CN107480460B - 大区域复杂背景区多元素地球化学异常识别方法 - Google Patents

Abstract

本发明提供一种地球化学异常识别方法，包括确定分析区域的待分析主元素和包括主元素的元素组合；基于各已知样品点的空间坐标和元素组合中各元素的含量，逐点计算各样品点的多元素加权异常值；根据各样品点的空间坐标和计算得到的多元素加权异常值，绘制地球化学加权异常图，其中，计算各样品点的多元素加权异常值包括：计算各样品点各元素在该样品点第一邻域范围内的局部背景；计算各样品点各元素相对于其局部背景值的局部异常值；以及计算各样品点所述第一邻域范围内主元素相对于其他各元素的局部相关系数。本发明的方法解决了现有技术中大区域复杂背景区难以实现多元素地球化学异常快速准确自动识别的问题。

Description

大区域复杂背景区多元素地球化学异常识别方法

技术领域

本发明涉及一种大区域复杂背景区多元素地球化学异常识别方法，是一项基于地球化学数据进行地球化学异常圈定的技术。更具体地，本发明涉及地球化学、地质学、矿产勘查等领域，根据本发明的方法可直接应用于矿产勘探、环境地球化学评价相关的地质调查和环境评价领域等。

背景技术

应用地球化学主要研究地球表层物质组成与分布规律，矿产资源由元素构成，而环境问题也是由化学元素及其化合物的分布与行为决定，因此应用地球化学将在解决人类所需的资源和生存环境问题上发挥越来越重要的作用。不断扩大测量空间范围和精度、不断提高分析测试精度和不断增加测试元素种类和其他指标是该领域重要技术问题。目前面积性地球化学调查方面我国已经完成1:20万山区39种元素区域地球化学调查和平原区1:25万54种元素多目标地球化学调查，积累了基本上覆盖全国陆域面积的海量地球化学调查数据。分析测试方法方面已经建立了地壳岩石和土壤样品中76个元素、及包括FeO、pH、C_org、H₂O、CO₂等共81项指标的配套分析方案和分析质量监控系统，已经开始应用于全球尺度的低密度地球化学调查和局部区域地球化学调查工作中。本发明申请文件中，术语“元素”是对可测试分析的各化学元素和指标的总称。如何从大范围、海量、多元素指标的地球化学调查数据中提取有用的与资源和环境领域有关的信息具有重要意义。

大区域的地球化学填图区一般存在多个地球化学背景区，对应于不同的构造单元、岩石分布区等，曾经历了不同规模的地质构造事件的影响。例如，横跨云贵川三省大范围分布的峨眉山玄武岩引起的Cu异常区，跨多个次级构造单元。另外，该区已发现的Cu有关的成矿事件有前寒武纪、晚古生代、早中生代、新生代等，已发现Cu矿的矿床类型有斑岩-矽卡岩型铜矿、砂岩型铜矿、玄武岩型铜矿等。现有单元素异常分析方法不能区分Cu异常是由铜矿引起的异常还是峨眉山玄武岩引起的异常，以及什么类型的铜矿引起的Cu异常。因此，需要借助于多元素地球化学异常统计分析处理方法。

现有技术中地球化学多元统计分析方法(MSA)如因子分析、主成分分析、稳健主成分分析等对于小范围或单一背景的区域有效，但不适用于复杂的多背景大范围区域，即存在多个地质过程叠加的大范围区域。主成分分析和因子分析等降维处理方法，其核心是需要计算变量间的相关系数。大区域的地球化学填图区一般存在多个地球化学背景区，对应于不同的构造单元、岩石分布区等，不同地球化学背景区样品的元素间相关性存在差异，因此，不能直接采用元素间全局相关系数来度量不同背景区元素间相关性。

