煤系頁巖有機質特征及有機碳含量預測:以寧武南區塊為例

劉忠,唐書恒,張鵬豹,張遷,張珂,楊雄雄,梅小凡

(1.中國石油華北油田勘探開發研究院,任丘 062552; 2.中國地質大學(北京)能源學院,北京 100083)

中國頁巖氣資源量豐富,廣泛發育海相、陸相和海陸過渡相三種類型的頁巖[1]。四川盆地及其周緣地區海相頁巖氣已成功實現商業開發[2-3],而陸相和海陸過渡相頁巖的勘探程度較低。海陸過渡相頁巖常與煤層互層,有機質豐度高,累積厚度大,資源量豐富,具有較好的勘探開發前景[4]。因此,對海陸過渡相頁巖氣勘探的深入研究可有效緩解中國能源短缺問題,也是中國“十四五”規劃的重要研究和勘探方向。

寧武盆地是山西省重要的含煤盆地之一,其上石炭統太原組和下二疊統山西組蘊藏著豐富的煤炭和煤層氣資源,且勘查開發程度較高[5]。目前針對盆地內海陸過渡相頁巖氣的勘探研究較少,但通過煤炭勘查了解到寧武盆地內廣泛發育石炭-二疊系太原組-山西組暗色泥頁巖,有機碳含量高,具有較高的勘探開發潛力。有機碳含量是頁巖氣勘探過程中目標層段優選和有利區評價的關鍵參數。海陸過渡相頁巖單層厚度薄,巖性變化快,且有機碳含量變化范圍大。然而受采樣條件的限制,往往難以只通過有機碳含量的實驗測定評價區域煤系頁巖有機質豐度的時空非均質性變化。因此,建立適合本研究區煤系頁巖有效總有機碳(total organic carbon,TOC)的預測模型至關重要。測井數據能夠直接或者間接反應地層中有機碳富集程度的信息,基于測井數據的TOC含量預測模型主要有多元回歸分析法[6-7],基于電阻率和孔隙度測井的ΔlgR法[8-10]和神經網絡法[11-13],但是這些模型很少用來預測煤系頁巖有機質豐度。由于煤系地層旋回性強,沉積環境變化快,有機質成因復雜,因此這些模型是否適用于煤系頁巖TOC的預測仍有待考究。

此外,煤系頁巖有機質成因復雜且多樣,由多種顯微組分組成。不同的有機顯微組分在生烴潛力、孔隙發育特征、力學特性等方面均存在明顯差異。由于頁巖組分細小且分散,僅基于光學顯微鏡難以準確評價頁巖有機質顯微組分特征,因此基于高分辨率掃描電鏡識別有機顯微組分對于深化評價頁巖儲層至關重要[14]。首先簡要介紹寧武盆地沉積構造演化特征及煤系頁巖展布特征,基于巖石熱解實驗與掃描電鏡識別寧武南區塊煤系頁巖有機質類型及微觀賦存特征,基于系列測井數據構建三類適用于煤系頁巖TOC含量的預測模型,評價并優選適用于煤系頁巖的TOC含量預測方法,聯合有機質類型及有機碳含量評價研究區煤系頁巖氣的勘探前景。

1 區域地質概況

1.1 寧武盆地地質概況

寧武盆地形成于晚古生代成煤期后,是位于山西省北部的山間構造盆地。盆地呈北東向帶狀分布,長約160 km,寬約20 km,面積4 875.28 km2,其含煤面積約3 706 km2,屬于山西省六大煤田之一[15-17](圖1)。寧武盆地形成始于石炭紀,結束于侏羅紀。晉冀魯豫運動使山西省南北地殼大幅度抬升,而中部抬升幅度相對較小,造成寧武盆地缺失全部峰峰組地層。受海西運動影響,盆地內廣泛沉積了從石炭系中統到三疊系的地層,石炭-二疊紀含煤建造形成于這一時期。石炭紀早期,東西向的海侵覆蓋了整個寧武盆地,而到晚石炭期,海侵方向轉變為南北向,影響了盆地南部地層的發育。受印支運動的影響,盆地大部分地區開始抬升剝蝕。侏羅紀、白堊紀期間,受燕山運動影響,盆地由西向東方向的蘆芽山、云中山、恒山及南側的關帝山開始抬升,而中部地區的寧武-靜樂區塊發生沉降。寧武-靜樂向斜和位于兩側與之平行的蘆芽山和云中山隆起帶在NW-SE向的擠壓應力場作用下形成[18]。隨著擠壓應力增強到一定程度后,在蘆芽山東側山腳形成了春景洼—西馬坊逆沖斷裂和蘆家莊-婁煩逆沖斷裂。自海西運動至燕山運動,寧武盆地主要構造格架基本定型。后期喜馬拉雅運動,主要以拉伸改造形成現代地貌[19-20]。

