)

選取ilr變換為基礎(chǔ)的RPCA得分?jǐn)?shù)據(jù)進(jìn)行MIDW插值處理, 將所得柵格文件以-模型分解元素組合異常及背景, 兩組數(shù)據(jù)的地球化學(xué)背景及礦化異常分解依據(jù)由圖7的能譜面積-雙對數(shù)圖確定。由圖8、9可知, 經(jīng)過-模型濾波處理后, 元素組合異常特征在研究區(qū)內(nèi)的空間分布更為清晰。通過對雙標(biāo)圖(圖5d)解譯可知, 圖8a中高異常區(qū)域?qū)?yīng)PC1主成分中的Cu-As-Sb-Co元素組合, 即以Cu元素為主的礦化作用; 圖9a中高異常則是與PC2主成分中的Cu-Zn-Au-Ag-Co-Mo-Sn-Bi-Cd元素代表以銅鋅多金屬為主的礦化作用。由于兩類元素組合均包含Cu、Co在內(nèi)的高溫元素組合, 兩者在異常的空間分布上存在一定相似性。其中, PC1主成分分解圖(圖8a)中A區(qū)域元素組合異常呈星狀分布, 高值異常規(guī)模小, 空間上分別與賦礦地層、褶皺帶及蝕變帶位置相吻合, 尤其是三者交匯區(qū)域異常顯著; B區(qū)域高值異常主要分布于侵入巖體與阿舍勒組接觸帶, 局部分布于齊也組三段之中; 圖8b展示的PC1主成分背景分布表明, 研究區(qū)高背景多與阿舍勒組二段賦礦地層(A區(qū))及齊也組一段(B區(qū))吻合, 一定程度上說明-模型的準(zhǔn)確性。在PC2主成分分解圖(圖9a)中, A、B兩區(qū)元素組合高值異?？臻g形態(tài)整體較集中, 異常連續(xù)性好, 面積大, 強(qiáng)度高, 空間分布同樣指示地表構(gòu)造及蝕變帶交匯處, 中、弱強(qiáng)度異常與區(qū)內(nèi)發(fā)育的背、向斜構(gòu)造及蝕變帶吻合; 圖9b中A、B兩區(qū)的PC2成分高背景分布大致與賦礦地層相吻合。

圖7 對數(shù)比變換數(shù)據(jù)主成分能譜面積S-A雙對數(shù)圖

1. 第四系上更新統(tǒng)?全新統(tǒng)沉積物; 2. 第四系下更新統(tǒng)西域組; 3. 齊也組一段; 4. 阿舍勒組二段上亞段; 5. 阿舍勒組二段中亞段; 6. 阿舍勒組二段下亞段; 7. 阿舍勒組一段; 8. 托克薩雷組三段; 9. 英安斑巖; 10. 次閃長巖; 11. 次輝綠巖; 12. 鐵帽; 13. 蝕變帶; 14. 向斜; 15. 背斜; 16. 斷層; 17. 隱伏斷層; 18. 古火山機(jī)構(gòu)。

1. 第四系上更新統(tǒng)?全新統(tǒng)沉積物; 2. 第四系下更新統(tǒng)西域組; 3. 齊也組一段; 4. 阿舍勒組二段上亞段; 5. 阿舍勒組二段中亞段; 6. 阿舍勒組二段下亞段; 7. 阿舍勒組一段; 8. 托克薩雷組三段; 9. 英安斑巖; 10. 次閃長巖; 11. 次輝綠巖; 12. 鐵帽; 13. 蝕變帶; 14. 向斜; 15.背斜; 16. 斷層; 17. 隱伏斷層; 18. 古火山機(jī)構(gòu)。