另外，多元素衬度值叠加的方法可以综合多元素的信息，是常用的地球化学数据处理方法。对于单一地质过程，元素组合叠加相对于单一元素异常增加了信息量，但是由于表生地球化学元素含量具有多来源叠加的特点，该方法只考虑了各个元素总的贡献，没有考虑各个元素贡献的权重。

因此，需要提供一种能够适用于应用地球化学多背景区多元素指标地球化学异常信息提取的方法，该方法应适用于大范围的大数据的处理计算。

发明内容

本发明的目的在于针对现有技术的上述不足，提供一种多元素地球化学异常识别方法，根据分析区域的目标矿床类型选定主元素和元素组合，以样品点为中心在一定的邻域范围内计算主元素相对于其他元素的局部相关系数来度量不同背景区元素间相关性，并以此计算样品点的多元素加权异常值，能够对经历了多个不同规模的地质构造事件影响的包含多个地球化学背景区例如包含多个构造单元和岩石分布区的大面积区域的应用地球化学多元素信息进行集成，实现地球化学多元素异常信息提取。

为实现这样的目的，本发明提供一种大区域复杂背景区多元素地球化学异常识别方法，该方法包括：

对多元素地球化学数据进行数据预处理，将各个样品点空间坐标和含量关联；

确定分析区域的待分析主元素E₁和包括主元素的元素组合E₁、E₂、E₃、…、E_m，m为元素的个数；

基于各已知样品点的空间坐标和元素组合中各元素的含量，逐点计算各样品点的多元素加权异常值WA；

根据各样品点的空间坐标和计算得到的多元素加权异常值WA，绘制地球化学加权异常图，

其中，计算样品点的多元素加权异常值WA包括：

计算样品点各元素E_n在该样品点第一邻域范围内的局部背景LocalBK_n，n＝1,2,3,…,m；

计算各样品点各元素E_n关于其局部背景LocalBK_n的局部异常LocalA_n；

对计算得到的各样品点的各元素局部异常值LocalA_n进行标准化，得到各样品点的各元素标准化局部异常值SLocalA_n；

计算样品点所述第一邻域范围内主元素相对于其他各元素的局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)；

确定主元素标准化局部异常SLocalA₁的加权系数R_main，

计算该样品点的多元素加权异常值WA，

WA＝R_mainSLocalA₁+R_(1，2)SLocalA₂+…+R_(1，m)SLocalA_m。。

优选地，本领域技术人员根据其所关注的主元素及研究目标确定元素组合。对于矿床定位预测领域应用，选择主成矿元素做为主元素，其元素组合的选择应参照目标矿床模型，即要在研究区寻找的矿床类型作为模型。如果研究区范围内有目标矿床类型的已勘探或开发矿床，应参考其成矿元素与伴生元素组合确定元素组合。如果研究区范围内没有该类型的已勘探或开发矿床，应参照该矿床类型的一般模型确定元素组合。

优选地，样品点第一邻域范围可以选择以样品点为中心的圆形区域、正方形区域，中空的圆形区域、中空的正方形区域，第一邻域范围可以是以样品点为中心的球形区域、正方体区域、中空的球形区域或中空的正方体区域。第一邻域范围大小确定方法，如果是网格采样方法，第一邻域半径可选择为采样网格大小的3-30倍，优选3-10倍，如果是非网格采样要保证邻域内参加计算的样品点测试数据至少为10组，优选至少为20组，以保证识别结果的可靠性。另外，第一领域范围的大小应参照矿床元素分散晕的半径，以及要参照研究区不同类型地质构造单元的规模进行选择，也可以采用地质统计学基于变差函数计算变程做为参考进行选择。

可以用于计算元素的局部背景值LocalBK_n的方法很多，如迭代剔除法、距离加权平均法、基于百分数的累积频率法等如果样品点第一邻域范围内的样品点过多，对于大数据量的计算，为了提高计算速度，优选采用第一邻域内各样品点该元素含量的中位数做为背景值。