圖1 寧武盆地構造特征及地層特征

1.2 寧武南區塊煤系頁巖展布特征

寧武南區塊位于寧武盆地南部,太原組主要發育灰黑色泥巖、灰色砂質泥巖、灰白色砂巖和煤層,9號煤是主要可采煤層,平均厚度達到10 m以上。山西組巖性特征與太原組相似,含主要可采煤層4號及1～3層薄煤層。太原組累積頁巖厚度分布在44～87 m,平均為67.7 m(圖2)。區塊北部頁巖累積厚度明顯高于南部,整體呈由東南向西北增加的趨勢。太原組泥地比(頁巖厚度/地層厚度)介于0.56～0.73,平均達到0.66,具有與累積頁巖厚度變化趨勢相似的特點。研究區太原組連續頁巖(泥地比大于70%且單層夾層厚度小于3 m的頁巖層段)厚度分布在15～57 m,平均為30.3 m,厚度較為可觀。山西組累積頁巖厚度介于34～93 m,平均為74.6 m(圖3)。泥地比為0.32～0.77,分布范圍較大,平均為0.64,平面上分布特征與頁巖厚度變化趨勢基本一致,呈現由東南向西北增加的趨勢。山西組連續頁巖厚度分布在17～65 m,平均為37.7 m。

圖2 研究區太原組煤系頁巖展布特征

圖3 研究區山西組煤系頁巖展布特征

山西組和太原組連續頁巖厚度與累積頁巖厚度變化趨勢相似,呈現由東南向西北增加的趨勢?？傮w來看,寧武南區塊山西組和太原組煤系頁巖發育程度較為相似。

2 煤系頁巖有機質含量和類型

選取研究區57個巖心樣品進行TOC實驗測定,其中30個樣品來自山西組,27個樣品來自太原組。TOC分布范圍為0.14%～8.95%,平均值為2.6%。山西組和太原組頁巖氫指數(hydrogen index,HI)均小于200 mg/g,Tmax(地質歷史時期經歷的最高溫度)與HI相關關系表明研究區山西組、太原組頁巖均以Ⅲ型干酪根為主(圖4)。在鏡下觀察到頁巖顯微組分以惰質體與鏡質體為主,來自陸源高等植物,符合研究區頁巖主要是Ⅲ型干酪根的特征。

目前中國存在多套體系對顯微組分進行劃分,本文劃分主要依據代世峰等[21]提出的“ICCP system 1994”中文分類方案,該方案更便于國際交流。筆者在光學顯微鏡觀測的基礎上,利用掃描電鏡觀測有機質的形態、顆粒大小、孔隙發育特征及其與周緣礦物的依存關系[22],探討了研究區煤系頁巖有機質的微觀賦存特征。研究區主要存在鏡質體、惰質體、類質體三類原生有機質及次生有機質固體瀝青。

(1)鏡質體。鏡質體是高等植物中的木質纖維經腐殖化作用和凝膠化作用形成的產物[23],是研究區頁巖最多的顯微組分(達到60%以上)類型,可進一步區分為結構鏡質體、凝膠鏡質體和碎屑鏡質體。結構鏡質體呈網格狀,保留較為完整細胞結構,胞腔多被礦物所充填,孔隙不發育,灰度較強[圖5(a)]。凝膠鏡質體呈條帶狀,受擠壓順層分布,多數孔隙不發育,偶爾可見少量氣孔[圖5(b)]。碎屑鏡質體呈散塊狀分布,是鏡質體中相對易生氣的亞組分,可見少量氣孔[圖5(c)]。