4.2 找礦前景分析

研究區(qū)的主要賦礦地層為泥盆系阿舍勒組二段(D22), 圖8、9中A區(qū)高值異常在空間上與該地層對應(yīng), 但B區(qū)東南側(cè)齊也組一段也顯示高得分異常。結(jié)合研究區(qū)地質(zhì)特征(圖2), 該區(qū)東、西兩側(cè)分別發(fā)育北西向的①號背斜及近S-N向的②號向斜構(gòu)造。向斜構(gòu)造能較大程度避免近核部地層遭受風(fēng)化剝蝕, 并且已發(fā)現(xiàn)的一號銅鋅礦體則賦存于④號向斜之中。考慮到區(qū)內(nèi)出露的齊也組一段(D31)與下伏阿舍勒組二段賦礦地層呈不整合接觸, 推斷分布于齊也組一段的高值異常區(qū)由下伏地層引起。

區(qū)內(nèi)NW向馬爾卡庫里和別斯薩拉兩處深大斷裂, 控制了研究區(qū)內(nèi)次級構(gòu)造的空間展布。次級斷裂復(fù)合部位控制了火山機(jī)構(gòu)的分布, 銅多金屬礦化則環(huán)繞阿舍勒期火山口四周洼地分布(葉慶同等, 1998); 由圖 8的PC1成分異常、背景分布特征可知, B區(qū)高值異常分布于研究區(qū)中部及南部, 與該區(qū)多條斷裂展布及次閃長巖侵入地段吻合; B區(qū)高背景分布于南側(cè)齊也組一段, 但北側(cè)賦礦地層呈現(xiàn)低背景特征。李志純(1996)對礦區(qū)外圍巖石、遠(yuǎn)礦圍巖及近礦圍巖中成礦元素含量調(diào)查得出: 近礦圍巖中成礦元素含量最高, 其次為礦區(qū)外圍巖石, 最后為遠(yuǎn)礦圍巖。上述研究表明, 受變質(zhì)熱動力驅(qū)動, 以PC1為代表的銅多金屬成礦元素組合沿礦區(qū)構(gòu)造裂隙發(fā)生了從遠(yuǎn)礦(賦礦)圍巖向礦體活化轉(zhuǎn)移的現(xiàn)象, 致使元素在侵入巖體、斷裂交匯處出現(xiàn)異常, 而在遠(yuǎn)離礦體外圍區(qū)域呈現(xiàn)高背景。此外, 據(jù)研究區(qū)勘探報告, 研究區(qū)共發(fā)現(xiàn)4處蝕變帶, 其中以黃鐵礦化?絹云母化?強(qiáng)硅化組合具有直接指示尋找火山噴氣?沉積型礦床的意義, 似矽卡巖化?黃鐵礦化組合為尋找火山沉積熱液改造型礦床的重要標(biāo)志(李志純, 1996; 張俊楊等, 2016)。對比研究區(qū)出露的4處(Ⅰ、Ⅱ、Ⅲ、Ⅶ)蝕變帶, 以Ⅰ、Ⅱ、Ⅶ號蝕變帶具有直接指示尋找火山噴氣?沉積礦床的意義,Ⅲ號蝕變帶具有直接指示尋找火山沉積熱液改造型礦床的意義。

前人對該礦床成因系統(tǒng)研究后認(rèn)為, 多金屬成礦作用與泥盆紀(jì)火山活動密切相關(guān), 中泥盆世中晚期火山噴發(fā)間歇期是形成塊狀硫化物礦床的有利成礦階段(葉慶同等, 1998; 鄭義等, 2015; 楊富全等, 2016)。由圖2可知, 古火山機(jī)構(gòu)分布于研究區(qū)北部, 依附于褶皺轉(zhuǎn)折端, 毗鄰一號銅鋅礦體, 表明火山機(jī)構(gòu)或為成礦物質(zhì)來源的重要通道, 是推斷沉積礦體空間賦存的重要線索。葉慶同等(1998)及陳毓川等(1996)對礦區(qū)成礦流體研究后發(fā)現(xiàn), 阿舍勒礦床熱水沉積階段成礦溫度為80～310 ℃, 在變質(zhì)改造期及熱液疊加期, 熱液溫度升至約310～540 ℃。此外, 從礦體礦物組合特征來看, Ⅰ號礦體的主要金屬礦物為銅的相關(guān)硫化物, 鋅作為礦床重要共生組分, 多以閃鋅礦分布于銅硫礦石之間, 鉛、銀、金等有用組分則呈分散態(tài)賦存于Ⅱ號礦體硫化物礦石之中。結(jié)合圖5d的雙標(biāo)圖同樣可得, 由PC1主成分所得的Cu-As-Sb-Co及Pb-Zn-Au-Ag-Mo-Sn-Bi-Cd兩組礦化組合, 大致反映了礦床形成的兩大階段: 即與噴流沉積成礦作用相關(guān)的中低溫銅多金屬成礦階段, 和與變質(zhì)改造及熱液疊加活動有關(guān)高溫鉛鋅金銀多金屬礦化階段。

