应用二维经验模分解(2D-EMD)-主成分分析(PCA)组合模型定量圈定与评价胶东金与关键金属找矿靶区

Application of 2D-EMD/PCA in gold and key metals prospecting in Jiaodong

摘要

近年来，随着制造业和全球经济发展，全球对矿产资源的需求量大幅上升，迫切需要研究和开发新方法来勘探未发现矿产资源。然而，多阶段的成矿作用使成矿元素在地质单元内的分布呈现出复杂的叠加特征，而且大多数矿产常常伴生多种元素。本研究将二维经验模分解(2D-EMD)与主成分分析(PCA)相结合，基于胶东金多金属矿集区水系沉积物地球化学数据，提取局部和区域多元素组合异常分量，从多阶段成矿过程产生的复杂叠加异常中识别找矿靶区。研究结果表明：(1)通过PCA建立了Au-Ag-Cd和Be-La-Mo-Nb-Th-U-Y两种多元素组合；(2)应用2D-EMD从主成分得分分别识别多元素成矿组合局部和区域异常分量；(3)局部异常分量可用于识别Au-Ag-Cd和Be-La-Mo-Nb-Th-U-Y找矿靶区，区域异常分量可识别高背景带。结合局部异常分量和花岗岩的空间分布，推断Au-Ag-Cd矿化与玲珑花岗岩和郭家岭花岗闪长岩侵入有关，Be-La-Mo-Nb-Th-U-Y矿化与郭家岭花岗闪长岩侵入体和伟德山二长岩侵入体侵入有关，郭家岭花岗闪长岩岩体具有贵金属和关键金属双重成矿特征。

关键词

2D-EMD / PCA / 多元素组合异常分量 / 胶东金多金属矿集区

Key words

2D-EMD / PCA / multielement combination anomaly component / Jiaodong gold polymetallic ore field

0 引言

矿床的空间分布特征及其地球化学异常是找寻矿床的重要线索^[1⇓-3]。矿化和多元素地球化学异常是成矿过程中多元素集中和分散的结果,并隐含成矿系统的特征^[1-2]。成矿系统是指在特定地质环境中形成的矿床及后来演变的自然作用系统,包括源-运-储-变-保5个过程^[3]。 矿床是矿源、流体、能量、运移通道、矿质储存定位和其他制约因素多因耦合的结果^[4],成矿系统对地球化学异常的提取和进一步勘查决策与找矿实践的成败有着直接的影响。由于成矿系统中各要素之间往往存在不同程度的关联,并且地球化学模式的空间分布特征受到各种地质过程的影响,地球化学异常识别的关键是如何识别地球化学背景并区分异常^[5]。20世纪60—70年代,基于元素浓度频率分布的概率图^[6]、直方图和元素浓度均值加n倍标准差^[7]等经典统计方法被应用于地球化学异常识别,其应用前提是数据满足正态分布。然而,地球化学数据通常不服从正态分布^[8-9]而是近似地遵循对数正态分布^{[10⇓⇓-13]}或幂律分布^{[14⇓⇓⇓⇓⇓-20]},Cheng等^[21]于1994年提出应用多重分形技术识别背景和异常。该方法同时考虑了地球化学模式的频率和空间变化,对地球化学异常的识别较为成功^{[14,22⇓⇓-25]}。2010年以来,机器学习/深度学习已广泛应用于识别地球化学异常以绘制矿产远景预测图^[26]。基于机器学习的方法的优点在于,通常可以摆脱对地球化学数据未知多元概率分布的参数统计假设,从而可以在多元素浓度数据中模拟复杂的地球化学异常模式^[27-28]。近年来,深度自编码器网络(DAN)在识别与矿化相关的多元素地球化学异常方面显示出巨大的潜力^[5]。DAN的关键在于,在输入信号的编码过程中,可以有效地学习到代表地球系统典型性能的地球化学背景的多元素特征^[5]。这些方法常常只考虑单矿种和某种元素矿化信息,且未评价圈定远景区矿化元素的资源量。主成分分析(PCA)作为多变量分析的重要工具,通常用于探索元素集合之间的内在联系^[29-30]。它可以将基于水系沉积物的众多元素数据转换为一些非相关的元素组合。这些元素组合可能是由地质成矿过程的多期多阶段形成的。近年来,一些研究者^[31-32]建立了一种将线性方法与非线性方法相结合的混合方法,即主成分分析-奇异值分解(PCA-SVD)法。它基于水系沉积物数据,应用PCA生成多元素组合异常,然后应用SVD 从成矿元素组合主成分得分中提取局部元素组合分量用于找矿靶区圈定^[29-30]。本研究建立一种将线性方法与非线性方法相结合的混合方法,即主成分分析-二维经验模分解(PCA/2D-EMD)模型:以胶东半岛矿集区为研究对象,从胶东地球化学数据中提取多元素组合异常分量,用于找矿靶区圈定;通过地球化学块体法,对圈定的找矿靶区进行系统的资源量估算和成矿潜力分析,为后续胶东地区贵金属和关键金属勘查提供新的启示。

