巖石地球化學數據挖掘及弱異常識別——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

巖石地球化學數據挖掘及弱異常識別——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 地球科學學院, 廣西 桂林 541006; 2. 桂林理工大學 環境科學與工程學院, 廣西 桂林 541006; 3. 中國建筑材料工業地質勘查中心 廣西總隊, 廣西 桂林 541002; 4. 寧夏回族自治區地質礦產 勘查院, 寧夏 銀川 750021; 5. 新疆維吾爾自治區地質礦產勘查開發局, 新疆 烏魯木齊 830000; 6. 青海省地質調查院, 青海 西寧 810012; 7. 新疆哈巴河阿舍勒銅業股份有限公司, 新疆 阿勒泰 836700)

勘查地球化學找礦工作的重點在于正確解譯地球化學數據, 以便從冗雜的地質信息中精準提取與成礦有關的異常信息, 指導找礦研究。然而, 地球化學數據屬于成分數據, 具有閉合效應, 只有對數據進行正確的預處理才能應用多元統計分析方法, 還原元素真實的空間分布。本文在阿舍勒銅鋅礦區外圍南側區域共收集1009件地表原生暈樣品, 對樣品中的13種微量元素進行測試, 并對原始數據、對數及ilr變換后的數據進行EDA分析, 對比數據空間分布及內部結構特征。運用(穩健)主成分分析, 結合成分數據雙標圖及第一主成分點位圖, 解譯三類數據指示的元素組合與成礦信息之間的關聯。隨后運用多重分形濾波技術, 對以ilr變換為基礎的穩健主成分得分數據分解元素組合異常和背景分布特征。結果表明: ①經過對數及ilr變換后的數據相比原始數據空間尺度更均勻, 數據近似正態分布; ②三類數據雙標圖表明, 僅ilr變換后的數據消除了“閉合效應”, 且其第一主成分元素分組揭示了研究區銅礦化與鉛鋅多金屬礦化組合; 以對數變換與ilr變換為基礎的第一主成分點位圖表明, 后者主成分得分異常能夠較好指示研究區地質找礦信息; ③結合研究區地質找礦信息、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。

成分數據分析; 多重分形; 深邊部找礦預測; 新疆阿舍勒

0 引 言

在復雜的地質成礦作用過程中, 元素地球化學分布模式受多成因、多期次地質活動影響, 元素異常場與若干地質背景場反復疊加, 進而礦致異常呈現弱緩復合的疊加信息, 在空間尺度常表現為多元素共生組合關系(成秋明, 2001a; 韋導忠等, 2018)。準確了解元素的地球化學分布模式, 有效識別和分離元素地球化學數據“異常”及“背景”分布成為找礦工作的重點研究課題; 如何解譯和分解這項復雜的工程, 要求地質學家不僅要對研究區的地質背景了如指掌, 也需要他們具備精湛的數據處理分析能力。成秋明等人指出: 運用分形、多重分形分析方法處理地球化學數據, 能夠快速有效地從冗雜的地質信息中分離出地球化學背景和異常, 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, 并被廣泛應用于自然科學的眾多領域中。在這之前, 地球化學家對元素在自然界的分布僅停留在其滿足正態或對數正態分布(Ahrens, 1954)。隨后, 國內外學者對元素地球化學場分布機制進行研究后認為, 元素含量具有尺度不變性, 地質過程包括礦化過程均可形成具有自相似性或統計自相似性的場——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雜性理論研究的基礎上, 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”非線性礦產資源定量預測模型, 用于開展礦產資源綜合預測和定量評價工作(成秋明, 2003)。此外, 基于分形多重分形理論構建的異常、背景分離模型也不斷被學者提出, 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,-), 對地球化學數據進行異常識別和提取; 李長江等(1999)對徑向密度律函數進行研究后, 將函數中的密度參數替換為距離, 使其遵循分形冪律函數, 進而提出含量距離多重分形模型(concentration-distance,-), 用于分離復雜地質背景中與成礦作用相關的異常; 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數據處理方法, 不同于基于頻率分布的常規方法, 前者在處理地球化學數據時, 同時考慮了數據的地理位置和統計學特征(Zuo et al., 2013)。長期以來, 該理論及方法技術在國際上被廣泛運用于勘查找礦(Cheng et al., 1996; 成秋明等, 2009b; Zuo, 2011, 2016b; 成秋明, 2012)及環境地球化學(Lima et al., 2003, 2005, 2008; Albanese et al., 2007)工作中。