优选地，所述局部异常值为局部相对异常值LocalA′_n，

LocalA′_n＝V_En/LocalBK_n，

其中，V_En为各元素在该样品点的含量，或

V_En为各元素含量在该样品点第二邻域范围内的平均值或中位数，第二邻域范围小于第一邻域范围。

优选地，所述局部异常值为局部剩余异常值LocalA″_n，

LocalA″_n＝V_En-LocalBK_n，

其中，V_En为各元素在该样品点的含量，或

V_En为各元素含量在该样品点第二邻域范围内的平均值或中位数，第二邻域范围小于第一邻域范围。

优选地，利用计算得到的样品点第一邻域范围内各样品点各元素的局部异常值或各元素的标准化局部异常值计算该样品点主元素相对于其他各元素的局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)。

因为各个元素不一定都服从正态分布，优选地，采用斯皮尔曼(Spearman)方法计算局部相关系数，以准确表征样品点第一邻域范围内主元素相对于其他元素的局部相关性。

优选地，本领域技术人员根据其所关注的分析内容和分析目标确定主元素标准化局部异常SLocalA₁的加权系数R_main。

在R_main＝0的情况下，突出了除主元素外元素组合异常值，与主元素局部异常的空间位置对比，可以得到元素组合中其他元素的贡献的具体空间位置和范围，对其形成原因分析有助于深化对区域地质背景和成矿的认识。

在R_main＝1的情况下，组合中其他元素的基于相关系数确定的权重均小于1，从而突出了主元素的贡献，其他元素为辅助信息。

或者，在R_main＝R_max的情况下，R_max为计算得到的各局部相关系数中的最大值，R_max＝max(R_(1，2)，R_(1，3)，…，R_(1，m))，m为元素的个数。选择R_max作为权重，有助于降低多元素加权计算中主元素的权重，聚焦与元素组合中其他元素相关部分的主元素的贡献，加权计算结果反映了具有相关性的主元素及元素组合地球化学异常，指示了其形成于相似地质过程。

本发明提供了一种大区域复杂背景区多元素地球化学异常识别方法，解决了现有技术中大区域复杂背景区难以实现多元素地球化学异常快速准确自动识别的问题。

根据本发明的方法，在地质矿产勘查领域，可以在大面积区域对某一矿床类型进行快速定位预测，提高了工作效率和定位精度。在环境地球化学领域，可以在大面积区域对某一环境指标及其组合异常进行快速评价，准确聚焦并解决所关注的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为根据本发明的地球化学异常识别方法流程图；

图2为根据本发明实例的Cu元素含量分布图；

图3为根据本发明实例的多元素地球化学加权相对异常图；

图4为根据本发明实例的多元素地球化学加权剩余异常图。

具体实施方式

为了更好的理解本发明的技术方案，以下结合附图和具体实施例对本发明的实施方式作进一步的描述，但不作为对本发明的限定。

下面以峨眉山地幔柱分布区1:20万水系沉积物地球化学测量数据为例，具体说明根据本发明的大区域复杂背景区多元素地球化学异常识别方法。本领域技术人员可以理解，本发明的方法不仅限于水系沉积物地球化学测量数据，同样适用于其他领域的地球化学测量数据。

图1为根据本发明的大区域复杂背景区多元素地球化学异常识别方法的流程图。如图1所示，该方法包括如下步骤：

步骤110，确定分析区域的待分析主元素E₁和元素组合E₁、E₂、E₃、…、E_m，m为元素的个数。

元素组合和主元素的选择根据研究区待研究的问题进行选择。例如，对于矿床定位预测领域应用，应参照目标矿床模型，即要在研究区寻找的矿床类型作为模型，选择元素组合。对于已知的矿床的矿床类型，应参考其成矿元素与伴生元素组合确定元素组合。如果研究区没有该类型的已知矿床，应参照该矿床类型的一般模型确定元素组合。例如，对于环境地球化学领域，可以根据需要监控的元素、化合物或生物指标，选择相应的元素组合。

