Please wait a minute...
E-mail Alert Rss
 
物探与化探  2018, Vol. 42 Issue (6): 1180-1185    DOI: 10.11720/wtyht.2018.0299
     地质调查·资源勘查 本期目录 | 过刊浏览 | 高级检索 |
基于土壤化学成分的基岩岩石类型识别
王嘉怡, 郝立波, 赵新运, 马成有, 陆继龙, 赵玉岩, 魏俏巧
吉林大学 地球探测科学与技术学院,吉林 长春 130026
The identification of bedrock types based on soil chemical composition
Jia-Yi WANG, Li-Bo HAO, Xin-Yun ZHAO, Cheng-You MA, Ji-Long LU, Yu-Yan ZHAO, Qiao-Qiao WEI
College of Geo-Exploration Science and Technology, Jilin University, Changchun 130026, China
全文: PDF(608 KB)   HTML
输出: BibTeX | EndNote (RIS)      
摘要 

浅覆盖区基岩露头少,地质填图精度低。根据岩石风化成土过程中的化学成分继承性,笔者提出了基于土壤化学成分识别基岩岩石类型的多层感知器神经网络模型。以大兴安岭北部阿龙山地区为例,根据火山岩基岩上覆土壤样品常量元素和亲石微量元素分析数据,有效地识别出了玄武岩类、安山岩类、英安岩类和流纹岩类4类基岩类型,识别的正确率达到了90%。基于土壤化学成分识别基岩岩石类型的多层感知器神经网络模型具有方便、快捷、高效等优点,是提高浅覆盖区地质填图质量的有效途径之一。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
王嘉怡
郝立波
赵新运
马成有
陆继龙
赵玉岩
魏俏巧
关键词 神经网络模型地质填图浅覆盖区土壤基岩    
Abstract

Geological mapping of areas with shallow overburden generally has less bedrock outcrop to work with, and is thus characterized by poor accuracy. Soils formed by weathering of rocks have significant inheritance of chemical composition from the bedrocks. In view of such a situation, the authors propose a soil chemical composition based multi-layer perceptron neural network model to recognize bedrock types. Taking Alongshan area in the northern part of the Da Hinggan Mountains as an example, the authors used geochemical data of major and lithophile trace elements of soil samples overlying volcanic bedrocks to identify bedrock types, and identified 4 types of bedrocks, i.e., basalt, andesite, dacite and rhyolite. The results show that the prediction accuracy of the model in the identification of bedrock types in the shallow overburden area of the Da Hinggan Mountains reaches up to 90%. The authors have reached the conclusion that soil chemical composition based multi-layer perceptron neural network model used for the identification of bedrock types has the advantage of high convenience, high speed and efficiency, and can provide an effective way for improving the geological mapping quality in areas with shallow overburden.

Key wordsneural network model    geological mapping    shallow overburden area    soil    bedrock
收稿日期: 2018-08-13      出版日期: 2018-12-19
:  P632  
基金资助:中央级公益性科研院所基本科研业务费专项(AS2016P02);中国地质调查局项目(20089941)
作者简介: 王嘉怡(1993-),女,硕士,地球探测与信息技术专业。Email:lanlingjiajia@sina.com
引用本文:   
王嘉怡, 郝立波, 赵新运, 马成有, 陆继龙, 赵玉岩, 魏俏巧. 基于土壤化学成分的基岩岩石类型识别[J]. 物探与化探, 2018, 42(6): 1180-1185.
Jia-Yi WANG, Li-Bo HAO, Xin-Yun ZHAO, Cheng-You MA, Ji-Long LU, Yu-Yan ZHAO, Qiao-Qiao WEI. The identification of bedrock types based on soil chemical composition. Geophysical and Geochemical Exploration, 2018, 42(6): 1180-1185.
