应用奇异值分解(SVD)-主成分分析(PCA)组合模型定量圈定与评价腾冲地块锡钨和铅锌多金属找矿靶区

Quantitative delineation and evaluation of Sn-W and Pb-Zn polymetallic prospecting target areas in the Tengchong Block by SVD and PCA

摘要

成矿元素或元素组在一个地质单元中的富集是成岩和成矿地质过程多阶段作用的产物。基于水系沉积物地球化学数据，主成分分析(principal component analysis, PCA)可识别成矿元素组。奇异值分解(singular value decomposition, SVD)可将成矿元素组主成分得分进一步分解为两个部分：(1)成矿元素组合区域异常分量，能够表征在地壳演化过程中，由各种地质作用(岩浆作用、沉积作用和/或变质作用)形成的有利于成矿的高背景区域；(2)成矿元素组合局部异常分量，能够表征成矿作用引起的，叠加在成矿元素组合区域异常分量之上的成矿元素组合局部异常分量，应用局部异常分量能够识别找矿靶区。本次研究，首先基于国家1∶200 000水系沉积物地球化学数据，应用主成分分析建立不同类型的成矿元素组；其次，利用SVD从成矿元素组的主成分得分中识别出不同类型成矿过程引起的成矿元素组合局部异常分量；最后，应用局部异常分量识别找矿靶区。最终在腾冲地块圈定15处找矿靶区，其中Sn-W找矿靶区8处，Pb-Zn-Ag找矿靶区7处。预测Sn-W潜在资源量915 Mt, Pb-Zn-Ag潜在资源量792 Mt。

关键词

SVD / PCA / 成矿元素组合异常分量 / 地球化学块体 / 锡钨和铅锌多金属矿 / 腾冲地块 / 西南地区

Key words

singular value decomposition (SVD) / principal component analysis (PCA) / anomalies of ore-forming element groups / geochemical block concept / Sn-Pb-Zn polymetallic deposits / Tengchong Block / SW China

0 引言

每种岩石类型都有其独特的地球化学特征。从原生岩石和次生土壤或水系沉积物样品中测量的元素浓度反映来自汇水盆地不同岩石类型风化物质的元素含量。各种地球化学异常都是由多重控矿地质因素和多阶段的成岩成矿过程所致。矿化地质单元的不均一性和单元内成矿元素浓度呈现的趋势性和随机性在复杂性学科里表现为非平稳性和非线性特征^[1-2]。由不同地质过程产生的成矿元素的浓度通常由背景和异常两部分构成,可分别记为B(x、y)和A(x,y),而T(x,y)可被定义为B(x、y)和A(x、y)的组合,即T(x、y)表示在位置(x、y)成矿元素浓度总含量值;B(x、y)反映位置(x、y)处的成矿元素浓度背景值,系区域地质作用的产物;A(x、y)是位置(x、y)成矿元素浓度的异常值,系局部成矿事件的产物。

线性模型,如多变量统计分析^[3⇓-5]和谱分析^[6],是基于元素浓度值服从正态分布或对数正态分布,适合描述地球化学背景场;非线性模型,如分形和多重分形,基于元素浓度值服从具有长尾对数正态分布(Pareto分布),可以用来描述地球化学异常场^[7⇓⇓-10]。主成分分析(PCA),作为一个经典的多变量分析,可以将多元变量转换为一些不相关的变量组合。这些不相关的变量组合,代表大多数变量特征,并根据它们的变差进行排序,可用来增强多变量组合分量的可解释性^[2]。该方法广泛应用于表征基于地球化学数据的矿化地质单元^{[11⇓⇓-14]}。实际上,大多数地球化学数据都不服从正态或对数正态分布。来自矿化区域的地球化学数据通常服从具有长尾的对数正态(Pareto)分布^[7-8,10]。因此,基于正态分布的传统的统计学方法一般不适用于从其背景中识别异常,尤其是不能用于处理来自矿化区域的地球化学样品^[15]。

本文研究基于1∶200 000尺度国家地球化学勘查项目数据^[16],应用主成分分析建立了表征不同矿化和有利成矿地质背景的成矿元素组。然后分别应用奇异值分解(SVD)从其成矿元素组提取Sn多金属和Pb-Zn多金属成矿组的异常分量。最后,应用其异常分量圈定研究区锡和铅锌多金属矿化的找矿靶区,并估算其资源量。