1 地质背景

中国东部胶东半岛具有巨型地球化学省、区域地球化学和局部地球化学异常的多级嵌套结构^[33],其本质上是富含某些金属的巨型块体内部构造特征的地表表现,这种地球化学块体是地球演化过程中元素重新分配的产物^[34],该大型地球化学块体可为形成巨型矿床提供足够的成矿物质^[34]。

胶东半岛位于华北克拉通南缘,南临扬子地块,东临太平洋,西临郯庐断裂带(图1^[31,35])。根据其岩石组合和构造特征,可划分为早白垩世胶莱盆地(南)、早前寒武纪胶北隆起(西)和苏鲁造山带(东)。区内断裂构造十分发育,主要由东西、北西、北南、北东、北北东向褶皱和断裂组成,东西向褶皱构成燕山造山前的古基底构造,中生代以来活动强烈,并伴有多期构造岩浆活动,与金和关键金属成矿密切相关。北东向和北北东向断裂是胶东半岛西北地区重要的控矿断裂构造,主要覆盖招平、焦家和三山岛断裂带^[31,35] (图1)。

焦家断裂带位于龙口—莱州地区,长约70 km,宽为50~400 m,由北向南由NNE向NE方向逐渐转变,并向NW方向倾斜。断裂带浅部主要发育于玲珑花岗质岩体、郭家岭花岗闪长岩体与太古宙变质岩(胶东群)的接触带。断裂带内发育暗色断层泥和破碎蚀变岩。矿体主要赋存于焦家断裂带主裂面(以断层泥为标志)以下的黄铁绢英岩化碎裂岩和黄铁绢英岩化花岗质碎裂岩中。焦家和新城等多处大型、巨型金矿床均位于此断裂带^[36-37]。招平断裂带南起平度,北至龙口,全长约120 km,宽为40~400 m,沿栾家河花岗岩体与胶东岩群、荆山岩群、玲珑花岗岩体接触带延伸,该断裂带控制着玲珑、大尹各庄、苍上、福山和东风等大型、巨型金矿床。三山岛断裂带位于莱州市三山岛—仓上—潘家屋子地区,长约400 m,宽约20 m,断裂带浅部上盘主要为早前寒武纪胶东杂岩,下盘为侏罗纪玲珑型花岗岩和白垩纪郭家岭型花岗岩,断裂带向深部穿切于玲珑型花岗岩中^[38],控制一些大型蚀变岩型金矿床,包括三山岛、新城和仓上等^[35,39]。

胶东半岛出露的含矿地层主要为胶莱盆地前寒武纪变质岩和中生代火山-陆相碎屑沉积岩^[40-41]。目前,将前寒武纪地层划分为胶东群(太古宙)、荆山和粉子山群(古元古代)、蓬莱群(新元古代)4组。分布在胶北隆起中段的胶东群由斜长角闪岩、英云闪长岩-奥长花岗岩-花岗闪长岩等组成。荆山群主要由片岩-片麻岩、变粒岩、大理岩、长石石英岩和含石墨岩系组成。粉子山群主要由含硅铁建造、变粒岩、大理岩、含石墨岩系和富铝片岩-片麻岩组成。蓬莱群主要由浅变质碳酸岩、板岩和石英岩系组成^[42]。中生代侏罗纪—早白垩世陆相碎屑沉积岩含大量中酸性火山岩,分布在胶莱断陷盆地。

胶东半岛出露的花岗岩约占本研究区总面积的25%。同位素U-Pb测年表明,花岗岩年龄为250~60 Ma,集中于230~200 Ma(晚三叠世)、160~140 Ma(晚侏罗世)和135~90 Ma(晚早—中白垩世)3个年龄段,表明胶东半岛经历了三叠纪、侏罗纪和白垩纪多期岩浆活动^[43]。其中,胶东金矿床多赋存于中生代玲珑型似片麻状黑云母花岗岩(同位素年龄为230~200 Ma)和早白垩世郭家岭花岗闪长岩(同位素年龄为135~123 Ma)中。伟德山二长侵入岩体的同位素年龄为135~90 Ma,与有色金属和关键金属成矿作用密切相关^[31]。