步骤120，基于各已知样品点的空间坐标和元素组合中各元素的含量，逐点计算各样品点的多元素加权异常值WA。

为方便计算和绘图，需要对多元素地球化学数据进行数据预处理，将各个样品点空间坐标和测试数据相关联。

针对研究区域内的各样品点的测试数据，以每一样品点的第一邻域范围的各样品点元素含量计算该样品点各元素的局部背景值，并针对得到的元素局部背景值计算样品点各元素的局部异常值。在得到各样品点的元素局部异常值后，对各元素的局部异常值进行标准化。随后计算每一样品点第一邻域范围内主元素相对于其他各元素的局部相关系数，并基于计算得到的样品点各元素局部异常值和局部相关系数，计算该样品点的多元素加权异常值。根据本发明的方法，充分考虑了大区域地球化学区域中存在的不同构造单元或岩石分布区等背景区域中，元素间相关性对元素组合的影响，有助于准确快捷地解决研究区域所关注的问题，特别适合于基于多元素地球化学异常的矿床预测和定位。

下面结合图1中的步骤121-126，说明根据本发明的地球化学异常识别方法的具体步骤。

步骤121，计算样品点各元素E_n在样品点第一邻域范围内的局部背景LocalBK_n，n＝1,2,3,…,m。

对于研究区域内的每一样品点，选取样品点的第一邻域范围。利用该第一邻域范围内各样品点的各元素含量计算该样品点各个元素的局部背景值LocalBK_n。

邻域范围可以选择以样品点为中心的对称区域，例如圆形区域、正方形区域、中空的圆形区域、中空的正方形区域、球形区域、正方体区域、中空的球形区域或中空的正方体区域。

第一邻域范围半径大小确定方法，如果是网格采样方法，邻域半径选择网格大小的3-30倍，优选3-10倍，如果是非网格采样方法，要使参加计算的样品点测试数据至少为10组，优选至少20组，保证结果稳定。另外，领域半径的大小应参照矿床元素分散晕的半径，以及要参照研究区不同类型地质构造单元的规模。也可以采用地质统计学基于变差函数计算变程来选择控制区。在本发明的识别方法中，通过限定第一邻域范围，期望将大区域复杂背景区划分至存在单一地质过程或单一地质构造单元的小区域。根据目标矿床类型选定参与计算的元素组合中各元素，然后逐个采样点剔除局部背景值的影响，得到各个元素的局部异常值，根据不同元素异常之间的相关关系，识别和成矿有关的地质过程控制形成的各元素异常的权重，增加计算结果的有效信息量，有助于更加准确地进行矿床预测和定位。

可以用于计算邻域范围元素背景值LocalBK_n的方法很多，如迭代剔除法、距离加权平均法、基于百分数的累积频率法等，优选地，如果研究区样品点过多，对于大数据量的计算，为了提高计算速度，可采用邻域范围内各样品点元素含量的中位数做为该样品点该元素的局部背景值。

步骤122，计算各样品点各元素E_n关于局部背景LocalBK_n的局部异常LocalA_n。

针对每一样品点，利用计算得到的样品点第一邻域范围元素局部背景LocalBK_n和样品点处元素含量或样品点相邻几个样品的元素含量，计算样品点各元素的局部异常LocalA_n，由此得到研究区域各样品点各元素消除了样品点邻域范围元素背景后的局部异常值。作为优选实施例，样品点各元素的局部异常可以是局部相对异常或局部剩余异常，

局部相对异常：LocalA′_n＝V_En/LocalBK_n；

局部剩余异常：LocalA″_n＝V_En-LocalBK_n；

其中，V_En值可以是样品点处的各个元素的含量值或者样品点相邻几个样品点(第二邻域范围内的样品点)各个元素的含量值的平均值或中位数值；

n＝1,2,3,…,m，m为元素的个数。

对于高值异常区，相对异常和剩余异常会得到相似的结果，两者互相验证，可以作为计算结果可靠性的判别依据。

相对异常可反映异常相对于局部背景变化的趋势和细节部分，局部背景部分作为对比并没有被完全剔除，信息量相对损失较小，特别是中低频信息得以保留，因此可作为异常筛选的依据。