地球化學數據屬于成分數據, 具有閉合效應, 空間類型為Aitchison幾何空間, 其樣本空間為單形空間(simplex)。成分數據的特點表現為各組成部分的總和為一定值(定和問題), 且各部分數據相對整體具有相對性(Lloyd et al., 2012; Filzmoser et al., 2018)。由于這種效應, 因此在處理地球化學數據時, 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, 這種改變可能導致元素間的相關性發生逆向轉變(正相關?負相關)。通常情況下, 為了快速有效的了解地球化學數據的結構及分布情況, 統計學方法是必要手段。然而, 運用統計學方法進行數據處理的前提是數據屬于歐式空間, 處理成分數據若不對數據進行相應變換, 則無法得出理想的結果, 甚至會是錯誤結果。Aitchison (1982)在對成分數據進行研究后, 提出對數比變換方法, 旨在將Aitchison空間的數據以對數比坐標系表示進而將其轉換至Euclidean空間, 該變換克服了成分數據的閉合效應, 使數據可以應用多元統計學方法進行分析。大量研究實例表明, 運用基于成分數據的多元統計方法對地球化學數據進行分析, 能夠更有效揭示元素真實空間分布模式, 進而準確識別、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造環境、巖相學、地球化學、礦床特征、礦物學、成礦流體、成礦物質來源、年代學、成礦機制和成礦預測進行了詳細的研究工作, 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研究。由于阿舍勒銅礦埋藏深、開采難度大、維護成本高, 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已迫在眉睫。在常規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, 以成分數據分析視角, 對礦區外圍南側地表原生暈數據進行多元統計分析, 運用-能譜面積多重分形模型, 對地球化學元素的空間分布模式進行分離,圈定有利成礦前景區, 為礦區深部及外圍找礦提供了依據。

1 研究區地質背景

1.1 區域地質背景

阿舍勒銅鋅礦區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向斜南西冀, 阿爾泰造山帶南緣阿舍勒火山?沉積盆地內。大地構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。區域出露上志留統?下泥盆統康布鐵堡組、下泥盆統托克薩雷組、中泥盆統阿勒泰組、中泥盆統阿舍勒組、上泥盆統齊也組及下石炭統紅山嘴組(楊富全等, 2013; 鄭義等, 2015)。區內地質構造復雜, 主要發育NW向闊勒德能復向斜及加曼哈巴復背斜等大型褶皺, 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烈, 發育火山巖、侵入巖和脈巖等。區域礦產資源豐富, 以有色金屬、貴金屬、稀有金屬和白云母著名。礦產分布與區域地層構造關系密切, 以瑪爾卡庫里大斷裂為界, 北東側歸克蘭成礦帶, 南西側屬額爾齊斯成礦帶。沿瓊庫爾?阿巴宮褶皺帶中發育阿舍勒銅鋅礦、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, 構成克蘭海西期Cu-Pb-Zn-Au- Ag-Fe成礦帶(Zheng et al., 2020, 2021)。

1.2 礦區地質特征

礦區內主要出露中泥盆統阿舍勒組(D2), 上泥盆統齊也組(D3)和第四系沉積物(Q), 局部出露少量中下泥盆統托克薩雷組(D1-2)(圖2)。其中, 中泥盆統阿舍勒組為賦礦地層, 主要分布于礦區中部、南部及東北側區域。根據巖性差異可將阿舍勒組分為2個巖性段: 第一巖性段以凝灰巖為主, 局部夾結晶灰巖。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, 以變凝灰巖、角礫凝灰巖為主, 為本區第一個含礦層; 中亞段(D22b)的中酸性火山碎屑巖和火山?沉積碎屑巖類, 為本礦區第二個含礦層, 其中, 礦區一號銅鋅礦體及Ⅰ號蝕變帶則賦存于此; 上亞段(D22c)為玄武巖夾少量沉凝灰巖及金屬硫化物薄礦層。