4.3 找礦靶區(qū)圈定

通過對研究區(qū)地表原生暈地球化學(xué)數(shù)據(jù)進(jìn)行系統(tǒng)全面的分析, 結(jié)合研究區(qū)成礦地質(zhì)情況可知, 研究區(qū)有利找礦地質(zhì)特征與賦礦地層、構(gòu)造復(fù)合端、古火山機(jī)構(gòu)、侵入巖體及蝕變帶關(guān)系密切, 結(jié)合研究區(qū)元素組合異常平面分布特征, 共圈定具有找礦前景的Ⅰ類靶區(qū)兩個, Ⅱ類靶區(qū)一個(圖10)。各靶區(qū)特征如下:

1. 鐵帽; 2. 蝕變帶; 3. 向斜; 4. 背斜; 5. 斷層; 6. 隱伏斷層; 7. 古火山機(jī)構(gòu); 8. 找礦靶區(qū)。Q1x. 第四系上更新統(tǒng)?全新統(tǒng)沉積物; Q3-4. 第四系下更新統(tǒng)西域組; D3q1. 齊也組一段; D2as2c. 阿舍勒組二段上亞段; D2as2b. 阿舍勒組二段中亞段; D2as2a. 阿舍勒組二段下亞段; D2as1. 阿舍勒組一段; D1-2t3. 托克薩雷組三段; ξπ. 英安斑巖; δμ. 次閃長巖; βμ. 次輝綠巖。

Ⅰ類靶區(qū): 該靶區(qū)主要包括位于A區(qū)內(nèi)的Ⅰ-1及Ⅰ-2兩個找礦有利地段。其中Ⅰ-1及Ⅰ-2區(qū)段分別位于A區(qū)東、西兩側(cè), 空間相鄰; 兩有利地段存在明顯的PC1及PC2元素組合高值異常, 且均位于賦礦巖層(D22)中; 與此同時, 兩區(qū)段中都具備褶皺復(fù)合端、斷層交匯及蝕變帶等有利成礦條件, 且空間位置緊鄰古火山機(jī)構(gòu)。由此, 建議可在Ⅰ類成礦有利靶區(qū)內(nèi)進(jìn)一步開展地質(zhì)勘查及深部工程驗證工作。

Ⅱ類靶區(qū): 該靶區(qū)包括一個Ⅱ-1成礦有利地段, 該地段位于B區(qū)中部; PC1及PC2主成分元素組合異常圖在該區(qū)段存在顯著高值異常; 與此同時, 該區(qū)段內(nèi)出露阿舍勒組二段賦礦(D22)及齊也組一段(D31), 并有部分侵入巖體出露, 通過前文分析可知, 齊也組一段雖不是礦區(qū)賦礦地層, 但其下賦的阿舍勒組二段為含礦層位, 具備成礦潛質(zhì)。此外, 該處還是褶皺復(fù)合端與斷裂構(gòu)造交匯區(qū)域, 具備賦礦條件。在此基礎(chǔ)上, 建議可對Ⅱ類成礦有利靶區(qū)進(jìn)一步開展地質(zhì)勘查研究工作。