1 原理与方法

1.1 主成分分析(PCA)

单变量统计分析通常用于从其值的数据集中提取单元素异常。然而,对于大多数岩浆-热液矿床,成矿过程通常产生多元素异常,并通常形成一组元素异常^[17]。为了揭示不同元素之间复杂的相互关系,我们应用多变量分析,包括主成分分析(PCA)^[13,18]。主成分分析是揭示多元素组合最常见的多变量分析方法之一。通过重组数据的方法,可以使用相对较少的元素组合来解释原始数据集中大部分信息^[13,18]。这个较少的元素组合使原始数据更易于可视化并获得有意义的成矿元素模式。

对于n×p数据集X,p是变量,n是样本的数量。即

(1) X_ij,i=1,2,…,n;j=1,2,…,p

主成分分析是将p个观测变量转化为m个新变量(综合变量):Z₁,Z₂,…,Z_m(m≤p)^[18]

(2) Z₁=a₁₁x₁+a₂₁x₂+…+a_p1x_pZ₂=a₁₂x₁+a₂₂x₂+…+a_p2x_p︙

Z_m=a_1mx₁+a_2mx₂+…+a_pmx_p

Z₁定义为第一主成分,Z₂定义为第二主成分,……Z_m定义为第m个主成分。将a_ij定义为主成分系数,描述新变量Z_i与原始变量X_ij的相关系数,并且a_ij值越大,Z_i与X_ij的相关性越大。通过对矩阵X的奇异值分解来进行主成分分析^[19]。

1.2 奇异值分解(SVD)

奇异值分解作为一种矩阵分解方法,可以将矩阵数据分离为一系列特征空间。根据不同特征空间的重要性或能量,利用特定提取的特征空间重构数据集能够呈现出不同频率的特征。通过矩阵分解,可以得到一些有价值的隐藏信息。二维地球化学数据可以看作一个二维的m×n矩阵A,其奇异值分解如下式所示:

(3) A=USV^T

式中:U和V分别为左特征向量矩阵和右特征向量矩阵, U^TU=I,V^TV=I,U和V是正交矩阵;S为奇异值的对角矩阵,其主要对角元素为矩阵A按降序排序的奇异值σ。σ的平方等于矩阵的特征值λ,即 A^TA 或AA^T。

(4)∑=diag( \sqrt{{\lambda }_1}, \sqrt{{\lambda }_2},…, \sqrt{{\lambda }_r})

式中,r是矩阵A的秩, r≤min(m, n), \sqrt{{\lambda }_1}≥ \sqrt{{\lambda }_2}≥…≥ \sqrt{{\lambda }_r}。

矩阵U和V的外积可以形成一系列子空间ψk,所有这些子空间都构成了矩阵A的完全正交基^[20]。因此,矩阵A可以表示为

(5) \mathrm{A} = \stackrel{r}{\sum _{k=1}} {\sigma }_k u_k v_k^{\mathrm{T}}

式中,σ_k是矩阵A第k_th奇异值,代表矩阵A特征空间投影系数, u_k v_k^{\mathrm{T}}是第k_th特征空间。 正如式(5)所述,矩阵A可以在空间ψ中完全重建^[21-22]。 在选择一些特征空间时,可以重建局部信息,例如局部地球化学异常。

特征值越大,特征空间所包含的信息越多,它对重构矩阵的贡献就越大。与傅里叶变换相比,通过奇异值分解将子空间能量的概念引入重构的子空间中^[20]。能量密度被视为矩阵A投影到由第k个奇异值重构的子空间上的能量密度,等于第k个特征值λ_k(σ_k的平方)。因此,矩阵A的奇异值的平方和可以反映能量的和。第k个特征空间的比例计算方法如下:

(6)

如上所述,矩阵S中列出的奇异值按降序排序。奇异值从第一个值迅速减小,所以第一个奇异值可以代表矩阵A的大部分能量。从秩r的矩阵中,可以得到长度r随能谱尺度变化的能量测度的序列对。与傅里叶变换中能量与频率之间的关系相比,尺度与能量测度之间可能存在分形规律。如果存在幂律,能量测度将随测量尺度呈指数级变化^[20,23]。奇异值往往具有分形或多重分形特征。Cheng^[2]证实特征空间也存在多重分形定律。不同的地质过程具有不同的自相似性。在双对数坐标系中,能量密度的和由不同斜率的曲线表示。