链接本文:  
https://www.wutanyuhuatan.com/CN/10.11720/wtyht.2018.0299      或      https://www.wutanyuhuatan.com/CN/Y2018/V42/I6/1180
  多层感知器神经网络结构示意
  阿龙山地区地理位置简图(据文献[12]修改)
指标 玄武岩类(n=21) 安山岩类(n=47) 英安岩类(n=38) 流纹岩类(n=61)
最小值 最大值 平均值 最小值 最大值 平均值 最小值 最大值 平均值 最小值 最大值 平均值
SiO2 43.04 53.82 49.38 54.12 66.90 60.60 67.04 71.78 69.22 72.09 86.25 75.52
Al2O3 10.21 19.24 15.95 13.82 18.78 16.63 12.64 17.83 15.83 8.77 16.03 13.26
TFe2O3 6.36 20.50 10.26 3.23 9.54 5.81 1.85 6.83 3.23 0.96 3.31 1.79
K2O 0.65 3.72 1.84 1.36 7.12 3.60 2.17 7.01 4.50 0.18 7.16 4.38
Na2O 1.71 4.07 3.05 1.37 7.22 4.14 0.58 5.93 4.00 0.17 8.38 3.76
CaO 1.43 12.64 5.92 0.13 6.01 2.63 0.10 3.66 0.74 0.07 17.0 0.53
MgO 1.08 16.72 4.86 0.27 6.29 2.01 0.09 2.00 0.70 0.03 0.85 0.31
Ti 2248 29451 10552.7 2699 9704 5938.4 1460 4565 3170.2 474 3503 1536.3
Mn 555 3131 1404.3 402 2588 939.2 230 2052 809.5 93.8 1439 475.8
P 173 4922 2083.3 211 3155 1613.0 138 1514 726.7 62.4 797 242.9
Cu 0.52 63.6 22.2 0.48 69.6 14.8 0.70 8.63 21.6 0.18 13.1 2.9
Pb 2.85 31.0 11.7 1.69 80.8 20.4 9.08 50.3 21.6 5.71 201 28.6
Zn 59.7 100 103.6 34.2 143 82.5 42.0 159 67.3 18.4 105 49.1
Co 15.6 62.0 36.3 4.26 33.2 17.6 0.21 13.3 6.99 0.02 9.10 2.93
Ni 2.42 102 33.25 1.05 55.8 15.79 2.03 20.7 6.32 1.98 28.40 6.41
V 123 414 236.2 9.22 181 104.5 6.90 74.6 26.5 2.49 42.7 15.5
Rb 13.1 139 59.0 21.9 294 108.9 53.6 214 119.0 1.46 272 141.1
Sr 128 1525 570.1 20.2 1892 557.8 14.0 743 249.3 9.85 336 83.2
Ba 71.7 1793 625.0 122 2325 945.9 119 1655 933.6 48.5 1483 557.4
Nb 0.96 20.8 12.0 0.83 68.6 12.8 2.82 77.2 20.1 0.83 94.6 19.4
Zr 23.1 322 193.9 85.2 1649 286.2 190 1157 382.4 85.4 655 257.0
Y 5.81 43.5 20.6 7.87 74.4 17.8 9.1 99 25.5 3.34 129 19.4
Th 0.46 12.7 6.64 1.52 28.5 14.16 8.61 37.60 19.27 4.95 39.1 24.12
  阿龙山地区岩石分析结果统计
指标 玄武岩类(n=21) 安山岩类(n=47) 英安岩类(n=38) 流纹岩类(n=61)
最小值 最大值 平均值 最小值 最大值 平均值 最小值 最大值 平均值 最小值 最大值 平均值
SiO2 47.70 70.05 61.09 46.88 71.64 63.83 56.74 76.30 67.53 59.13 79.58 67.83
Al2O3 13.89 18.82 15.90 12.08 18.50 15.52 10.10 17.37 14.77 11.03 18.85 15.15
TFe2O3 4.45 11.33 7.37 3.80 8.69 5.65 2.18 10.38 4.86 2.32 6.71 4.27
K2O 1.34 2.98 2.17 1.46 3.98 2.63 1.62 4.14 2.67 1.72 5.69 2.91
Na2O 1.04 2.57 1.64 1.22 3.26 1.98 0.92 3.22 1.69 0.48 4.90 1.77
CaO 0.59 5.19 1.49 0.55 4.95 1.30 0.50 1.93 0.82 0.32 1.54 0.63
MgO 0.85 4.90 2.01 0.69 4.24 1.49 0.41 1.95 1.01 0.42 1.75 0.89
Ti 4811 11009 6908.5 4007 9939 5909.7 3803 7562 5457.9 1349 7901 4685.8
Mn 392 2515 966.0 269 2433 853.6 280 5625 919.9 219 4432 687.9
P 368 2971 864.7 315 3052 961.5 285 2560 768.7 152 1177 507.3
Cu 5.64 62.0 18.3 6.32 31.8 15.7 4.10 21.8 10.5 1.62 50.3 10.1
Pb 8.78 37.7 21.3 3.14 125 26.4 4.43 127 26.0 6.53 338 35.3
Zn 69.6 189 113.2 44.4 162 98.9 57.1 494 115.0 48.7 736 112.9
Co 10.4 34.3 21.9 8.8 60.5 18.2 6.33 22.5 13.0 0.54 17.7 10.1
Ni 2.56 62.4 21.5 2.51 33.9 17.2 4.60 1403 52.2 3.43 33.8 14.7
V 60.6 380 141.1 18.0 164. 97.6 31.5 128 75.2 14.4 113 65.1
Rb 62.8 143 103.8 52.1 201 116.3 11.0 165 118.1 61.2 221 128.8
Sr 119 431 233.0 141 884 306.5 66 384 178.5 34 268 131.6
Ba 471 704 600.7 475 964 658.3 444 1006 662.9 108 997 579.9
Nb 7.40 36.3 18.8 2.16 64.3 20.2 8.53 56.5 21.1 9.12 55.9 22.1
Zr 95.5 430 263.3 180 371 277.8 167 978 309.8 190 589 309.9
Y 5.52 45.0 21.2 9.85 41.2 18.9 12.8 54.2 22.6 12.6 43.2 21.1
Th 0.61 19.1 10.6 1.95 28.1 12.4 2.27 35.3 12.5 5.86 21.8 14.1
  阿龙山地区基岩上覆土壤分析结果统计
[1] 刘德鹏, 丁峰, 汤正江 . 区域化探在森林沼泽区地质填图应用初探[J]. 物探与化探, 2004,28(3):209-212,217.