5 結(jié) 論

(1) 地球化學(xué)數(shù)據(jù)是典型的成分?jǐn)?shù)據(jù), 具有顯著的閉合效應(yīng); 在對數(shù)據(jù)進(jìn)行統(tǒng)計學(xué)分析之前, 需要對數(shù)據(jù)進(jìn)行對數(shù)比(ilr)變換。經(jīng)過對比, 對數(shù)比轉(zhuǎn)換后的地球化學(xué)數(shù)據(jù)相比原始數(shù)據(jù)及對數(shù)變換后的數(shù)據(jù)具有更穩(wěn)定的空間分布及內(nèi)部結(jié)構(gòu)。

(2) 對研究區(qū)巖石地球化學(xué)數(shù)據(jù)(ilr變換)進(jìn)行穩(wěn)健主成分分析(RPCA), 識別出礦區(qū)與成礦作用有關(guān)的兩類元素組合, 分別為以Cu-As-Sb-Co元素為代表的銅成礦元素礦化組合和以Pb-Zn-Ag-Au-Mo- Ba-Cd-Bi-Sn元素為代表的鉛鋅金銀多金屬元素礦化組合, 兩組元素組合與礦床形成的噴氣沉積及變質(zhì)改造?熱液疊加活動階段相吻合。

(3) 運(yùn)用-能譜面積多重分形模型, 有效識別并分離研究區(qū)原生暈地球化學(xué)數(shù)據(jù)元素組合異常?背景分布特征; 結(jié)合礦區(qū)地質(zhì)情況, 共在研究區(qū)圈定Ⅰ類靶區(qū)兩個、Ⅱ類靶區(qū)一個, 為礦區(qū)邊部進(jìn)一步找礦工作指明了方向。

致謝:本次研究工作在那不勒斯費(fèi)德里科二世大學(xué)Stefano Albanese教授指導(dǎo)下完成, 野外樣品采集及數(shù)據(jù)收集工作得到了新疆哈巴河阿舍勒銅業(yè)股份有限公司陳澤粟等相關(guān)領(lǐng)導(dǎo)和新疆維吾爾自治區(qū)地質(zhì)礦產(chǎn)勘查開發(fā)局第四地質(zhì)大隊吳曉貴的大力支持; 此外, 兩位匿名評審專家對本文提出了寶貴的修改意見, 作者在此一致表示誠摯的謝意。

陳健. 2019. EDA異常下限分析在地質(zhì)找礦中的應(yīng)用. 礦產(chǎn)勘查, 10(8): 1961–1966.

陳毓川, 葉慶同, 馮京. 1996. 阿舍勒銅鋅成礦帶成礦條件和成礦預(yù)測. 北京: 地質(zhì)出版社: 5–142.

成秋明. 2000. 多維分形理論和地球化學(xué)元素分布規(guī)律. 地球科學(xué), 25(3): 311–318.

成秋明. 2001a. 多重分形與地質(zhì)統(tǒng)計學(xué)方法用于勘查地球化學(xué)異?？臻g結(jié)構(gòu)和奇異性分析. 地球科學(xué), 26(2): 161–166.

成秋明. 2001b. 空間自相似性與地球物理和地球化學(xué)場的分解方法. 地球物理學(xué)進(jìn)展, 16(2): 8–17.

成秋明. 2003. 非線性礦床模型與非常規(guī)礦產(chǎn)資源評價. 地球科學(xué), 28(4): 445–454.

成秋明. 2006a. 應(yīng)用復(fù)雜性?非線性理論開展成礦預(yù)測——奇異性理論?廣義自相似性?分形譜系多重分形理論與應(yīng)用. 礦床地質(zhì), 25(S1): 463–466.

成秋明. 2006b. 非線性成礦預(yù)測理論: 多重分形奇異性?廣義自相似性?分形譜系模型與方法. 地球科學(xué), 31(3): 337–348.