圖5 研究區煤系頁巖有機質特征

(2)惰質體。惰質體是高等植物中木質纖維經過絲碳化作用形成的產物[23]。研究區頁巖常見的惰質體有絲質體、半絲質體、菌類體和碎屑惰質體。其中絲質體突起高,呈網狀分布,掃描電鏡視域下灰度較鏡質體略低,細胞結構保存完整,細胞壁薄,胞腔通常被瀝青和礦物充填,孔隙不發育[圖5(d)];半絲質體細胞壁變形強烈,胞腔由于壓實變形保留一定殘余孔隙,呈三角狀,同時可見少量圓形氣孔[圖5(e)];菌類體突起較高,通體呈圓形或橢圓形,內部發育不規則孔隙[圖5(f)];碎屑惰質體以細小、呈分散的碎屑狀態存在,不發育孔隙[圖5(g)]。

(3)類脂體。類脂體是植物組織中未發生腐殖化的一類顯微組分,包括樹脂體、孢粉素和脂肪等富氫的殘余物[24],是研究區存在較少的顯微組分。研究區常見有角質體和孢子體,其中角質體呈彎曲狀或窄條帶狀分布,單側為鋸齒形,孔隙不發育[圖5(h)];孢子體保留有孢子原始形狀,呈扁環狀[圖5(i)],受擠壓呈線條或蠕蟲狀[圖5(j)],孔隙不發育。

(4)固體瀝青。固體瀝青是原始干酪根生烴后形成的次生有機質,無固定形狀,受控于充填孔隙發育的形態。掃描電鏡下固體瀝青顏色較淺,突起低,易于辨識[圖5(k)]。固體瀝青中發育大量海綿狀和蜂窩狀孔隙[圖5(l)],但是在研究區頁巖中的固體瀝青含量較少,不是煤系頁巖主要的顯微組分類型。

研究區頁巖顯微組分以鏡質體為主,其次為惰質體,類脂體與固體瀝青含量較低;有機質孔隙主要發育于固體瀝青,鏡質體與惰質體中零星可見;研究區大部分有機顯微組分不發育有機質孔隙,這可能是煤系頁巖相比于海相頁巖(顯微組分以固體瀝青為主)有機質孔隙發育程度較差的原因之一。

3 煤系頁巖有機碳含量預測模型的構建

3.1 ΔlgR模型

ΔlgR法由Exxon和Esso公司提出,Passey等進一步完善并推廣應用[8],是一種運用聲波時差和電阻率測井資料計算和預測烴源巖TOC的方法。相比于巖石骨架,干酪根具有低速度和高電阻率的測井響應特征,從而使兩條測井曲線在有機質富集程度存在差異的層段呈現不同的形態特征。有機碳含量越高,兩條測井曲線的形態特征差異越明顯(如圖6中煤、炭質頁巖)。

圖6 基于ΔlgR法預測TOC原理圖[8]

應用ΔlgR法計算TOC時,在對應坐標體系之下將電阻率與聲波時差曲線進行反向疊合,貧有機質層段表現為兩條曲線重合,即為基線(如圖6中非烴源巖層段);在富有機質層段,兩條曲線值均增大,互相分離,產生幅度差,將該幅度差定義為ΔlgR值。應用ΔlgR法計算TOC的公式為

ΔlgR=lg(Rt/Rt,基)+K(Δt-Δt基)

(1)

TOC=ΔlgR×102.297-0.168 8Lom+ΔTOC

(2)

式中:R為淺側向電阻率,Ω·m;Rt、Δt分別為地層電阻率和聲波時差測井值,Ω·m、μs/m;Rt,基、Δt基分別為基線段的電阻率和聲波時差值,Ω·m、μs/m;K為疊合系數;Lom為巖層的成熟度參數;ΔTOC為TOC背景值。

ΔlgR法的優點是有效消除了孔隙度對預測TOC的影響,因為聲波時差與電阻率測井曲線對巖層孔隙度的變化很敏感,將二者反向疊加,提高了預測結果可靠性。該方法常用于海相頁巖,海相單層厚度大,頁巖發育穩定,TOC含量變化幅度不大。但在應用于煤系頁巖時存在以下不足:①ΔlgR法的計算依賴于基線值,研究區煤系地層巖性頻繁互層,僅在約20 m厚度內就存在多個基線段(圖7),且同一層段內基線值也時常不唯一,需人為選取,導致主觀因素較強;②K、ΔTOC、Lom的值需要依據大量樣品分析、測試資料得出,而寧武盆地針對煤系頁巖氣的勘探開發仍處于初期,資料相對缺乏,參數難以確定,影響TOC預測結果的可靠性;③煤系頁巖有機質成因復雜,變化范圍廣,只依據電阻率與聲波時差兩類測井曲線可能存在一定誤差。