在双对数坐标系中,x轴表示奇异值的平方的对数,y轴表示特征空间的能量之和,曲线表示能量密度之和。较大的奇异值所占总能量比例较高,反映全局或高频的变化,代表区域地质背景引起的异常。相反,较小的奇异值反映局部或高频的变化,代表局部矿化异常或其他噪声。采用最小二乘法拟合曲线,使总方差最小,得到具有不同斜率的直线,代表数据的自相似性,即不同能量密度的数据。双对数图中拟合曲线的拐点是不同尺度的奇异值的极限点。在奇异值极限点的基础上,利用式(3)对数据进行重构,实现了异常值与背景值分离的目的。

Freire和 Ulrych^[24]定义奇异值(SVD)低通(X_LP)、带通(X_BP)和高通(X_HP)滤波。

(7) X_{\mathrm{L}\mathrm{P}} = \stackrel{p-1}{\sum _{i=1}} {\sigma }_i u_i {v^{\mathrm{T}}}_i

(8) X_{\mathrm{B}\mathrm{P}} = \stackrel{q-1}{\sum _{i=p}} {\sigma }_i u_i {v^{\mathrm{T}}}_i

(9) X_{\mathrm{H}\mathrm{P}} = \stackrel{r}{\sum _{i=q}} {\sigma }_i u_i {v^{\mathrm{T}}}_i

奇异过程的一个重要特征是结果服从幂律分布,因此幂律模式可以描述奇异过程^[2],并可用于确定p和q。奇异值的平方(λ)与特征值的光谱能量密度相匹配^[25],因此,它们的奇异值的平方的能量之和大于λ_i,正如下式所示^[20,26]:

(10)$E\left(\lambda \mid \lambda \geqslant \lambda_{i}\right)=\sum_{k=1}^{i} \lambda_{k}$

相关比率 (P) :

(11)$P\left(\lambda \mid \lambda \geqslant \lambda_{i}\right)=\sum_{k=1}^{i} \lambda_{k} / \sum_{t=1}^{r} \lambda_{t}$

λ 和 E(或 P) 代表分维或多重分维模型^[20,25]。

(12) E∝λ^α

(13)或P(λ|λ≥λ_i)∝λ^α

我们可以根据不同的斜率将λ-E的对数图曲线划分为一些线段。断点p和q可以定义为将曲线分为3部分时不同地质过程的阈值。某些重建的特定特征值的相同部分的奇异值可能对应于特定的岩浆或热液成矿过程^[19]。

2 锡钨和铅锌银找矿靶区定量圈定与评价

2.1 成矿地质背景与矿化特征

腾冲锡矿带产于察隅-腾冲花岗岩带,东侧以怒江-潞西-瑞丽断裂为界,西侧以三甘断裂为界,构造上北邻东喜马拉雅结(图1^[27-28])。腾冲地块、拉萨地块、北抹谷变质岩带和南锡矿带自早白垩世以来构造上是连在一起的^{[27,29⇓⇓⇓-33]}。

以棋盘石-腾冲断裂(QTF)和大盈江-古永断裂(DGF)为界,腾冲地块被划分为东中和西腾冲地块(图1b)。发育腾冲地块中—新元古代变质基底称为高黎贡山群,由角闪岩、长英质片麻岩、石英岩、伟晶岩、大理岩和石英二云片岩组成。沉积岩盖层主要为一系列晚古生代和早中生代碳酸盐岩和碎岩,包括石炭纪、二叠纪、三叠纪和少量泥盆纪岩石。石炭纪、二叠纪、三叠纪地层主要由大理岩、白云岩、灰岩、石英砂岩和粉砂岩组成;泥盆纪岩石由粉砂岩、大理岩和灰岩组成,缺乏侏罗纪和白垩纪地层。古近纪—第四纪地层主要为火山岩和火山沉积岩。腾冲地块从东至西发育一系列平行的弧形断裂(BLJF、DYJF、QTF和NLRF),其向南延伸逐渐转向南西。地块两侧沿NLRF和SG断裂广泛出露糜棱岩,显示断裂走滑变形特征^[33-34]。出露于腾冲地块的花岗岩主要是中生代和新生代花岗岩。主要记录4个时期的花岗质侵入岩体,并具有时空分代特征(图1):早白垩世东河花岗岩带 (131~110 Ma),位于腾冲地块东部,主要岩性为花岗闪长岩,显示I型花岗岩亲和性,形成于中特提斯怒江洋壳向腾冲地块俯冲-碰撞的初期构造环境,与Pb-Zn-Fe夕卡岩矿化有关^[28,35]。 晚白垩世古永-梁河花岗岩带 (78~66 Ma),位于腾冲地块中部,主要岩性为碱性花岗岩,显示S型花岗岩亲和性,形成于保山地块与腾冲地块同碰撞的构造环境,与Sn多金属矿化有关。古近纪盈江花岗岩带(65~42 Ma),分布于腾冲地块西部,根据年龄又可进一步划分为古新世花岗岩和始新世花岗岩。始新世花岗岩呈星点状叠加分布于古新世花岗岩之上,前者显示I型花岗岩特征,发育Sn矿化,可能形成于新特提斯密支那洋壳自西向东向腾冲地块俯冲-碰撞的构造环境;后者显示S型花岗岩特征,可能形成于保山地块与腾冲地块碰撞-后碰撞的构造环境。总体上,花岗岩带自东向西显示由老至新的特征^[33,36-37]。