1. 中新生界沉積物; 2. 紅山嘴組凝灰巖、英安巖、安山巖; 3. 齊也組火山角礫巖、凝灰巖、安山巖; 4. 阿舍勒組玄武巖、流紋巖和凝灰巖; 5. 阿勒泰鎮組片巖、變質砂巖、變質粉砂巖; 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; 13. 斷層; 14. 推測斷層; 15. 研究區。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. 古火山機構; 8. 研究區巖石地球化學采樣點位。Q1x. 第四系上更新統?全新統沉積物; Q3-4. 第四系下更新統西域組; 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。

礦區地質構造復雜, 褶皺、斷裂十分發育。受瑪爾卡庫里斷裂及別斯薩拉大斷裂影響, 區內發育大量S-N向和NW向次級斷裂, 構造表現為多期活動特點; 受動力變質及熱液變質作用影響, 沿斷裂普遍發育破碎帶, 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象。礦區范圍內共圈定礦化蝕變帶15條, 呈NW向和近S-N向展布, 與研究區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, 礦區已發現的一號銅鋅礦體產于中泥盆統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, 主要屬于火山噴氣?沉積成因, 并在后期遭受了變形變質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, 礦石構造具有典型的雙層結構(楊富全等, 2016)。

2 樣品采集與數據處理

2.1 樣品采集及測試分析

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

本次樣品測試分析工作由新疆第四地質大隊實驗室承擔, 定量分析測定Cu、Zn、Pb、Ag、Au、As、Sb、Bi、Mo、Sn、Ba、Co、Cd等13個元素; 樣品測試按照行業標準DZ/TO130.4-2006執行, 分析質量達到標準要求; 13個元素的分析方法及檢出限見表1。

2.2 基于成分數據的多元統計分析

地球化學元素分布規律的研究是揭示元素礦化富集及空間變化規律的重要途徑之一(成秋明, 2000)。地球化學數據在受到“異常”干擾時往往呈偏態分布, 這些“異常”一部分是由于地殼元素空間分布不均勻造成的, 其次則是受到各種內、外動力地質作用對元素再分配的影響, 更有甚至是受人為活動干擾。大部分統計學方法在對數據進行處理時, 要求數據盡可能服從正態或對數正態分布, 各變量之間的關系為線性關系(胡以鏗, 1991; 陳健, 2019)。探索性數據分析(EDA)屬于穩健統計學范疇, 該方法的優勢在于無需要求數據服從正態分布, 通過箱型圖、散點圖、直方圖、累計密度分布函數等簡單圖示, 能快速、準確得出數據的內部結構及聚散分布特征(何旺等, 2020)。此外, Hampel (1974)年提出中位數絕對離差(MAD)這一估計量, 該估計量不受樣本量及少量離群值的影響, 常被用來檢驗數據中的離群值(Reimann et al., 2011; Leys et al., 2013)。

表1 測試方法及質量參數表

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

目前, 針對成分數據進行對數比變換的方法分為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, 等距變換后的數據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變換后造成的協方差矩陣奇異性問題, 更適用于實際數據處理, 但缺點是數據進行ilr變換后會減少變量個數, 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)研究發現, 通過對成分數據進行ilr變換再運用穩健主成分分析(RPCA), 隨后將所得主成分得分和載荷值通過標準正交基逆轉換至clr坐標系, 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通過對數據中的離群值進行預處理, 避免了主成分分析(PCA)因數據離群值存在而產生有偏的協方差矩陣估計量。Gabriel (1971)提出雙標圖的概念, 將數據矩陣的成分得分和載荷值以雙標圖展示, 能夠可視化數據集中樣本和變量關聯(Gabriel, 1971; 馬艷芳, 2016); 隨后, Aitchison and Greenacre (2002)詳細闡述了成分數據雙標圖的應用。

本次研究涉及的ilr及clr對數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。

為了探究地球化學數據變換前后數據的內部結構及分布情況, 以及ilr變換處理數據的可行性。本次研究對原生暈樣品中13種元素的原始數據, 對數變換及ilr變換數據進行統計分析, 得出各類數據的統計學特征(表 2); 運用R統計學軟件對上述數據進行EDA技術分析, 分別得出三類數據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聯, 并對三類數據進行PCA/RPCA分析, 選取PC1和PC2主成分構建主成分雙標圖(圖 5), 并在GIS地理信息系統中創建PC1主成分得分點位圖(圖 6)。