圖7 基于ΔlgR法預測研究區煤系頁巖TOC實例圖

前人在ΔlgR法的基礎上進行改進優化,并根據有機質密度顯著低于圍巖的特征,引入了密度曲線,提出了改進的ΔlgR法,將式(2)修改[10,24-25]為

TOC=(AlgR+BΔt+C)/DEN

(3)

式(3)中:DEN為密度測井值,g/cm3;A、B、C均為常數。

改進的ΔlgR法省略了人工選取基線、計算Lom、ΔTOC等步驟,避免主觀因素干擾、簡化計算過程,減小了誤差;同時,有機質低密度的特征使得TOC與密度測井值呈反比,密度測井曲線的引入大大提高了TOC計算結果的精確度。因此,本文中采用改進的ΔlgR法計算研究區目標層段的TOC。

基于57個頁巖樣品實測TOC數據,選取淺側向電阻率、聲波時差、密度三條測井曲線,基于Origin軟件按照式(3)進行非線性曲線擬合,計算系數A、B、C,建立了基于改進ΔlgR法的煤系頁巖TOC預測模型,表達式為

TOC=(1.227 68lgR+0.042 05Δt-6.462 41)/DEN

(4)

為避免因自變量的增加而引起決定系數的增大,故計算了該模型調整后R2。公式[26]為

(5)

式(5)中:n為樣本容量;k為自變量個數。引入了自變量個數,排除了自變量增多造成模型擬合度增加的風險。

計算結果顯示該模型的調整后R2=0.68?；诟倪MΔlgR法的TOC預測模型的殘差均值為0,服從正態分布[圖8(a)],說明該模型的殘差是隨機的,表明該預測模型的結果可信度高。

圖8 三類預測模型的殘差分布直方圖

3.2 多元線性回歸

多元線性回歸是一種經典的多變量統計分析方法,是對簡單線性回歸的推廣。對于數據集(y,x1,x2,…,xn)的多元線性回歸數學模型[27]為

y=β0+β1x1+β2x2+…+βnxn+ε

(6)

式(6)中:β0為回歸常數;β1、β2、…、βn為偏回歸系數;ε為隨機誤差,即殘差,獨立服從正態分布。殘差是在因變量y的變化過程中不能用自變量解釋的部分。對于回歸模型參數的計算一般采用最小二乘法,以獲得最適合的回歸常數和偏回歸系數使離差最小[28]。

根據各類測井曲線的地球物理意義,一般認為聲波時差AC(μs/m)、自然伽馬GR(API)、密度DEN(g/cm3)、自然電位SP(mV)及補償中子CNL(%)能直接或者間接地反映有機碳的富集程度。有機質為典型的黏塑性基質,且常富集于泥質含量較高的地層中,聲波在富含有機質的頁巖中傳播速度較慢,因此聲波時差較大。相比于有機碳含量較低的粉砂巖,富有機質頁巖密度值較低,放射性較強,因此自然伽馬值較高。自然電位異常幅度值的大小與地層滲透性有關。一般情況下,地層中黏塑性物質含量越高,地層滲透性越差,自然電位異常幅度值越小。因此,富含有機質頁巖的自然電位值較小。補償中子測井主要反映地層的含氫量,因此往往與有機質豐度呈正比。

在建立預測模型前,應判斷研究區測井曲線的變化幅度與趨勢對有機質豐度變化的敏感程度,選取與TOC相關性較強的測井曲線能夠提高模型預測的準確性。在進行測井曲線選取時,對研究區測井曲線進行了深度校正和去除環境影響的預處理,以盡可能地消除各種隨機干擾和非地層因素的影響,使校正后同一口井的測井曲線均有準確的深度值,并盡可能真實地反映地層及其孔隙流體的性質。根據分析結果可知,巖樣實測TOC與聲波時差、自然伽馬、密度、自然電位及補償中子五條測井曲線的相關系數R2均在0.5左右(圖9),表明這五條測井曲線均對有機質豐度的變化較為敏感。