传统认识上,胶东地区的矿床主要分为两类:金矿床和有色金属矿床^[31]。然而,本研究发现了与伟德山二长侵入体密切相关的一种新的矿化类型,即关键金属成矿。区内已发现并开采了玲珑、焦家和三山岛等一系列巨型金矿床。部分巨型金矿在时空分布和成因上主要与花岗岩有关,花岗岩同位素年龄为130~110 Ma^[38,44]。有色金属矿床主要包括钼钨多金属矿床、铜金银矿床和铜铅锌矿床 (图1^[31,35]),这些矿床在空间上与伟德山二长侵入体年龄相同的小岩体相关^[37]。此外,Yang 和Santosh^[45]发现胶东金矿床中存在Cr、Co、Cd、Rb、Nb、Ta、Hf、W、Sn、Sb、Bi、Se、Te、Re、W和轻稀土元素(LREE)等多种共生/伴生关键元素,显示出巨大的潜力。

2 2D-EMD原理

成矿元素异常一般是岩浆和热液作用等各种矿化作用叠加的产物,成矿元素的浓度数据通常由背景和异常组成,前者是地质作用产生的,后者通常是成矿作用产生的。若将背景表示为B_i(x,y),异常表示为A_j(x,y),则可将其定义为二者之和T(x,y):

(1) \begin{array}{l}\mathrm{T}(\mathrm{x},\mathrm{y})=\stackrel{n}{\sum _{i=1}}{B}_i(x,y)+\stackrel{m}{\sum _{j=1}}{A}_j(x,y)\\ i=\mathrm{1,2},\dots ,n;j=\mathrm{1,2},\dots ,m\end{array}

式中,i和j分别表示地质过程和成矿过程。公式(1)表示原始数据T (x, y)包含n期地质过程和m期成矿过程产生的元素浓度。在从未发生过成矿过程的背景区域,A_j(x,y)应等于0,即B_i(x,y)等于T(x,y)^{[31- 32]}。

2D-EMD通过对数据进行迭代筛选,将原始数据(Ori(m,n))分解为有限个从高频到低频的二维本征模函数(BIMF)和残差函数(Res(m,n))^[31,46]。Ori(m,n)可表示为

(2) O r i ( \mathrm{m} , \mathrm{n} ) = \stackrel{t}{\sum _{i=1}} \mathrm{B} \mathrm{I} \mathrm{M} {\mathrm{F}}_i ( m , n ) + \mathrm{R} \mathrm{e} \mathrm{s} ( m , n )

每个BIMF分量反映了原始数据频率范围内的特定地质和/或成矿特征。残差(Res(m,n))通常显示地质背景地球化学特征。频率较低的BIMF通常显示与成矿作用有关的地质作用引起的区域地球化学异常,频率较高的BIMF通常显示矿化过程引起的局部异常。

局部极值是通过二维筛分过程中的八邻域连通性建立的。BIMF_i通过多重曲面插值从原始数据中分解出来^[47]。在筛选过程中,标准偏差(SD)可以作为BIMF的停止准则,h_ji为第j个分量的第i个进程,其计算公式如下^[48-49] :

(3) \mathrm{S} {\mathrm{D}}_{ij} = \sum _{m=1} \sum _{n=1} \frac{{\left|h_{j(i-1)}(m,n)-h_{ji}(m,n)\right|}^2}{h_{j(i-1)}^2(m,n)} \le \epsilon

SD_ij在建立筛分性能方面是一个经验值。ε作为SD的临界值,值越小表示可以从原始数据中分解出更多的BIMF。Nunes等^[48-49]建立了二维筛选过程算法(图2^[47⇓-49]),r_j(m,n)为进行j个BIMF筛分过程后的剩余分量信息,Chen等^[47]在包络插值中对其进行了改进。

(4) I O = A b s \left(\stackrel{m}{\sum _{p=1}}\stackrel{n}{\sum _{q=1}}\frac{\mathrm{B}\mathrm{I}\mathrm{M}{\mathrm{F}}_i(p,q)\mathrm{B}\mathrm{I}\mathrm{M}{\mathrm{F}}_j(p,q)}{\mathrm{B}\mathrm{I}\mathrm{M}{\mathrm{F}}_i^2(p,q)+\mathrm{B}\mathrm{I}\mathrm{M}{\mathrm{F}}_j^2(p,q)}\right)

Abs指绝对值运算。如果两个BIMF正交,则内积IMF(t)IMF(t)=0。通常,较小的IO意味着BIMF近似正交,当IO小于0.05时,通常认为接受正交性。

F_HP(m,n)、F_BP(m,n)和F_LP(m,n) 在滤波过程中被定义为高通、带通和低通滤波器^[50]:

(5) F_{\mathrm{H}\mathrm{P}} ( \mathrm{m} , \mathrm{n} ) = \stackrel{k}{\sum _{i=1}} \mathrm{B} \mathrm{I} \mathrm{M} {\mathrm{F}}_i ( m , n )

(6) F_{\mathrm{B}\mathrm{P}} ( \mathrm{m} , \mathrm{n} ) = \stackrel{p}{\sum _{i=k}} \mathrm{B} \mathrm{I} \mathrm{M} {\mathrm{F}}_i ( m , n )

(7) F_{\mathrm{L}\mathrm{P}} ( \mathrm{m} , \mathrm{n} ) = \stackrel{t}{\sum _{i=p}} \mathrm{B} \mathrm{I} \mathrm{M} {\mathrm{F}}_i ( m , n ) + \mathrm{R} \mathrm{e} \mathrm{s} ( m , n )

可以选择一些代表特定频率结构范围的BIMF作为滤波器,以达到获取特定找矿信息的目的。

3 数据集

研究区域位于120°~123°E, 36°20'~38°00'N,覆盖面积近26 000 km²。采用区域化探全国扫面计划采集的1∶20 000水系沉积物地球化学数据,包括Au和Mo等39种元素,样品采集密度为1 km²,浓度值为2 km×2 km网格单元内采集的组合样品分析的浓度值^{[34,50⇓⇓-53]}。

将K定义为元素的富集系数,等于研究区某一元素浓度的平均值与大地构造单元内同一元素的平均浓度值之比,反映了在研究区内元素的分散和富集。一般将K≥5的元素定义为强富集元素,1.2≤K<5的元素定义为富集元素^[54]。因此,在研究区Au为强富集元素;Th、Sn、Zr、Ag、Mo、B、As、Sb、W、Pb、Bi、U和Hg为富集元素 (表1^[55])。成矿元素通常服从对数正态分布^[10-11]或帕累托(Pareto)分布^[16⇓-18],表明同一地区发生了叠加成矿作用。在研究区中,Ag、Au、La、Mo、Pb、W、Sb、Zn和Th等成矿元素服从帕累托分布,Be、Cu、Cd、Nb、Sn、U和Yo等成矿元素服从对数正态分布(图3)。

4 找矿靶区圈定

4.1 建立成矿元素组合

PCA可以将大量的元素降维为几个互不相关的元素组合,其中包括成矿元素组合,其组内元素在时空和成因上密切相关。主成分得分可用于表征与成矿相关的各种地质体的空间分布特征^[56⇓-58]。

在SPSS软件中对研究区原始分析数据经过(ilr-clr)对数变换后进行主成分分析,以特征值大于1为提取原则,选择9个主成分组合,承载了原数据集68.32%(表2)信息量,定义绝对值0.5为建立元素组合的主成分载荷临界值,得出正交旋转后主成分载荷矩阵:

PC1: Co-Cr-Cu-F-Mn-Ni-P-Ti-V-Zn-CaO-Fe₂O₃-MgO-(K₂O-SiO₂)

PC2:Be-La-Mo-Nb-Th-U-Y

PC3: As-B-Li-Sb-(Na₂O)

PC4: Ag-Au-Cd

PC5: Ba-Sr

PC6: Bi-W

PC7: Al₂O₃-SiO₂

PC8: Zr

PC9: Hg-Pb

第一主成分(PC1)、第二主成分(PC2)和第四主成分(PC4)揭示了胶东矿集区主要的地质与成矿作用的基本特征。PC1占总方差的21.57%,Co-Cr-Cu-F-Mn-Ni-P-Ti-V-Zn-CaO-Fe₂O₃-MgO铁镁质元素组和K₂O-SiO₂元素组呈负相关,表明在一个地质单元(或地质体)内,SiO₂和K₂O含量越高,镁铁含量越低。PC1得分高值在空间上与前寒武纪变质绿岩带和中生代富集玄武岩火山沉积岩系相一致(图4),表明地层以富集铁和镁为特征,而负主成分得分值的高绝对值在空间上与晚侏罗世玲珑黑云母花岗质岩体相一致,说明玲珑黑云母花岗质岩体具有富集SiO₂和K₂O的特征,金矿化与富钾的玲珑黑云母花岗岩侵入体关系最为密切(图4)。