2.3 多重分形技術

反距離權重插值法(IDW)常被用于地球化學點位數據的柵格處理, 該方法精確且應用方便, 但忽略了數據內部結構的變異性。而成秋明提出的多重反距離權重插值法(MIDW)結合了多維分形理論和滑動加權估值方法, 克服數據本身差異性缺陷的同時, 增強了數據的局部結構信息(成秋明, 2001b; Cheng, 2008)。-模型運用傅里葉變換, 將元素地球化學場由空間域轉換至頻率域, 依次得出相(phase)分布圖及能譜(power-spectrum)分布圖; 根據元素在背景場、異常場及干擾場呈現的各向異性, 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, 運用傅里葉逆變換, 將三類濾波器分別轉換回空間域, 進而提取元素背景, 異常空間分布。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, 即滿足(≥) ∞?β, 表達式中表示能譜密度,(≥)是在能譜密度空間中超出的面積,為分形模型的指數(成秋明, 2006b); 根據冪律模型將能譜密度與累計面積在雙對數坐標中表示, 并運用最小二乘法擬合, 得出線性關系, 進而分解各類濾波器。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), 并在相關學者的研究下不斷拓展、推廣(Zuo et al., 2012; Zuo and Wang, 2016a)。

為查明研究區元素組合的異常及背景空間分布, 本次研究運用GIS軟件對ilr變換為基礎的PC1、PC2穩健主成分得分數據, 應用MIDW插值法柵格數據, 借助-模型分解元素異常及背景特征; 其中, 數據柵格及-模型, 借助中國地質大學GPMR國家重點實驗室成秋明團隊開發的Geodas礦產資源定量預測系統, 及左仁廣團隊開發的基于Arcgis地理信息系統的Arcfractal插件完成(Cheng et al., 2001; Zuo and Wang, 2020)。

表2 原始數據、對數變換及ilr變換數據統計信息

注: 元素含量單位, 除Au為ng/g, 其余元素均為μg/g; 參考均值*引用自阿舍勒礦區地表巖石實測算數平均值(陳毓川等, 1996); NA: 表示數據缺失; Std: 標準差; Skew: 數據偏度; Kurt: 數據峰度; MAD: 中位數絕對偏差。

圖3 原始數據(a)、對數變換數據(b)和ilr變換數據(c)箱圖

3 結 果

3.1 EDA技術

從表2可以看出, 原始數據各元素含量在數量級上差異極大, 多數元素(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含量遠超礦區地表巖石元素含量; 不難看出, 在僅3.8 km2的研究區內, 元素空間分布差異性大, 而研究區主成礦元素與礦區地表原生暈含量相當, 表明研究區同樣具備較大成礦潛力。對比表中三類(Raw、Lg、ilr)數據, 對數變換和ilr變換能夠極大程度上使數據趨于正態化, 變換后各元素偏態(Skew)和峰態(Kurt)均得到顯著改善, 符合正態分布特征。此外, 表2中原始數據的MAD值與原生暈各元素含量均值相差很大, 表明研究區受各類地質作用影響, 元素在空間分布上差異性極強。

從箱圖及密度曲線可知, 原始數據空間尺度差異大, 數據分布較分散, 多數元素存在大量高值異常點; 其中, 原始數據的累計密度曲線因數據之間量級及尺度差異較大(未在此處展示)。而經過對數及ilr變換的數據, 各元素空間分布尺度差異性大幅降低, 均處于同一數量級, 數據箱圖空間展布更加均勻, 對應密度曲線也近似呈單峰/多峰正態分布。進一步對比對數及ilr變換后的箱圖特征可知, ilr變換(圖3c)后的數據無論在空間尺度或是數據內散度上都比對數變換(圖3b)后的數據更集中、均衡, 且前者具有更佳的近似對稱的高低極值分布, 相應的密度曲線也較后者更接近正態分布(圖4a、b)。不難看出, 經過變換處理的數據能夠極大程度降低數據內部的不均一性, 消除數據的偏態分布, 使數據趨于集中, 符合多元統計分析要求; 而相比對數變換, ilr對數比變換則能進一步消除數據內部的不均衡性, 使數據呈正態分布。