海相頁巖TOC含量變化范圍小,影響因素相對煤系頁巖較少,前人對海相頁巖進行預測只需少數自變量就可以得到擬合效果較好的預測模型。煤系頁巖TOC含量變化幅度更大,受沉積環境影響嚴重,需要多個自變量進行預測得到更為準確的模型。故將與TOC相關性較好的AC、CNL、DEN、GR、SP參數均作為自變量,建立多元線性回歸模型進行分析。但上述五個測井參數并非每個自變量都能對因變量產生統計學意義上的影響,且無法確定參數之間是否存在多重共線性,所以需要對自變量進行進一步篩選。利用SPSS軟件對樣本直接采用逐步回歸法,對偏回歸系數進行顯著性檢驗從而得到具有統計學意義的自變量。逐步回歸法指每次向模型中加入新的變量都會同時計算原先模型中的變量是否還具有統計學意義,并自動對沒有意義的變量進行剔除,直至剔除所有不相關的變量并引入所有相關變量[29]。因此逐步回歸法可以解決自變量之間存在多重共線性的問題并挑選出最相關的自變量。擬合結果如表1所示,共建立了5個多元線性回歸模型。模型1說明AC單獨對TOC具有63.1% 的解釋度,在5個變量中與TOC關聯性最強。模型5的調整后R2=0.846,具有最高的擬合度,說明5個自變量對因變量TOC均有良好的解釋度,且變量之間不存在共線性關系。模型5的標準估算誤差為0.585,其值較小,說明R2的估算結果可靠程度高。模型5的殘差均值為0,服從正態分布[圖8(b)],說明該模型的殘差是隨機的,模型5的結果可信度高。

3.3 BP神經網絡模型

3.3.1 原理介紹

反向傳播(back propogation,BP)神經網絡是一種利用誤差反向傳播的多層前反饋網絡,它能夠在給定的樣本中尋找規律并建立映射模型,用于解決在輸入數據量大且難以用顯性函數表達的非線性問題[30]。網絡結構包括輸入層、隱含層和輸出層,各層層內神經元相互獨立,層間神經元相互連接。學習過程分為正向計算和反向傳播兩部分,實現從輸入數據到輸出數據的非線性函數的映射。隱含層逐層對上一層數據賦予權重后正向傳播到輸出層,當輸出結果誤差未滿足期望值時,誤差信號逐層反向傳播到輸入層,經修改權重后再次傳播到輸出層,循環往復,直至誤差在允許范圍內時停止訓練[6]。該方法無需確定單個測井曲線與TOC之間的關系,通過訓練獲得測井參數和TOC之間的映射關系,使用均方誤差和回歸分析評估其性能。

3.3.2 模型構建

以AC(聲波時差)、GR(自然伽馬)、DEN(密度)、SP(自然電位)、CNL(補償中子)5種測井曲線為輸入層變量,以總有機碳含量TOC為輸出變量,計算隱含層神經元數量[10]。本次以57組數據為數據集,隱含層數量設置為1層,隱含層神經元數選擇10個,輸出層數量1個,使用LM(Levenberg-Marquardt)算法對數據進行學習,建立了網格結構為 5×10×1的BP神經網絡模型(圖10),即

圖10 基于BP神經網絡法的模型結構圖

(7)

式(7)中:n為輸入層神經元的個數;M為隱含層神經元數量;i為取值0～n的正整數;k為樣本數。

BP神經網絡構建過程中,需要將輸入的數據集按一定比例劃分為訓練集、校正集和測試集。傳統BP神經網絡模型構建時訓練樣本、校正樣本和測試樣本按照比例隨機產生。研究區煤系頁巖TOC分布范圍大,若隨機生成可能會出現訓練樣本TOC集中的情況,造成預測結果的不準確。本次研究進行了多次隨機模型構建,根據樣品地質特征,選擇TOC分布在0.14%～8.95%、有機質類型涵蓋Ⅱ2型和Ⅲ型的訓練樣本,確保構建神經網絡模型訓練樣本的全面性。最終將57個數據集的70%(39個點)作為訓練樣本,15%(9個點)作為校正樣本,15%(9個點)作為測試樣本。

所構建BP神經網絡模型的學習、預測結果表明,訓練集、校正集、測試集和全部57個數據集的預測TOC和實測TOC之間的線性相關系數均在0.9以上(圖11),并且模型殘差呈正態分布,基本分布在-0.6～0.6[圖8(c)],表明預測結果準確可靠。