区内的主要矿产包括锡多金属和铅锌多金属等。腾冲-梁河锡成矿带是著名的东南亚巨型锡矿带的西支北延部分。可分为东、中、西3个矿带。东带以腾冲宝华山锡矿为代表,中带矿产以锡钨为主,其次为铅、锌矿床。主要矿床有叫鸡冠梁子锡铁铅锌多金属矿床、大硐厂铅锌银矿床、棋盘石铅锌铜矿床等。西带以Sn-W-Mo矿化和中-低温热液Pb-Zn多金属矿化为特征。典型矿床有小龙河锡矿床、木梁河锡矿床、铁窑山钨锡矿床和老平山锡矿床等。

2.2 数据集与统计地球化学特征

本文研究区为 97°30'~99°00' E,24°00'~26°00' N,大约25 000 km²。本文采用的1∶200 000腾冲地区水系沉积物地球化学数据包含Ag、As、Au、B、Ba、Bi、Cd、Co、Cr、Cu、F、Mn、Mo、Nb、 Ni、Pb、Sb、Sn、Sr、Ti、V、W、Y、Zn、Al₂O₃、CaO、Fe₂O₃、K₂O、MgO、Na₂O 和SiO₂共31种元素变量,样品采集密度为1件样品/km²,将2 km×2 km的网格内的4件样品混合得到1件组合样品,然后对组合样品进行分析,总共包含8 664个样品。其中,Al₂O₃、 Ba、 CaO、 Co、 Cr、 Cu、Fe₂O₃、K₂O、 MgO、 Mn、 Na₂O、 Nb、 Ni、 Pb、 SiO₂、 Sr、 Ti、 V、 Y和 Zn采用XRF方法测定,As、Bi 和Sb采用AES方法测定,Ag和Cd采用AAS方法测定,B和Sn采用AES方法测定,Mo 和 W采用极谱法测定,F采用离子选择电离法测定。

数据质量的检查是地球化学数据在统计分析之前进行的必要步骤,检查的重点是缺失数据和低于检查下限的数据。对于缺失数据的处理,采用周围点的平均值代替。对于低于检查下限的数据采用零值代替。由于数据中缺失数据和低于检查下限的数据数量很少,所以对结果影响很小^[16]。

金属元素总体上服从对数正态分布^[38-39]或Pareto分布^{[7⇓⇓-10,40⇓-42]},表明同一区域发生了叠加成矿过程。本文对Pb、Cd、Ag、Zn、Sn、W、Bi和F等8种元素进行对数转换,得到这些元素的对数分布直方图(图2),该图表明元素皆显示对数正态长尾分布(Pareto)的特征。

2.3 主成分分析

借助于PCA,高维数据能在低维空间中可视化^[43]。首先使用等距对数比(ilr)变换,通过打开原始数据来降低原始数据的封闭效应。由于变换后新的变量不能被ilr直接解释,因此所得到的载荷和得分必须被转换回PCA的clr空间。这些PCA得分(表1)反映了不同地质单元和不同矿化作用的空间分布^{[44⇓⇓-47]}。本次研究对这些元素浓度数据进行了主成分分析。