PC2占总方差的11.28%,反映了以Be-La-Nb-Th-U-Y组合为特征的关键金属和Mo矿化。PC4占总方差的5.65%,表征了以Au-Ag-Cd元素为特征的金银多金属成矿。图5和图6分别是基于对数比(logratio)变换数据的PC2和PC4得分的空间分布。PC2得分高值与伟德山二长岩侵入体空间吻合较好,PC4得分高值与胶东矿集区玲珑花岗质侵入体和金矿点相一致。

用双标图(主成分载荷(表征变量)和主成分得分(表征样本))表示PC2和PC4之间的相互关系^[59],PC2的Be-La-Mo-Nb-Th-U-Y元素集中在第一和第四象限,PC4的Au-Ag-Cd元素集中在第一和第二象限(图7)。

4.2 提取成矿元素组合异常分量

PC2和PC4分别表征了胶东矿集区两种最重要的成矿元素组合: Be-La-Mo-Nb-Th-U-Y和Au-Ag-Cd,并通过2D-EMD方法被进一步分解成一系列表示不同频率多元素组合的异常分量的二维本征模态函数(BIMF),高频BIMF描述与成矿有关的局部异常分量^[31-32] (图8、图9),低频BIMF通常描述与成矿有关的地质单元和/或地质体的区域异常分量(图10、图11)。

4.3 从PC2得分中提取Be-La-Mo-Nb-Th-U-Y组合的异常分量

PC2为Be-La-Mo-Nb-Th-U-Y组合,表明与郭家岭花岗闪长岩侵入体和伟德山二长岩侵入体有关的关键金属Th-U-Y-Nb-La伴Mo多金属成矿(图5)。将PC2的主成分得分进一步分解为4个BIMF(BIMF1,BIMF2,BIMF3,BIMF4)和一个残差(Res)(图12)。其中,只有BIMF4(图8)和Res(图12)显示矿化特征。高频的BIMF4被定义为局部异常分量,用于绘制Be-La-Mo-Nb-Th-U-Y矿床远景区,低频的Res表征Be-La-Mo-Nb-Th-U-Y组的高背景区,描述与关键金属Th-U-Y-Nb-La和Mo多金属成矿有关的地质单元。

将PC2得分分解后的BIMF4和Res值(表3)分别分为15组和17组,对数区间均为0.5,分别得到找矿远景区和高背景区的临界值。图12a和c分别为其在对数正态概率图中的频率分布和累积频率分布。图8中BIMF4的对数正态概率图显示两个不同部分:左侧对数(BIMF4) <-1.50 (BIMF4= 0.22)对应BIMF4的背景分量,右侧对数(BIMF4) >-1.50(BIMF4=0.22)对应BIMF4的异常分量。因此,将0.22定义为Th-U-Y-Nb-Mo-La组圈定找矿远景区阈值。同样,在图12c中,将Res=0.05定义为绘制Th-U-Y-Nb-Mo-La组高背景区的临界值。最终确定了3个Th-U-Y-Nb-Mo-La组找矿远景区(图8中Ⅰ、Ⅱ和Ⅲ),并绘制了一个Th-U-Y-Nb-Mo-La组合高背景带(图10)。大多数已知的Mo多金属矿床位于高背景带。靶区Ⅰ含已知的与郭家岭花岗闪长岩体有关的金、钼和铜矿床。靶区Ⅱ含一个已知金矿床,与玲珑花岗岩体相邻。靶区Ⅲ仅有一个已知金矿床,与伟德山二长岩在空间上吻合,可能是寻找关键金属矿床和钼多金属矿床的重要潜在区域。

4.4 从PC4得分中提取Au-Ag-Cd组合异常分量

以Au-Ag-Cd组合为特征的PC4得分表征与玲珑花岗岩体有关的金多金属成矿作用(图6)。我们将其主成分得分分解为BIMF1、BIMF2、BIMF3和BIMF4及一个残差分量(Res)。从BIMF1到BIMF4的曲线在图12b中按频率降序表示。其中,BIMF4(图9)和Res(图11)呈现矿化特征。将PC4分解的BIMF4和Res(表4)分别分为15组和14组,对数区间分别为0.5。对数正态概率图的频率分布和累积频率分布分别如图12b和d所示。BIMF4的对数正态概率图在图12b中显示了两个不同的部分:左侧lg(BIMF4)<-2.75(BIMF4=0.06)对应BIMF4的背景分量,右侧lg(BIMF4)>-2.75(BIMF4=0.06)对应BIMF4的异常分量。因此,将0.06定义为绘制金多金属找矿远景区的临界值。同样,定义Res=0.12作为图9d中金多金属成矿高背景区的临界值。基于上述阈值,确定了两个Au-Ag-Cd矿化找矿远景区(图9中Ⅰ和Ⅱ),圈定了一个NW向高背景带(图11),已知金矿床大多位于远景区和高背景带内。结果表明,胶东矿集区12~16 km深度的中地壳发育NW向低速层,与金矿远景区和背景带重合,这可能是由太平洋板块俯冲引起的地幔楔软流圈回流引起的,NW向低速层可能反映了含水层的脆-韧性变形转换^[60],这些含金属流体可能为研究区大规模金矿化提供矿源。