3.2 主成分雙標圖

圖5依次展示了原始數據、對數變換數據及ilr變換數據經過PCA及RPCA分析所得的PC1、PC2主成分雙標圖。其中, 以ilr變換為基礎的數據(圖5c、d)在經過PCA及RPCA分析后, 變量(元素)數據被打開, 整體呈放射狀, 閉合效應已消除; 而原始數據及對數變換后的數據(圖5a、b)經PCA分析后, 變量依舊呈現一邊倒的趨勢, 即數據依舊存在閉合效應。其次, 經過變換為基礎的主成分數據(圖5b、c、d)擁有比原始數據(圖5a)更高的PC1、PC2總方差解譯值, 而經過RPCA分析的ilr變換數據(圖5d)擁有遠超其他數據的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主成分蘊涵的信息遠不如PC1主成分具有代表性。

從主成分雙標圖確定的元素組合方面來看, 原始數據(圖5a)和對數變換為基礎的主成分雙標圖(圖5b)呈現類似的元素組合。兩者的PC1成分中僅Co元素載荷值為負, 其余元素均為正載荷, 無法得出各元素之間的關聯; 雖然兩者在PC2成分中表現出細微的差異, 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系。相比之下, ilr變換為基礎的主成分雙標圖(圖5c、d), 元素分布模式與前者截然不同; 后者經過ilr變換, 成分數據被打開, 因此兩者在雙標圖中呈現類似的元素組合, 其差別在于RPCA(圖5d)相比PCA方法(圖5c)排除了數據內離群值的干擾, 元素組合更準確。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(a)及ilr(b)變化數據后的累計密度分布曲線

圖5 研究區巖石地球化學不同類型變換數據PCA/RPCA雙標圖

(a) PCA對數變換數據; (b) PCA對數比變換數據。1. 第四系上更新統?全新統沉積物; 2. 第四系下更新統西域組; 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. 古火山機構。

3.3 主成分得分點位圖

在各類數據雙標圖分析基礎上, 本次研究選取具有代表性的對數變換(PCA)及ilr變換數據(RPCA, 消除離群值影響)進行主成分分析, 將所得PC1主成分得分數據(對應雙標圖5b、d), 繪制研究區主成分得分點位圖(圖6)。從點位圖中可以看出, 以ilr變換為基礎的RPCA數據(圖6b)比對數變換為基礎的PCA數據(圖6a)呈現更清晰、更集中的高得分空間展布特征。其中, 圖6a中A區域顯示的高值空間展布, 大致與區內的Ⅱ、Ⅲ、Ⅶ號蝕變帶、區內的褶皺、斷裂構造的空間位置相吻合; B區域的高得分空間位置主要與該區內的幾條斷裂構造相吻合。結合雙標圖5b不難看出, 由于對數變換數據的閉合效應, 雙標圖無法有效界定元素組合和與成礦信息間的關系, 致使對數變換為基礎的PCA數據高值分布, 反映的多是與礦化蝕變帶、斷裂等一系列復合疊加地質信息為主的異常特征。而圖6b的PC1主成分點位圖呈現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區的高得分區域分布于④號向斜及⑤號背斜之間區域, 空間位置與其內的蝕變帶及斷裂交匯處相吻合; 而B區域的高值區域一部分展布于該區的幾處侵入巖體與地層交界處, 其余則分布于該區東南側齊也組一段內。結合圖5d雙標圖解譯, PC1高值得分主要反映了研究區銅礦化組合特征。

4 靶區圈定與找礦前景分析

4.1 多重分形技術

選取ilr變換為基礎的RPCA得分數據進行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, 兩組數據的地球化學背景及礦化異常分解依據由圖7的能譜面積-雙對數圖確定。由圖8、9可知, 經過-模型濾波處理后, 元素組合異常特征在研究區內的空間分布更為清晰。通過對雙標圖(圖5d)解譯可知, 圖8a中高異常區域對應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區域元素組合異常呈星狀分布, 高值異常規模小, 空間上分別與賦礦地層、褶皺帶及蝕變帶位置相吻合, 尤其是三者交匯區域異常顯著; B區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, 研究區高背景多與阿舍勒組二段賦礦地層(A區)及齊也組一段(B區)吻合, 一定程度上說明-模型的準確性。在PC2主成分分解圖(圖9a)中, A、B兩區元素組合高值異常空間形態整體較集中, 異常連續性好, 面積大, 強度高, 空間分布同樣指示地表構造及蝕變帶交匯處, 中、弱強度異常與區內發育的背、向斜構造及蝕變帶吻合; 圖9b中A、B兩區的PC2成分高背景分布大致與賦礦地層相吻合。