正交旋转主成分载荷如表1所示,选取的6个主成分解释了这些数据中72.7 %的方差。定义0.5为阈值,并分别提取6个主成分中载荷大于0.5的元素建立以下6组元素组合:

PC1:[Co-Cr-Cu-Mn-Ni-Ti-V-Zn-Fe₂O₃-MgO]—[K₂O-SiO₂]

PC2:[Bi-F-Sn-W]

PC3:[As-B]—-[Nb-Al₂O₃]

PC4:[Ag-Cd-Pb-Zn]

PC5:[Sr-CaO-Na₂O]

PC6:[Ba]

在上述元素组合中,PC2 [Bi-F-Sn-W]和PC4[Ag-Cd-Pb-Zn]组合具有明显的成矿意义,它们分别占总方差的15.68%和5.77%,可能代表本区两种不同类型的矿化,前者代表Sn-W(硫化物和氧化物)矿化,后者代表Pb-Zn-Ag多金属矿化。因此,选取F2和F4两种元素组合做主成分得分。

PCA的结果,如载荷(反映变量)和得分(代表样本)之间的关系通常能够用一个双坐标图(biplot)来表达^[48-49]。双坐标图亦能够表征不同成矿元素组之间的关系。在本次研究中,双坐标图(biplot)(图3)反映了PC2[Bi-F-Sn-W]和PC4[Ag-Cd-Pb-Zn]元素组之间的关系。来自PC4的特征研究区Pb-Zn矿化的Ag-Cd-Pb-Zn成矿元素组合各元素之间具有密切的相关关系,分布在第一象限,而特征研究区Sn-W多金属矿化的Bi-F-Sn-W成矿元素组各元素之间亦具有密切的相关关系;两个元素组合具有近于垂直的关系,表明它们分属于两个成矿阶段。

2.4 奇异值分解

前已述及,PC2:[Sn-W-Bi-F]和PC4:[Pb-Zn-Cd-Ag]分别代表区内云英岩型锡矿化和夕卡岩型Pb-Zn多金属矿化,夕卡岩型与晚早白垩世和晚白垩世以及始新世花岗岩相关。为了进一步提取成矿元素组合异常分量识别找矿靶区,分别对代表Sn-W-Bi-F元素组合的PC2(图4)和代表Pb-Cd-Ag-Zn元素组合的PC4的主成分得分(图5)应用SVD进一步提取成矿元素组合局部异常分量。

成矿元素组合主成分得分经过奇异值分解后可得到奇异值λ-特征空间能量E的双对数散点图。因为在λ-E双对数图中,可能存在不同的幂率关系(多重分形),用直线段来拟合这些散点,而这些不同斜率线条之间的交叉点 p和q就是不同地质作用过程的临界点(在某些情况下,临界点可能超过两个)^[19,50]。每一条直线上的奇异值所对应的特征空间重建的结果都是与某一特殊的地质过程相关的。式(7)、(8)和(9)中的p、q可以通过SVD得到。腾冲地块PC2[Sn-W-Bi-F]得分λ-E双对数图曲线可以根据其斜率分为3个部分,产生两个断点,p=3,q=10(图6)。它的能量从λ₁到λ₃的右段约占总能量的84.21%。重建的PC2得分图像由λ₁~λ₃组成(图6),为低通滤波器,通常表征Sn-W-Bi-F成矿元素组合的区域异常特征,异常与高黎贡山群和晚白垩世及古近纪花岗质岩体空间上相吻合(图7)。中间部分由λ₄~λ₉组成,占总能量的9.1%,属于高通滤波器,其重建的主成分得分图表征Sn-W-Bi-F成矿元素组合的局部异常特征,在空间上与Sn-W多金属矿化相吻合(图8);左端由λ₁₀~λ₄₅组成,奇异值较小,约占总能量的1.2%,所包含的信息占总体能量的比重较小,可视为噪声,忽略不计。与原始主成分得分图对比,应用高通滤波器滤波获得的成矿元素组合局部异常分量图(图6)与已知矿化在空间上具有明显的对应关系,能够更好地指导进一步找矿。