成秋明. 2007. 成礦過程奇異性與礦產(chǎn)預(yù)測定量化的新理論與新方法. 地學(xué)前緣, 14(5): 42–53.

成秋明. 2012. 覆蓋區(qū)礦產(chǎn)綜合預(yù)測思路與方法. 地球科學(xué), 37(6): 1109–1125.

成秋明, 張生元, 左仁廣, 陳志軍, 謝淑云, 夏慶霖, 徐德義, 姚凌青. 2009a. 多重分形濾波方法和地球化學(xué)信息提取技術(shù)研究與進(jìn)展. 地學(xué)前緣, 16(2): 185–198.

成秋明, 趙鵬大, 陳建國, 夏慶霖, 陳志軍, 張生元, 徐德義, 謝淑云, 王文磊. 2009b. 奇異性理論在個舊錫銅礦產(chǎn)資源預(yù)測中的應(yīng)用: 成礦弱信息提取和復(fù)合信息分解. 地球科學(xué), 34(2): 232–242.

龔慶杰, 張德會, 韓東昱. 2001. 一種確定地球化學(xué)異常下限的簡便方法. 地質(zhì)地球化學(xué), 29(3): 215–220.

何旺, 羅先熔, 歐陽菲, 劉攀峰, 蘇藝懷, 黃文斌, 王東, 游軍, 張小明. 2020. 地電化學(xué)在陜西略陽縣何家埡地區(qū)尋找隱伏銅鎳礦的研究. 物探與化探, 44(3): 523–532.

胡以鏗. 1991. 地球化學(xué)中的多元分析. 武漢: 中國地質(zhì)大學(xué)出版社: 1–6.

李長江, 麻土華, 朱興盛, 胡永和, 趙乃良. 1999. 礦產(chǎn)勘查中的分形、混沌與ANN. 北京: 地質(zhì)出版社: 25–30.

李志純. 1996. 阿爾泰左型雁列式火山?沉積盆地形成、演化及成礦活動追蹤. 大地構(gòu)造與成礦學(xué), 20(3): 189–200.

馬艷芳. 2016. 雙標(biāo)圖及其在成分?jǐn)?shù)據(jù)中的應(yīng)用. 山西: 山西大學(xué)碩士學(xué)位論文: 1–9.

韋導(dǎo)忠, 李曉暉, 周杰, 袁峰, 胡訓(xùn)宇, 楊迪, 李現(xiàn)瑣. 2018. 基于S-A多重分形濾波方法的深層土壤Au元素異常識別——以皖東張八嶺–管店地區(qū)為例. 地質(zhì)學(xué)刊, 42(3): 407–411.

吳玉峰, 楊富全, 劉鋒, 周明, 陳紅琦. 2015. 新疆阿舍勒銅鋅礦區(qū)脆韌性剪切帶中絹云母40Ar/39Ar年代學(xué)及其地質(zhì)意義. 地球?qū)W報, 36(1): 121–126.

新疆地質(zhì)礦產(chǎn)開發(fā)局第四地質(zhì)大隊. 2010. 新疆阿爾泰哈巴河火山盆地阿舍勒銅鋅礦區(qū)地質(zhì)圖.

楊富全, 李鳳鳴, 秦紀(jì)華, 鄭開平, 劉鋒. 2013. 新疆阿舍勒銅鋅礦區(qū)(潛)火山巖LA-MC-ICP-MS鋯石U-Pb年齡及其地質(zhì)意義. 礦床地質(zhì), 32(5): 869–883.

楊富全, 吳玉峰, 楊俊杰, 鄭佳浩. 2016. 新疆阿爾泰阿舍勒礦集區(qū)銅多金屬礦床模型. 大地構(gòu)造與成礦學(xué), 40(4): 701–715.

葉慶同, 傅旭杰, 王保良. 1998. 新疆阿爾泰山南緣多金屬成礦帶的成礦規(guī)律. 地質(zhì)學(xué)報, 72(4): 3–5.