剩余异常由于完全剔除掉了局部背景部分，只保留了高频的异常信息，中低频信息被剔除，总体上不同元素异常叠加区的高低值变化会较剧烈，会形成不同的异常分区，因此可作为选区依据，是对相对异常的补充，起辅助作用。

上述相邻几个样品点(第二邻域范围内的样品点)的样品点个数小于样品点第一邻域范围内样品点个数，优选地，对于网格采样方法，邻域半径选择网格大小的1倍，对于非网格采样方法，优选地为3-10个样品点个数。

步骤123，对计算得到的各局部异常进行标准化，得到标准化的局部异常。

对上述步骤中得到的各样品点各元素的局部异常LocalA_n进行标准化处理，例如归一化处理，得到各样品点的元素标准化局部异常SLocalA_n，n＝1,2,3,…,m，m为元素的个数。通过标准化，消除了各样品点的各元素含量在计量单位和数量级存在差别的影响。

步骤124，计算各样品点第一邻域范围内主元素相对于其他各元素的局部相关系数。

对研究区域内的每一样品点，选取样品点的所述第一邻域范围，利用第一邻域范围内各样品点的元素局部异常或元素标准化局部异常，计算该样品点第一邻域范内元素组合中主元素E₁的与其他各元素E₂、E₃、…、E_m的局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)，其中，m为元素的个数。

计算每一样品点邻域范围内的主元素与其他元素间相关系数R_(1，2)，R_(1，3)，…，R_(1，m)时，因为各个元素不一定服从正态分布，采用斯皮尔曼(Spearman)方法计算相关系数。

步骤125，确定主元素标准化局部异常的加权系数。

本领域技术人员可根据其所关注的内容及所要解决的问题确定主元素标准化局部异常SLocalA₁的权重R_main，

R_main＝1；

R_main＝0；

或者，R_main＝R_max；

R_max为局部相关系数中的最大值，

R_max＝max(R_(1，2)，R_(1，3)，…，R_(1，m))，

m为元素的个数。

步骤126，计算各样品点的多元素地球化学加权异常值WA。

对研究区域内的每一样品点，利用计算得到的该样品点各元素标准化局部异常及局部相关系数，计算该样品点的多元素地球化学加权异常值WA，

WA＝R_mainSLocalA₁+R_(1，2)SLocalA₂+R_(1，3)SLocalA₂+…+R_(1，m)SLocalA_m。

步骤130，根据各样品点的空间坐标和计算得到的各样品点多元素加权异常值WA，绘制地球化学加权异常图。

通过对绘制得到的地球化学加权异常图进行解释，可以得到准确可靠的矿产分布位置信息，地质体分布信息和环境监测信息，因此可以用于矿床定位、地质调查和环境评价。

根据本发明的方法，通过对每一样品点选择邻域范围并计算邻域范围内的元素局部异常值和邻域范围内的主元素与其他元素的局部相关系数，充分考虑了大区域地球化学填图区中存在的不同构造单元或岩石分布区等背景区域的情况，避免了直接采用元素间全局相关系数来度量不同背景区元素间相关性，同时避免了将多来源的表生地球化学元素异常直接相加，另外局部异常计算避免了不同地球化学背景区的干扰，提高了多元素地球化学异常的代表性、异常识别效果以及计算效率和精度。通过根据要分析研究的主题确定主元素和元素组合并以计算得到的局部异常和局部相关系数计算多元素异常值，可将结果直接用于基于多元素地球化学异常的矿床快速准确预测和定位。