在PC4[Pb-Cd-Ag-Zn]λ-E双对数图曲线上,根据其斜率同样可以将λ-E双对数图曲线分为3部分(图9)。产生两个断点,p=4,q=11(图9),采用p=4,q=11。最右端由λ₁、λ₂和λ₃组成,约占总能量的75.2%,由其重建的主成分得分图像表征Pb-Cd-Ag-Zn元素组合的区域异常分量特征,异常与腾冲地块高黎贡山群局部地段、早白垩世和古近纪花岗质岩体空间上相吻合(图10);中间段由λ₄~λ₁₀组成,其能量约占18.8%,所重建的主成分得分图像表征Pb-Cd-Ag-Zn元素组合的局部异常分量特征,其异常空间上与早白垩世和古近纪花岗质岩体空间上相吻合(图11);左端由λ₁₁~λ₄₅组成,奇异值很低,所包含的信息占总体能量的比重较小,约占5.1%,由其重建的主成分得分图像可能反映微小地质因素或数据噪声,可以忽略不计。

3 成矿元素找矿靶区圈定及其资源潜量估算

3.1 地球化学块体概念与资源量预测方法

地球化学块体系指具有一定厚度的地球化学异常区域,块体内通常具有一种或多种金属的异常含量,并最终为块体内金属矿床的形成提供主要的矿源^[51]。 金属成矿元素在岩石中的分布通常具有 4 种状态: 独立矿物、类质同象混入物、非类质同象混入物(以各种粒子的形式存在于晶格位错的裂隙中)和吸附体(被黏土吸附)^[52]. 这里用成矿元素剩余异常含量乘以块体的质量作为块体金属元素资源量,这是因为剩余异常含量是平均异常含量减去其背景值(与硅酸盐矿物类质同象值) 后的异常值。 计算公式^[53]如下:

(14) Q=ΔC×S×H×ρ

式中:ΔC代表成矿元素块体剩余异常含量;S代表其异常块体面积;H代表赋矿岩石(块体)的厚度,这里取3 km;ρ为赋矿岩石密度,这里赋Sn-W花岗岩取2.64 g/cm³,赋Pb-Zn-Ag花岗闪长岩取2.73 g/cm^{3 [34]}。

3.2 Sn-W靶区圈定与资源量估算

根据地球化学块体的概念^[51],以0.65为异常下限,在Bi-F-Sn-W组合局部异常图(图8)共圈定Sn-W找矿靶区8处。计算Sn-W 块体相关参数和资源量列于表3。乘以特定的厚度(3 km)就变成8处区域 Sn-W 块体。其中Ⅰ-2 和Ⅰ-5 Sn-W 块体是 Sn资源潜力较大的块体,其潜在 Sn金属量约为 589 Mt(表2),占所有Sn靶区总资源量的84%。Ⅰ-1 和Ⅰ-5块体是W资源潜力较大的块体,其潜在W金属量约为65 Mt (表2),占所有W靶区总金属量的66%。上述靶区可视为Sn-W进一步勘查的首选靶区。

3.3 Pb-Zn-Ag资源量估算

根据地球化学块体的概念^[51],以0.36为异常下限,在Bi-F-Sn-W组合局部异常图(图11)共圈定Sn-W找矿靶区7处。计算Pb-Zn-Ag块体相关参数和资源量列于表3。乘以厚度(3 km)就变成7处区域Pb-Zn-Ag块体。其中Ⅰ-1 和Ⅰ-7 靶区是 Pb资源潜力较大的区域. 其潜在 Pb金属量约为333.5 Mt (表3),占所有Pb靶区总资源量的60%。同理,Ⅰ-1 靶区是Zn资源潜力较大的靶区,其潜在Zn金属量约为111.33 Mt (表3),占所有Zn靶区总金属量的47%。Ⅰ-1 靶区亦是Ag资源潜力较大的靶区,其潜在Ag金属量约为0.50 Mt(表3),占所有Ag靶区总金属量的59%。上述靶区可视为Pb、Zn和Ag进一步勘查的首选靶区。

4 结论

本文基于国家1∶200 000水系沉积物地球化学填图的数据成果,在主成分分析的基础上,应用奇异值分解技术提取成矿元素组合局部异常分量,应用其局部异常分量圈定找矿靶区,并应用地球化学块体技术估算其金属量,为研究区进一步找矿提供了科学依据。主要结论如下:

(1)基于国家1∶200 000水系沉积物地球化学填图的数据,应用主成分分析技术建立了腾冲地块Sn-W 和Pb-Zn-Ag-Cd两类成矿元素组合。

(2)基于两类成矿元素组合主成分得分数据,应用奇异值分解(SVD)技术,分别提取Sn-W 和Pb-Zn-Ag-Cd两类成矿元素组合局部异常分量。

(3)应用上述两类成矿元素组合局部异常分量分别圈定Sn-W找矿靶区8处,Pb-Zn-Ag多金属找矿靶区7处。

(4)应用地球化学块体概念和方法,估算成矿元素找矿靶区金属量:Sn 815.71 Mt,W 99.44 Mt,Pb 556.60 Mt,Zn 234.58 Mt,Ag0.85 Mt。上述研究成果为腾冲地块进一步找寻上述金属矿产提供了科学依据。

感谢王学求教授的约稿。云南省地质调查局提供了研究所需的数据,在此一并表示感谢!

参考文献

[1] 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.

[2] 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.

[3] MATHERON G. Principles of geostatistics[J]. Economic Geology, 1963, 58(8): 1246-1266.

[4] KRIGE D. Two-dimensional weighted moving average trend surfaces for ore-evaluation[J]. Journal of the South African Institute of Mining and Metallurgy, 1966, 66: 13-38.

[5] HOULDING S. Practical geostatistics: modeling and spatial analysis. Manual[M]. Berlin: Springer Science and Business Media, 2000.

[6] MUGGLESTONE M A, RENSHAW E. Detection of geological lineations on aerial photographs using two-dimensional spectral analysis[J]. Computers and Geosciences, 1998, 24(8): 771-784.

[7] AGTERBERG F P. Multifractal modeling of the sizes and grades of giant and supergiant deposits[J]. International Geology Review, 1995, 37(1): 1-8.

[8] AGTERBERG F. New applications of the model of de wijs in regional geochemistry[J]. Mathematical Geology, 2007, 39(1): 1-25.

[9] AGTERBERG F P. Mixtures of multiplicative cascade models in geochemistry[J]. Nonlinear Processes in Geophysics, 2007, 14(3): 201-209.

[10] AGTERBERG F P. Multifractal simulation of geochemical map patterns[M]// MERRIAM D F, DAVIS J C. Computer applications in the Earth sciences. Boston, MA: Springer US, 2001: 327-346.

[11] 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.

[12] HARRIS J R, GRUNSKY E C. Predictive lithological mapping of Canada’s North using Random Forest classification applied to geophysical and geochemical data[J]. Computers and Geosciences, 2015, 80: 9-25.

[13] DAVIS J C, SAMPSON R J. Statistics and data analysis in geology[M]. New York: Wiley, 1986.

[14] HUANG N E, WU Z H. A review on Hilbert-Huang transform: method and its applications to geophysical studies[J]. Reviews of Geophysics, 2008, 46(2): e2007rg000228.

[15] XIAO F, CHEN J G, AGTERBERG F, et al. Element behavior analysis and its implications for geochemical anomaly identification: a case study for porphyry Cu-Mo deposits in eastern Tianshan, China[J]. Journal of Geochemical Exploration, 2014, 145: 1-11.

[16] 谢学锦. 区域化探全国扫面工作方法的讨论[J]. 物探与化探, 1979, 3(1): 18-26.

[17] 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.

[18] JAMES L, DOUGLAS C J, PAUL E. Analyzing multivariate data[M]. Pacific Grove, CA, USA: Thomson Brooks/Cole, 2003.

[19] 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.

[20] 李庆谋, 成秋明. 分形奇异(特征)值分解方法与地球物理和地球化学异常重建[J]. 地球科学: 中国地质大学学报, 2004, 29(1): 109-118.

[21] CHEN Y Q, LIANG Z, ZHEN, L. Geochemical characteristics and zonation of primary halos of Pulang porphyry copper deposit, Northwestern Yunnan Province, Southwestern China[J]. Journal of China University of Geosciences, 2008, 19(4): 371-377.

[22] 陈永清, 张生元, 夏庆霖, 应用多重分形滤波技术提取致矿地球化学异常: 以西南 “三江” 南段Cu、Zn致矿异常提取为例[J]. 地球科学: 中国地质大学学报, 2006, 31(6): 861-866.

[23] BEHERA S, PANIGRAHI M K. Mineral prospectivity modelling using singularity mapping and multifractal analysis of stream sediment geochemical data from the auriferous Hutti-Maski schist belt, S. India[J]. Ore Geology Reviews, 2021, 131: 104029.