圖7 對數比變換數據主成分能譜面積S-A雙對數圖

1. 第四系上更新統?全新統沉積物; 2. 第四系下更新統西域組; 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. 古火山機構。

1. 第四系上更新統?全新統沉積物; 2. 第四系下更新統西域組; 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. 古火山機構。

4.2 找礦前景分析

研究區的主要賦礦地層為泥盆系阿舍勒組二段(D22), 圖8、9中A區高值異常在空間上與該地層對應, 但B區東南側齊也組一段也顯示高得分異常。結合研究區地質特征(圖2), 該區東、西兩側分別發育北西向的①號背斜及近S-N向的②號向斜構造。向斜構造能較大程度避免近核部地層遭受風化剝蝕, 并且已發現的一號銅鋅礦體則賦存于④號向斜之中。考慮到區內出露的齊也組一段(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由下伏地層引起。

區內NW向馬爾卡庫里和別斯薩拉兩處深大斷裂, 控制了研究區內次級構造的空間展布。次級斷裂復合部位控制了火山機構的分布, 銅多金屬礦化則環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區高值異常分布于研究區中部及南部, 與該區多條斷裂展布及次閃長巖侵入地段吻合; B區高背景分布于南側齊也組一段, 但北側賦礦地層呈現低背景特征。李志純(1996)對礦區外圍巖石、遠礦圍巖及近礦圍巖中成礦元素含量調查得出: 近礦圍巖中成礦元素含量最高, 其次為礦區外圍巖石, 最后為遠礦圍巖。上述研究表明, 受變質熱動力驅動, 以PC1為代表的銅多金屬成礦元素組合沿礦區構造裂隙發生了從遠礦(賦礦)圍巖向礦體活化轉移的現象, 致使元素在侵入巖體、斷裂交匯處出現異常, 而在遠離礦體外圍區域呈現高背景。此外, 據研究區勘探報告, 研究區共發現4處蝕變帶, 其中以黃鐵礦化?絹云母化?強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志(李志純, 1996; 張俊楊等, 2016)。對比研究區出露的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研究后認為, 多金屬成礦作用與泥盆紀火山活動密切相關, 中泥盆世中晚期火山噴發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, 古火山機構分布于研究區北部, 依附于褶皺轉折端, 毗鄰一號銅鋅礦體, 表明火山機構或為成礦物質來源的重要通道, 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)對礦區成礦流體研究后發現, 阿舍勒礦床熱水沉積階段成礦溫度為80～310 ℃, 在變質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賦存于Ⅱ號礦體硫化物礦石之中。結合圖5d的雙標圖同樣可得, 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的中低溫銅多金屬成礦階段, 和與變質改造及熱液疊加活動有關高溫鉛鋅金銀多金屬礦化階段。

4.3 找礦靶區圈定

通過對研究區地表原生暈地球化學數據進行系統全面的分析, 結合研究區成礦地質情況可知, 研究區有利找礦地質特征與賦礦地層、構造復合端、古火山機構、侵入巖體及蝕變帶關系密切, 結合研究區元素組合異常平面分布特征, 共圈定具有找礦前景的Ⅰ類靶區兩個, Ⅱ類靶區一個(圖10)。各靶區特征如下:

1. 鐵帽; 2. 蝕變帶; 3. 向斜; 4. 背斜; 5. 斷層; 6. 隱伏斷層; 7. 古火山機構; 8. 找礦靶區。Q1x. 第四系上更新統?全新統沉積物; Q3-4. 第四系下更新統西域組; 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: 該靶區主要包括位于A區內的Ⅰ-1及Ⅰ-2兩個找礦有利地段。其中Ⅰ-1及Ⅰ-2區段分別位于A區東、西兩側, 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, 兩區段中都具備褶皺復合端、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構。由此, 建議可在Ⅰ類成礦有利靶區內進一步開展地質勘查及深部工程驗證工作。