張俊楊, 楊曉芳, 李鑫林, 劉晗, 楊洋, 林健. 2016. 新疆哈巴河縣阿舍勒銅礦一號銅鋅礦床補(bǔ)充勘探報告. 廈門: 紫金礦業(yè)集團(tuán)股份有限公司礦產(chǎn)地質(zhì)勘查院: 15–66.

鄭義, 李登峰, 張莉, 王成明, 方京. 2015. 新疆阿舍勒VMS型銅鋅礦床元素活化富集作用初步研究. 大地構(gòu)造與成礦學(xué), 39(3): 542–553.

Afzal P, Alghalandis Y F, Khakzad A, Moarefvand P, Omran N R. 2011. Delineation of mineralization zones in porphyry Cu deposits by fractal concentration-volume modeling., 108(3): 220–232.

Ahrens L H. 1954. The lognormal distribution of the elements (A fundamental law of geochemistry and its subsidiary)., 5(2): 49–73.

Aitchison J. 1982. The statistical analysis of compositional data.:(), 44(2): 139–160.

Aitchison J, Greenacre M. 2002. Biplots of composi-tional data.:(), 51(4): 375–392.

Albanese S, De Vivo B, Lima A, Cicchella D. 2007. Geochemical background and baseline values of toxic elements in stream sediments of Campania region (Italy)., 93(1): 21–34.

B?lviken B, Stokke P R, Feder J, J?ssang T. 1992. The fractal nature of geochemical landscapes., 43(2): 91–109.

Carlos M S J, Palarea A J, Martin F J A, Martinez S M, Vicente G M J. 2010. Sedimentary chemofacies characterization by means of multivariate analysis., 228(3–4): 218–228.

Cheng Q M. 1999. Multifractality and spatial statistics., 25(9): 949–961.

Cheng Q M. 2008. Modeling local scaling properties for multiscale mapping., 7(2): 525–532.

Cheng Q M, Agterberg F P, Ballantyne S B. 1994. The separation of geochemical anomalies from background by fractal methods., 51(2): 109–130.

Cheng Q M, Agterberg F P, Bonham-Carter G F. 1996. A spatial analysis method for geochemical anomaly separa-tion., 56(3): 183–195.

Cheng Q M, Bonham-Carter G F, Raines G L. 2001. GeoDAS: A new GIS system for spatial analysis of geochemical data sets for mineral exploration and environmental assessment. The 20th International Geochemical Exploration Symposium (IGES), Santiago de Chile: 42–43.

Cheng Q M, Xu Y G, Grunsky E. 2000. Integrated spatial and spectrum method for geochemical anomaly sepa-ration., 9: 43–52.

Claude J, Gre A, Eric L. 1995. Scaling laws and geoche-mical distributions., 132(1–4): 1–13.

Drew L J, Grunsky E C, David M S, Woodruff L G. 2010. Multivariate analysis of the geochemistry and mineralogy of soils along two continental-scale transects in North America., 409(1): 218–227.

Egozcue J J, Pawlowsky-Glahn V, Mateu-Figueras G, Barcelo-Vidal C. 2003. Isometric logratio transforma-tions for compositional data analysis., 35(3): 279–300.

Filzmoser P, Hron K, Templ M. 2018. Applied Compo-sitional Data Analysis (With work examples in R). Swit-zer-land: Springer International Publishing: 1–69.

Gabriel K R. 1971. The biplot graphic display of matrices with application to principal component analysis., 58(3): 453–467.

Hampel F R. 1974. The influence curve and its role in robust estimation., 69(346): 383–393.

Leys C, Ley C, Klein O, Bernard P, Licata L. 2013. Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median., 49(4): 764– 766.

Li C J, Ma T H, Shi J F. 2003. Application of a fractal method relating concentrations and distances for separa-tion of geochemical anomalies from background., 77(2–3): 167–175.

Lima A, Albanese S, Cicchella D. 2005. Geochemical baselines for the radioelements K, U, and Th in the Campania region, Italy: A comparison of stream-sediment geochemistry and gamma-ray surveys., 20(3): 611–625.