圖11 基于BP神經網絡法的預測TOC與實測TOC含量的相關關系

4 預測模型的對比與應用

為了檢驗預測模型的適用性和準確性,選取研究區某口井20個樣品的測井數據值,利用構建的三類模型進行預測,并與實測TOC進行對比。結果顯示,ΔlgR模型、多元線性回歸模型和BP神經網絡模型預測值與實測值的相關系數R2分別為0.71、0.82、0.92(圖12),均顯示了較好的預測結果,但同時也注意到模型的預測效果存在一定差異。

圖12 構建三類模型的實測TOC與預測TOC含量的相關關系

基于改進ΔlgR法建立的研究區TOC預測模型,預測TOC與實測TOC間存在一定的誤差,主要來自兩方面:一是改進ΔlgR法只應用了DEN、AC、RS測井曲線,而未應用與TOC相關的GR、SP、CNL測井曲線;二是研究區煤系地層中巖相變化較快,包括炭質頁巖、粉砂質頁巖等多種巖性,影響了預測結果的準確性[31]。多元線性回歸模型的預測效果好于ΔlgR模型,因為該模型更加充分地將五種測井曲線考慮在內。BP神經網絡模型預測效果好于多元線性回歸模型和ΔlgR法,在研究區頁巖TOC預測方面具有更大的優越性。因為研究區砂泥巖互層導致TOC值變化較大,單個測井曲線與TOC的相關性低,而BP神經網絡方法的優越性就是建立非線性函數的預測模型。

采用構建好的BP神經網絡模型對寧武南區塊7口井太原組及山西組頁巖TOC進行預測,明確了研究區有機質豐度展布特征,劃分了太原組、山西組頁巖TOC有利區(圖13)。太原組TOC分布在2.3%～4.1%,呈現由西南向東北增大的趨勢,其中北部Y4井和東部Y7井具有較大的有機碳含量(平均達到4.05%)。山西組頁巖TOC分布在2.0%～4.4%,由西向東逐漸增大,其中Y1井最低(平均為1.88%),Y7井最高(平均為4.49%)。研究區東北部太原組和山西組煤系頁巖具有高有機質豐度、高泥地比和累計頁巖和連續頁巖厚度大的特征,表明寧武南區塊東北部煤系頁巖具有較好的生氣條件。從有機質類型及其微觀賦存特征考慮,研究區有機質來源主要為高等植物,顯微組分以鏡質體和惰質體為主,孔隙發育程度較差,表明煤系頁巖有機質的生烴潛力和儲集能力較差。有機質類型及其微觀賦存特征的差異可能是煤系頁巖相比于海相頁巖難于實現商業開發的因素之一。在煤系頁巖氣的勘探開發過程中,不僅要明確有機質豐度的時空差異性變化,同時應注重有機質類型及其微觀特征的研究。

圖13 研究區太原組-山西組煤系頁巖有機質豐度展布特征

5 結論

(1)寧武南區塊煤系頁巖累積厚度大,分布在34～93 m,整體呈現由東南向西北增加的趨勢。煤系頁巖有機質類型以Ⅲ型干酪根為主,顯微組分以惰質體與鏡質體為主,有機質孔隙主要發育于固體瀝青,鏡質體與惰質體中零星可見。

(2)利用寧武南區塊太原組、山西組煤系頁巖TOC實測數據和測井數據(電阻率、聲波時差、自然電位、密度、補償中子和自然伽馬),構建了基于改進ΔlgR法、多元線性回歸法和BP神經網絡法的三類TOC預測模型。BP神經網絡模型預測效果明顯優于多元線性回歸模型和ΔlgR法,這是因為煤系地層旋回性強,巖性變化較大,影響有機質豐度的因素多樣且復雜,導致不同測井曲線與TOC之間存在復雜的非線性關系,而BP神經網絡法更適用于建立參數之間的非線性復雜關系。

(3)利用構建的BP神經網絡模型對寧武南區塊石炭-二疊系煤系頁巖TOC進行預測。研究區煤系頁巖TOC含量具有由西南向東北逐漸增大的趨勢,具有較好的勘探開發前景。在煤系頁巖氣的勘探開發過程中,不僅要明確有機質豐度的時空差異性變化,同時應注重有機質類型及其微觀賦存特征的研究。