[24] FREIRE S L M, ULRYCH T J. Application of singular value decomposition to vertical seismic profiling[J]. Geophysics, 1988, 53(6): 778-785.

[25] LI Q M. GIS-based multifractal/inversion methods for feature extraction and applications in anomaly identification for mineral exploration[D]. Toronto: York University, 2005.

[26] 李庆谋, 刘少华. GIS环境下地球物理信号的奇异值分解、多维分形特征与应用[J]. 地球物理学进展, 2003, 18(1): 97-102.

[27] WANG Y J, LI S B, MA L Y, et al. Geochronological and geochemical constraints on the petrogenesis of Early Eocene metagabbroic rocks in Nabang (SW Yunnan) and its implications on the Neotethyan slab subduction[J]. Gondwana Research, 2015, 27(4): 1474-1486.

[28] 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.

[29] GARDINER N J, SEARLE M P, MORLEY C K, et al. The crustal architecture of Myanmar imaged through zircon U-Pb, Lu-Hf and O isotopes: tectonic and metallogenic implications[J]. Gondwana Research, 2018, 62: 27-60.

[30] GARDINER N J, SEARLE M P, MORLEY C K, et al. The closure of palaeo-Tethys in eastern Myanmar and northern Thailand: new insights from zircon U-Pb and Hf isotope data[J]. Gondwana Research, 2016, 39: 401-422.

[31] MITCHELL A, CHUNG S L, OO T, et al. Zircon U-Pb ages in Myanmar: magmatic-metamorphic events and the closure of a neo-Tethys ocean?[J]. Journal of Asian Earth Sciences, 2012, 56: 1-23.

[32] RIDD M F. East flank of the Sibumasu block in NW Thailand and Myanmar and its possible northward continuation into Yunnan: a review and suggested tectono-stratigraphic interpretation[J]. Journal of Asian Earth Sciences, 2015, 104: 160-174.

[33] XU Y G, YANG Q J, LAN J B, et al. Temporal-spatial distribution and tectonic implications of the batholiths in the Gaoligong-Tengliang-Yingjiang area, western Yunnan: constraints from zircon U-Pb ages and Hf isotopes[J]. Journal of Asian Earth Sciences, 2012, 53: 151-175.

[34] MORLEY C K. Late Cretaceous-Early Palaeogene tectonic development of SE Asia[J]. Earth-Science Reviews, 2012, 115(1/2): 37-75.

[35] CAO H W, ZHANG S T, LIN J Z, et al. Geology, geochemistry and geochronology of the Jiaojiguanliangzi Fe-polymetallic deposit, Tengchong County, western Yunnan (China): regional tectonic implications[J]. Journal of Asian Earth Sciences, 2014, 81: 142-152.

[36] 陈吉琛, 林文信, 陈良忠. 腾冲—梁河地区含锡花岗岩序列—单元研究[J]. 云南地质, 1991, 10(3): 241-289.

[37] 罗君烈. 滇西锡矿的花岗岩类及其成矿作用[J]. 矿床地质, 1991, 10(1): 81-96, 80.

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

[39] 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.

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

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

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

[43] 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.

[44] 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.

[45] CARRANZA E J M. Analysis and mapping of geochemical anomalies using logratio-transformed stream sediment data with censored values[J]. Journal of Geochemical Exploration, 2011, 110(2): 167-185.

[46] CARRANZA E J M, LABORTE A G. Data-driven predictive mapping of gold prospectivity, Baguio district, Philippines: application of random forests algorithm[J]. Ore Geology Reviews, 2015, 71: 777-787.

[47] CARRANZA E J M, VAN RUITENBEEK F J A, HECKER C, et al. Knowledge-guided data-driven evidential belief modeling of mineral prospectivity in Cabo de Gata, SE Spain[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 374-387.

[48] AITCHISON J. The statistical analysis of compositional data[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 1982, 44(2): 139-160.

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

[50] 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.

[51] 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.

[52] 赵振华. 微量元素地球化学[J]. 地球科学进展, 1992, 7(5): 65-66.

[53] 陈永清, 黄静宁, ZHAI X M, 多尺度地球化学勘查聚焦找矿靶区: 以滇东Pt地球化学省勘查研究为例[J]. 中国科学D辑: 地球科学, 2009, 39(10): 1456-1465.

基金资助

云南省重点研发计划项目(202303AA080006)

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)