5 结论

基于胶东金多金属矿集区1∶200 000水系沉积物数据,采用2D-EMD与PCA相结合的混合方法进行找矿远景区定位,并通过地球化学块体方法估算资源潜力。研究结论如下。

(1) 利用2D-EMD 和PCA得到的成矿元素组合,进一步从成矿元素组合的PCA得分中分析了与各种成矿作用相关的异常分量。利用异常分量圈定了3个Th-U-Y-Nb-Mo-La远景区和两个Au-Ag-Cd成矿远景区,为找寻未发现的关键金属和金矿床提供了科学依据。

(2) Au-Ag-Cd异常分量与玲珑花岗岩体和郭家岭花岗闪长岩体密切相关,Th-U-Y-Nb-Mo-La组合异常组分与伟德山二长岩体和郭家岭花岗闪长岩体密切相关,表明郭家岭花岗闪长岩体可能存在贵金属和关键金属双重成矿特征。

(3)胶东矿集区Au-Ag-Cd局部异常NW-SE方向高背景带与NW-SE方向低速层在空间上的重合,反映出地幔流体可能为胶东地区晚中生代大规模金矿化提供了矿源。

感谢中国地质调查局提供的数据支持,感谢审稿专家对本文提出的宝贵修改意见。

参考文献

[1] ALLAHBAKHSHIPOOR A, ALIPOUR-ASLL M, LENTZ D R. Genesis of the Kuh-Panj porphyry copper deposit, Kerman, Iran: constraints from mineralization, geochemistry, fluid inclusion, and zircon U-Pb isotope systematics[J]. Journal of Geochemical Exploration, 2023, 253: 107276.

[2] DMITRIJEVA M, CIOBANU C L, EHRIG K J, et al. Mineralization-alteration footprints in the Olympic Dam IOCG district, South Australia: the acropolis prospect[J]. Journal of Geochemical Exploration, 2019, 205: 106333.

[3] 翟裕生. 论成矿系统[J]. 地学前缘, 1999, 6(1): 13-27.

[4] 翟裕生. 试论矿床成因的基本模型[J]. 地学前缘, 2014, 21(1): 1-8.

[5] ESMAEILOGHLI S, TABATABAEI S H, CARRANZA E J M. Infomax-based deep autoencoder network for recognition of multi-element geochemical anomalies linked to mineralization[J]. Computers & Geosciences, 2023, 175: 105341.

[6] SINCLAIR A J. Selection of threshold values in geochemical data using probability graphs[J]. Journal of Geochemical Exploration, 1974, 3(2): 129-149.

[7] HAWKES H E, WEBB J S. Geochemistry in mineral exploration[J]. Soil Science, 1963, 95(4): 283.

[8] VISTELIUS A B. The skew frequency distributions and the fundamental law of the geochemical processes[J]. The Journal of Geology, 1960, 68(1): 1-22.

[9] REIMANN C, FILZMOSER P. Normal and lognormal data distribution in geochemistry: death of a myth. Consequences for the statistical treatment of geochemical and environmental data[J]. Environmental Geology, 2000, 39(9): 1001-1014.

[10] AHRENS L H. The lognormal distribution of the elements (2)[J]. Geochimica et Cosmochimica Acta, 1954, 6(2/3): 121-131.

[11] AHRENS L H. The lognormal distribution of the elements (a fundamental law of geochemistry and its subsidiary)[J]. Geochimica et Cosmochimica Acta, 1954, 5(2): 49-73.

[12] YU C, SHEN Y, CEN K, et al. Regional geochemical study of Yiliu district, Guangdong Province[M]. Beijing: Geological Publishing House, 1987.

[13] 於崇文. 中华人民共和国地质矿产部地质专报三: 岩石矿物地球化学: 第7号: 南岭地区区域地球化学[M]. 北京: 地质出版社, 1987.

[14] MEIGOONY M S, AFZAL P, GHOLINEJAD M, et al. Delineation of geochemical anomalies using factor analysis and multifractal modeling based on stream sediments data in Sarajeh 1∶100000 sheet, central Iran[J]. Arabian Journal of Geosciences, 2014, 7(12): 5333-5343.