doi: 10.3969/j.issn.1000-8918.2004.03.006
[2] 时艳香, 纪宏金, 郝立波 , 等. 利用水系沉积物地球化学数据判别浅覆盖区岩性与构造—欧氏距离法[J]. 物探化探计算技术, 2004,26(3):243-246.
doi: 10.3969/j.issn.1001-1749.2004.03.013
[3] Ji H J, Zeng D M, Shi Y X , et al. Semi-hierarchical correspondence cluster analysis and regional geochemical pattern recognition[J]. Journal of Geochemical Exploration, 2007,93(2):109-119.
doi: 10.1016/j.gexplo.2006.10.002
[4] 郝立波, 陆继龙, 李龙 , 等. 区域化探数据在浅覆盖区地质填图中的应用方法研究[J]. 中国地质, 2007,34(4):710-715.
doi: 10.3969/j.issn.1000-3657.2007.04.022
[5] 时艳香, 郝立波, 陆继龙 , 等. 因子分类法在黑龙江塔河地区地质填图中的应用[J]. 吉林大学学报:地球科学版, 2008,38(5):899-903.
doi: 10.3969/j.issn.1671-5888.2008.05.030
[6] 田密 . 水系沉积物低弱地球化学异常提取方法研究[D]. 长春:吉林大学, 2017.
[7] Zhao X Y, Hao L B, Lu J L , et al. Origin of skewed frequency distribution of regional geochemical data from stream sediments and a data processing method[J]. Journal of Geochemical Exploration, 2018,194:1-8.
doi: 10.1016/j.gexplo.2018.07.007
[8] 徐国志, 徐锦鹏, 段玲玲 . 化探资料在地质填图中的应用[J]. 物探与化探, 2015,39(3):450-455.
doi: 10.11720/wtyht.2015.3.03
[9] 王大勇, 郝立波, 陆继龙 . 人工神经网络在识别浅覆盖区地质体中的应用[J]. 吉林大学学报:地球科学版, 2006,36(S2):185-187.
[10] 郝立波, 蒋艳明, 陆继龙 , 等. 利用多目标地球化学数据识别第四纪沉积物类型——基于概率神经网络方法[J]. 吉林大学学报:地球科学版, 2008,36(6):1081-1084.
doi: 10.3969/j.issn.1671-5888.2008.06.029
[11] 蒋宗礼 . 人工神经网络导论[M]. 北京: 高等教育出版社, 2001.
[12] 郝立波, 陆继龙, 马力 . 浅覆盖区土壤化学成分与基岩化学成分的关系及其意义——以大兴安岭北部地区为例[J]. 中国地质, 2005,32(3):477-482.
doi: 10.3969/j.issn.1000-3657.2005.03.018
[13] 郝立波, 马力, 赵海滨 . 岩石风化成土过程中岩石均一化作用及机理——以大兴安岭北部地区为例[J]. 地球化学, 2004,33(2):131-138.
[14] 邱家骧 . 岩浆岩岩石学[M]. 北京: 地质出版社, 1985.
[15] 李曦 . 神经网络信息传输函数Sigmoid与tanh比较论证[J]. 武汉理工大学学报:交通科学与工程版, 2004,28(2):312-314.
doi: 10.3963/j.issn.2095-3844.2004.02.044
[16] Tavakolipour H, Mokhtarian M . Neural network approaches for prediction of pistachio drying kinetics[J]. International Journal of Food Engineering, 2012,8(3):1-15.