Ⅱ類靶區: 該靶區包括一個Ⅱ-1成礦有利地段, 該地段位于B區中部; PC1及PC2主成分元素組合異常圖在該區段存在顯著高值異常; 與此同時, 該區段內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。此外, 該處還是褶皺復合端與斷裂構造交匯區域, 具備賦礦條件。在此基礎上, 建議可對Ⅱ類成礦有利靶區進一步開展地質勘查研究工作。

5 結 論

(1) 地球化學數據是典型的成分數據, 具有顯著的閉合效應; 在對數據進行統計學分析之前, 需要對數據進行對數比(ilr)變換。經過對比, 對數比轉換后的地球化學數據相比原始數據及對數變換后的數據具有更穩定的空間分布及內部結構。

(2) 對研究區巖石地球化學數據(ilr變換)進行穩健主成分分析(RPCA), 識別出礦區與成礦作用有關的兩類元素組合, 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改造?熱液疊加活動階段相吻合。

(3) 運用-能譜面積多重分形模型, 有效識別并分離研究區原生暈地球化學數據元素組合異常?背景分布特征; 結合礦區地質情況, 共在研究區圈定Ⅰ類靶區兩個、Ⅱ類靶區一個, 為礦區邊部進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德里科二世大學Stefano Albanese教授指導下完成, 野外樣品采集及數據收集工作得到了新疆哈巴河阿舍勒銅業股份有限公司陳澤粟等相關領導和新疆維吾爾自治區地質礦產勘查開發局第四地質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找礦中的應用. 礦產勘查, 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測. 北京: 地質出版社: 5–142.

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

成秋明. 2001a. 多重分形與地質統計學方法用于勘查地球化學異常空間結構和奇異性分析. 地球科學, 26(2): 161–166.

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

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

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

成秋明. 2006b. 非線性成礦預測理論: 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, 31(3): 337–348.

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

成秋明. 2012. 覆蓋區礦產綜合預測思路與方法. 地球科學, 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信息提取技術研究與進展. 地學前緣, 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資源預測中的應用: 成礦弱信息提取和復合信息分解. 地球科學, 34(2): 232–242.

龔慶杰, 張德會, 韓東昱. 2001. 一種確定地球化學異常下限的簡便方法. 地質地球化學, 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. 地電化學在陜西略陽縣何家埡地區尋找隱伏銅鎳礦的研究. 物探與化探, 44(3): 523–532.

胡以鏗. 1991. 地球化學中的多元分析. 武漢: 中國地質大學出版社: 1–6.

李長江, 麻土華, 朱興盛, 胡永和, 趙乃良. 1999. 礦產勘查中的分形、混沌與ANN. 北京: 地質出版社: 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. 大地構造與成礦學, 20(3): 189–200.

馬艷芳. 2016. 雙標圖及其在成分數據中的應用. 山西: 山西大學碩士學位論文: 1–9.

韋導忠, 李曉暉, 周杰, 袁峰, 胡訓宇, 楊迪, 李現瑣. 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–管店地區為例. 地質學刊, 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脆韌性剪切帶中絹云母40Ar/39Ar年代學及其地質意義. 地球學報, 36(1): 121–126.

新疆地質礦產開發局第四地質大隊. 2010. 新疆阿爾泰哈巴河火山盆地阿舍勒銅鋅礦區地質圖.

楊富全, 李鳳鳴, 秦紀華, 鄭開平, 劉鋒. 2013. 新疆阿舍勒銅鋅礦區(潛)火山巖LA-MC-ICP-MS鋯石U-Pb年齡及其地質意義. 礦床地質, 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銅多金屬礦床模型. 大地構造與成礦學, 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律. 地質學報, 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充勘探報告. 廈門: 紫金礦業集團股份有限公司礦產地質勘查院: 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. 大地構造與成礦學, 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

國家重點研發項目“華南熱液型鈾礦基地深部探測技術示范”(2017YFC0602600)及青海省科學技術廳應用基礎研究計劃項目(2018-ZJ-779)聯合資助。

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

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

P632+.2

A

1001-1552(2022)01-0086-016