[15] CARLSON C A. Spatial distribution of ore deposits[J]. Geology, 1991, 19(2): 111.

[16] AGTERBERG F. Pareto-lognormal modeling of known and unknown metal resources[J]. Natural Resources Research, 2017, 26(1): 3-20.

[17] AGTERBERG F. Aspects of regional and worldwide mineral resource prediction[J]. Journal of Earth Science, 2021, 32(2): 279-287.

[18] AGTERBERG F P, CHENG Q M. Introduction to special issue on “fractals and multifractals”[J]. Computers and Geosciences, 1999, 25(9): 947-948.

[19] AGTERBERG F P, CHENG Q M, BROWN A, et al. Multifractal modeling of fractures in the lac du bonnet batholith, Manitoba[J]. Computers & Geosciences, 1996, 22(5), 497-507.

[20] 成秋明. 非线性成矿预测理论: 多重分形奇异性-广义自相似性-分形谱系模型与方法[J]. 地球科学: 中国地质大学学报, 2006, 31(3): 337-348.

[21] CHENG Q M, AGTERBERG F P, BALLANTYNE S B. The separation of geochemical anomalies from background by fractal methods[J]. Journal of Geochemical Exploration, 1994, 51(2): 109-130.

[22] TURCOTTE D L. Fractals andchaos in geology and geophysics[M]. 2nd ed. Cambridge, UK: Cambridge University Press, 1997.

[23] TURCOTTE D L. Fractals in petrology[J]. Lithos, 2002, 65(3): 261-271.

[24] CHENG Q M. Mapping singularities with stream sediment geochemical data for prediction of undiscovered mineral deposits in Gejiu, Yunnan Province, China[J]. Ore Geology Reviews, 2007, 32(1/2): 314-324.

[25] ZUO R G, WANG J. Fractal/multifractal modeling of geochemical data: a review[J]. Journal of Geochemical Exploration, 2016, 164: 33-41.

[26] ZUO R G, WANG J, XIONG Y H, et al. The processing methods of geochemical exploration data: past, present, and future[J]. Applied Geochemistry, 2021, 132: 105072.

[27] ZUO R G. Machine learning of mineralization-related geochemical anomalies: a review of potential methods[J]. Natural Resources Research, 2017, 26(4): 457-464.

[28] ZUO R G, WANG Z Y. Effects of random negative training samples on mineral prospectivity mapping[J]. Natural Resources Research, 2020, 29(6): 3443-3455.

[29] JAMES L, DOUGLAS C J, PAUL E. Analyzing multivariate data[J]. Technometrics, 2004, 46(2): 254-255.

[30] DAVI J C, SAMPSON R J. Statistics and data analysis in geology[M]. 3rd ed. New York: Wiley, 1986.

[31] CHEN Y Q, ZHAO B N, CHEN C, et al. Identification of ore-finding targets using the anomaly components of ore-forming element associations extracted by SVD and PCA in the Jiaodong gold cluster area, eastern China[J]. Ore Geology Reviews, 2022, 144: 104866.

[32] ZHENG A Y, CHEN C, CHEN Y Q, et al. Application of SVD combined with PCA in delineation and evaluation of ore-prospecting targets in the Gejiu tin polymetallic cluster region, SW China[J]. Ore Geology Reviews, 2023, 160: 105571.

[33] 王学求, 徐善法, 迟清华, 中国金的地球化学省及其成因的微观解释[J]. 地质学报, 2013, 87(1): 1-8.

[34] XIE X J, LIU D W, XIANG Y C, et al. Geochemical blocks for predicting large ore deposits: concept and methodology[J]. Journal of Geochemical Exploration, 2004, 84(2): 77-91.

[35] 孙景贵, 胡受奚, 赵懿英, 初论胶东地区金矿成矿模式[J]. 矿床地质, 2000, 19(1): 26-36.

[36] 甄世民, 叶天竺, 庞振山, 胶西北地区金矿床构造控矿规律浅析[J]. 地质论评, 2015, 61(增刊1): 596-597.

[37] 张琪彬, 宋明春, 丁正江, 胶东焦家巨型金矿床的剥露历史与保存[J]. 中国科学: 地球科学, 2022, 52(7): 1391-1408.

[38] 宋明春, 胡文萱, 李杰, 胶东型金矿成矿系列及找矿案例[J]. 地球学报, 2023, 44(5): 781-796.

[39] 杨立强, 邓军, 王中亮, 胶东中生代金成矿系统[J]. 岩石学报, 2014, 30(9): 2447-2467.