Lima A, De Vivo B, Cicchella D, Cortini M, Albanese S. 2003.Multifractal IDW interpolation and fractal filtering method in environmental studies: An application on regional stream sediments of (Italy), Campania region., 18(12): 1853–1865.

Lima A, Plant J A, De Vivo B, Tarvainen T, Albanese S, Cicchella D. 2008. Interpolation methods for geoche-mical maps: A comparative study using arsenic data from European stream waters., 8(1): 41–48.

Lin X, Wang X Q, Zhou J, Chi Q H, Nie L S, Zhang B M, Xu S F, Zhao S D, Liu H L, Sun B B, Han Z X, Liu D S, Wang W, Liu Q Q, Bai J F, Fan H, Ma N, Zhang L S, Xu G Z, Wei W T, Zhao B, Shen W J. 2019. Concen-trations, variations and distribution of molybdenum (Mo) in catchment outlet sediments of China: Conclu-sions from the China geochemical baselines project., 103: 50–58.

Liu X C, Wang W L, Pei Y R, Yu P P. 2020. A knowledge- driven way to interpret the isometric log-ratio transfor-mation and mixture distributions of geochemical data., 210: 1–9.

Liu Y, Carranza E J M, Zhou K F, Xia Q L. 2019b. Compositional balance analysis: An elegant method of geochemical pattern recognition and anomaly mapping for mineral exploration., 28(4): 1269–1283.

Liu Y P, Zhu L X, Ma S M, Guo F S, Gong Q L, Tang S X, Gnanachandrasamy G, Zhou Y Z. 2019a. Cons-trai-ning the distribution of elements and their controlling factors in the Zhaojikou Pb-Zn ore deposit, SE China, via fractal and compositional data analysis., 108: 1–10.

Lloyd C D, Pawlowsky-Glahn V, Egozcue J J. 2012. Compositional data analysis in population studies., 102(6): 1251–1266.

Mandelbrot B B. 1983. The fractal geometry of nature., 51(3): 286.

Pawlowsky-Glahn V, Egozcue J J. 2006. Compositional data and their analysis: An introduction.,,, 264(1): 1–10.

Reimann C, Filzmoser P, Garrett R, Dutter R. 2011. StatisticalData Analysis Explained: Applied Environmental Statistics with R. New Jersey: John Wiley & Sons: 15–69.

Wang J, Zuo R G, Caers J. 2017. Discovering geochemical patterns by factor-based cluster analysis., 181: 106–115.

Zheng C J, Liu P F, Luo X R, Wen M L, Huang W B, Liu G, Wu X G, Chen Z S, Albanese S. 2021. Application of compositional data analysis in geochemical exploration for concealed deposits: A case study of Ashele copper- zinc deposit, Xinjiang, China., 130: 1–13.

Zheng C J, Luo X R, Wen M L, Ebrahimi P, Liu P F, Liu G, Li H P, Wei C C, Chen Z S, Albanese S. 2020. Axial primary halo characterization and deep orebody prediction in the Ashele copper-zinc deposit, Xinjiang, NW China., 213: 1–16.

Zuo R G. 2011. Identifying geochemical anomalies associated with Cu and Pb-Zn skarn mineralization using principal component analysis and spectrum-area fractal modeling in the Gangdese Belt, Tibet (China)., 111(1): 13–22.

Zuo R G. 2016b. Identifying geochemical anomalies associated with Sb-Au-Pb-Zn-Ag mineralization in North Himalaya, southern Tibet., 73: 1–12.

Zuo R G, Carranza E J M, Cheng Q M. 2012. Fractal/ multifractal modelling of geochemical exploration data., 122: 1–3.

Zuo R G, Wang J. 2016a. Fractal/multifractal modeling of geochemical data: A review.. 164: 33–41.