[17] 连克强 . 基于Boosting的集成树算法研究与分析[D]. 北京:中国地质大学(北京), 2018.
[18] Sharkey A J C . Boosting using neural networks[G]//Combining artificial neural Nets. London: Springer, 1999: 51-78.
[19] 于玲, 吴铁军 . 集成学习: Boosting算法综述[J]. 模式识别与人工智能, 2004,17(1):5259.
doi: 10.3969/j.issn.1003-6059.2004.01.010
[1] 王志强, 杨建锋, 魏丽馨, 石天池, 曹园园. 石嘴山地区碱性土壤硒地球化学特征及生物有效性[J]. 物探与化探, 2022, 46(1): 229-237.
[2] 赵筱媛, 杨忠芳, 程惠怡, 马旭东, 王珏, 李志坤, 王琛, 李明辉, 雷风华. 四川邻水县华蓥山—西槽土壤Cu地球化学特征与生态健康[J]. 物探与化探, 2022, 46(1): 238-249.
[3] 孟伟, 莫春虎, 刘应忠. 黔西北地区土壤重金属地球化学背景及管理目标值[J]. 物探与化探, 2022, 46(1): 250-257.
[4] 李建亭, 刘雪敏, 王学求, 韩志轩, 江瑶. 地表土壤微细粒测量中微量元素和同位素对福建罗卜岭隐伏铜钼矿床的示踪与判别[J]. 物探与化探, 2022, 46(1): 32-45.
[5] 张春来, 杨慧, 黄芬, 曹建华. 广西马山县岩溶区土壤硒含量分布及影响因素研究[J]. 物探与化探, 2021, 45(6): 1497-1503.
[6] 侯佳渝, 杨耀栋, 程绪江. 天津市城区不同功能区绿地土壤重金属分布特征及来源研究[J]. 物探与化探, 2021, 45(5): 1130-1134.
[7] 肖高强, 向龙洲, 代达龙, 高晓红, 宗庆霞. 花岗质岩浆岩土壤重金属地球化学特征及生态风险评价——以云南盈江旧城—姐冒地区为例[J]. 物探与化探, 2021, 45(5): 1135-1146.
[8] 刘道荣, 焦森. 天然富硒土壤成因分类研究及开发适宜性评价[J]. 物探与化探, 2021, 45(5): 1157-1163.
[9] 解庆锋, 周小果, 王振峰, 马振波, 李胜昌, 张得恩, 司法祯. 河南省土壤环境监测背景点位布设参考区域划分研究[J]. 物探与化探, 2021, 45(5): 1164-1170.
[10] 奚小环, 侯青叶, 杨忠芳, 叶家瑜, 余涛, 夏学齐, 成杭新, 周国华, 姚岚. 基于大数据的中国土壤背景值与基准值及其变化特征研究——写在《中国土壤地球化学参数》出版之际[J]. 物探与化探, 2021, 45(5): 1095-1108.
[11] 刘国栋, 李禄军, 戴慧敏, 许江, 刘凯, 张一鶴, 杨泽. 松辽平原土壤碳库变化及其原因分析[J]. 物探与化探, 2021, 45(5): 1109-1120.
[12] 史琪, 赵延朋, 迟占东, 葛华, 康铁锁, 李发兴, 魏翔宇, 卢见昆, 杨人毅. 老挝川圹省约俄锡多金属矿区沟系土壤地球化学特征及成矿预测[J]. 物探与化探, 2021, 45(4): 824-834.
[13] 赵吉昌, 范应, 雷一兰, 姚宾宾. 构造地球化学岩屑测量在甘肃党河南山地区找金中的应用[J]. 物探与化探, 2021, 45(4): 923-932.
[14] 窦备, 张必敏, 叶荣, 迟清华. 黄土覆盖区隐伏矿地球化学勘查技术试验研究——以河南中河堤银铅锌多金属矿为例[J]. 物探与化探, 2021, 45(4): 933-941.
[15] 雷波, 兰明, 贺锋, 鲁宝龙, 罗才武. 基于熵—中位数子区滤波提取土壤氡气浓度异常——以甘肃省花海盆地为例[J]. 物探与化探, 2021, 45(4): 1064-1070.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-3
版权所有 © 2021《物探与化探》编辑部
通讯地址:北京市学院路29号航遥中心 邮编:100083
电话:010-62060192;62060193 E-mail:whtbjb@sina.com