[40] 杨立强, 李瑞红, 高雪, 胶东金矿床中关键金属超常富集特征与机理初探[J]. 岩石学报, 2020, 36(5): 1285-1314.

[41] ZHAO D P, MARUYAMA S, OMORI S. Mantle dynamics of Western Pacific and East Asia: insight from seismic tomography and mineral physics[J]. Gondwana Research, 2007, 11(1/2): 120-131.

[42] 谢士稳, 王世进, 颉颃强, 华北克拉通胶东地区粉子山群碎屑锆石SHRIMP U-Pb定年[J]. 岩石学报, 2014, 30(10): 2989-2998.

[43] 李杰. 胶东地区钼-铜-铅锌多金属矿成矿作用及成矿模式[D]. 成都: 成都理工大学, 2012.

[44] 叶杰, 刘建明, 李永兵, 山东金矿成矿地球动力学背景的初步讨论[J]. 矿床地质, 2002, 21(增刊1): 755-758.

[45] YANG C X, SANTOSH M. Ancient deep roots for Mesozoic world-class gold deposits in the North China Craton: an integrated genetic perspective[J]. Geoscience Frontiers, 2020, 11(1): 203-214.

[46] CHEN Y Q, ZHANG L N, ZHAO B B. Application of bi-dimensional empirical mode decomposition (BEMD) modeling for extracting gravity anomaly indicating the ore-controlling geological architectures and granites in the Gejiu tin-copper polymetallic ore field, southwestern China[J]. Ore Geology Reviews, 2017, 88: 832-840.

[47] CHEN Y Q, ZHANG L N, ZHAO B B. Identification of the anomaly component using BEMD combined with PCA from element concentrations in the Tengchong tin belt, SW China[J]. Geoscience Frontiers, 2019, 10(4): 1561-1576.

[48] NUNES J C, BOUAOUNE Y, DELECHELLE E, et al. Image analysis by bidimensional empirical mode decomposition[J]. Image and Vision Computing, 2003, 21(12): 1019-1026.

[49] NUNES J C, GUYOT S, DELÉCHELLE E. Texture analysis based on local analysis of thebidimensional empirical mode decomposition[J]. Machine Vision and Applications, 2005, 16(3): 177-188.

[50] FREIRE S L M. Application of singular value decomposition to vertical seismic profiling[J]. Geophysics, 1988, 53(6): 778.

[51] XIE X J, MU X Z, REN T X. Geochemical mapping in China[J]. Journal of Geochemical Exploration, 1997, 60(1): 99-113.

[52] XIE X J, REN T X. National geochemical mapping and environmental geochemistry: progress in China[J]. Journal of Geochemical Exploration, 1993, 49(1/2): 15-34.

[53] XIE X J, SUN H Z, REN T X. Regional geochemistry: national reconnaissance project in China[J]. Journal of Geochemical Exploration, 1989, 33(1/2/3): 1-9.

[54] 陈永清, 赵鹏大, 刘红光. 鲁西金矿成矿组分的聚集与演化[J]. 地球科学: 中国地质大学学报, 2001, 26(1): 41-48.

[55] GAO S, LUO T C, ZHANG B R, et al. Chemical composition of the continental crust as revealed by studies in East China[J]. Geochimica et Cosmochimica Acta, 1998, 62(11): 1959-1975.

[56] GRUNSKY E C, KJARSGAARD B A. Classification of distinct eruptive phases of the diamondiferous Star kimberlite, Saskatchewan, Canada based on statistical treatment of whole rock geochemical analyses[J]. Applied Geochemistry, 2008, 23(12): 3321-3336.

[57] 黄静宁, 赵鹏大. 滇东地区深层次Pt-Cu-Au矿化异常定量提取与评价[J]. 地球科学: 中国地质大学学报, 2009, 34(2): 365-374.

[58] ZUO R G, XIA Q L, WANG H C. Compositional data analysis in the study of integrated geochemical anomalies associated with mineralization[J]. Applied Geochemistry, 2013, 28: 202-211.

[59] AITCHISON J, GREENACRE M. Biplots of compositional data[J]. Journal of the Royal Statistical Society Series C: Applied Statistics, 2002, 51(4): 375-392.

[60] HOU J, WU C, YU G, et al. Research progress on the deep structure of Jiaodong gold deposit concentration area[J]. Progress in Geophysiscs, 2022, 37(3): 952-963.

基金资助

国家自然科学基金项目(41972312)

国家自然科学基金项目(41672329)

国家重点研发计划项目(2016YFC0600509)