Zuo R G, Wang J. 2020. ArcFractal: An ArcGIS Add-In for processing geoscience data using fractal/multifractal models., 29(1): 3–12.

Zuo R G, Xia Q L, Wang H C. 2013. Compositional data analysis in the study of integrated geochemical anomalies associated with mineralization., 28: 202–211.

Rock Geochemical Data Mining and Weak Geochemical Anomaly Identification — A Case Study of the Ashele Copper-Zinc Deposit, Xinjiang, NW China

ZHENG Chaojie1, LIU Panfeng1, 2, LUO Xianrong1*, WEN Meilan1, HUANG Wenbin3, LIU Gang4, WU Xiaogui5, QIU Wei6, CHEN Zesu7, XIAO Hui7, WEI Chaocheng7

(1.College of Earth Sciences, Guilin University of Technology, Guilin 541006, Guangxi, China; 2. Collage of Environ-mental Science and Engineering, Guilin University of Technology, Guilin 541006, Guangxi, China; 3. Guangxi Branch of China National Geological Exploration Center of Building Materials Industry, Guilin 541002, Guangxi, China; 4. Geological Bureau of Ningxia Hui Autonomous Region, Yinchuan 750021, Ningxia, China; 5. Xinjiang Bureau of Geology and Mineral Exploration and Development, Urumqi 830000, Xinjiang, China; 6. Qinghai Geological Survey Institute, Xining 810012, Qinghai, China; 7.Xinjiang Habahe Ashele Copper Co., Ltd., Altay 836700, Xinjiang, China)

The priority of geochemical exploration prospecting is to correctly interpret the geochemical data in order to accurately extract the abnormal information associated with mineralization from the jumbled geological information, and to guide the prospecting research. However, geochemical data are compositional data with closure effect, therefore, to reveal the true spatial distribution of elements, the data should be pretreated with logratio transformation prior to multivariate analysis. In this paper, a total of 1009 surface primary halo samples, which were analyzed for 13 elements, were collected from the southern periphery of the Ashele copper-zinc deposit. The EDA technology is applied to process the raw, logarithmically transformed and logratio (ilr) transformed datasets respectively to explore the spatial scale distribution, and the internal structural characteristics of the different datasets are compared. Then, the correlation between element assemblage and metallogenic information indicated by the different datasets is interpreted by principal component biplots and score map which both are obtained from the (robust) principal component analysis. After that, the multifractal filtering technique (S-A model) is dedicated to decompose the mixed geochemical field and to delineate geochemical anomalies with robust principal component score data based on ilr transform. The result shows that: 1) the spatial scale of the logarithmically and logratio transformed dataset is more uniform than that of the raw data, and both transformed datasets approximately present a normal distribution; 2) the biplot of different datasets shows that only the ilr transformed data eliminates the “closure effect” and its first principal component reveals the element assemblage of the copper mineralization and the lead-zinc polymetallic mineralization in the study area. The score maps based on logarithmically and ilr transformation show that the high score area of the ilr transformed data can better reveal the geological prospecting information in the study area; 3) combining the geological prospecting information, the favorable element assemblage anomaly, and the background spatial distribution characteristics of the study area, three favorable prospecting targets are finally delineated.

compositional data analysis; multifractal technology; peripheral orebody prediction; Ashele district

2020-09-27;

2020-10-29;

2021-06-08

國家重點(diǎn)研發(fā)項目“華南熱液型鈾礦基地深部探測技術(shù)示范”(2017YFC0602600)及青海省科學(xué)技術(shù)廳應(yīng)用基礎(chǔ)研究計劃項目(2018-ZJ-779)聯(lián)合資助。

鄭超杰(1993–), 男, 博士研究生, 勘查地球化學(xué)專業(yè)。E-mail: zcj@glut.edu.cn

羅先熔(1953–), 男, 教授, 博士生導(dǎo)師, 從事地球化學(xué)方面研究。E-mail: lxr811@glut.edu.cn

P632+.2

A

1001-1552(2022)01-0086-016