实例1

下面以采用峨眉山地幔柱分布区1:20万水系沉积物地球化学测量数据进行多元素地球化学异常识别为例，对本发明的技术方案进行解释。

本实例中采用的水系沉积物地球化学测量比例尺为1:200000，采用2km×2km网格采样，参与计算的样品点共167178个。

首先，对研究区面积性测量得到的1:20万水系沉积物地球化学测量数据进行数据预处理，将各个样品点空间坐标和测试结果关联。本实例中的坐标为以千米为单位的平面笛卡尔坐标(Cartesian coordinates)。但本发明不限于此，本领域技术人员可根据需要选择坐标格式。

为了在研究区范围内寻找斑岩-矽卡岩型铜多金属矿床，确定主元素为Cu，元素组合为亲硫元素Cu-Au-Mo-Pb-Zn-Ag。

逐个点计算样品点的元素局部背景值。对任一样品点，以样品点为中心选取半径10km的圆形邻域范围计算各个元素的局部背景值LocalBK_n，n＝Cu、Au、Mo、Pb、Zn、Ag。由于研究区样品点过多，对于大数据量的计算，为了提高计算速度，本实例采用每一样品点邻域范围内各样品点元素含量的中位数做为该样品点元素局部背景值。

随后，逐点计算各样品点的元素局部相对异常LocalA′_n。

局部相对异常：LocalA′_n＝V_En/LocalBK_n；n＝Cu、Au、Mo、Pb、Zn、Ag；

其中V_En为该样品点元素n的含量。

然后，分别对计算得到的局部相对异常计算元素标准化局部相对异常。本实例中，对局部相对异常LocalA′_n采用归一化的方法进行标准化处理，即，

SLocalA′_n＝(LocalA′_n-min_n)/(max_n-min_n)，

其中，max_n和min_n分别是整个研究区域内元素n局部相对异常值LocalA′_n中的最大值和最小值，n＝Cu、Au、Mo、Pb、Zn、Ag。

然后，采用斯皮尔曼(Spearman)方法，逐点计算局部相关系数。对任一样品点，以样品点为中心选取半径10km的圆形邻域范围，利用邻域范围内各样品点的主元素Cu的标准化局部异常SLocalA_Cu及各样品点的其他元素Au、Mo、Pb、Zn、Ag的标准化局部异常，计算该样品点的局部相关系数R_(Cu，Au)，R_(Cu，Mo)，…，R_(Cu，Ag)。

随后，逐个样品点计算多元素地球化学加权异常值WA，

WA＝R_maxSLocalA′_Cu+R_(Cu，Au)SLocalA′_Au+R_(Cu，Mo)SLocalA′_Mo+…+R_(Cu，Ag)SLocalA′_Ag，

本实例中，R_max为该样品点各局部相关系数中的最大值，

R_max＝max(R_(Cu，Au)，R_(Cu，Mo)，…，R_(Cu，Ag))。

分别计算得到多元素地球化学加权相对异常。

随后，绘制多元素地球化学Cu元素加权相对异常图如图3所示。。

实例2

不同于实例1，该实例以样品点元素局部剩余异常作为局部异常值，计算多元素地球化学加权异常值并绘图。

如实例1，采用每一样品点邻域范围内各样品点元素含量的中位数做为该样品点元素局部背景值。

随后，逐点计算各样品点的元素局部剩余异常LocalA″_n。

局部剩余异常：LocalA″_n＝V_En-LocalBK_n；n＝Cu、Au、Mo、Pb、Zn、Ag；其中V_En为该样品点元素n的含量。

分别对计算得到的局部剩余异常计算元素标准化局部剩余异常。本实例中，对局部剩余异常LocalA″_n采用归一化的方法进行标准化处理，即，

SLocalA″_n＝(Local″A_n-min_n)/(max_n-min_n)，

其中，max_n和min_n分别是整个研究区域内元素n局部剩余异常值LocalA″_n中的最大值和最小值，n＝Cu、Au、Mo、Pb、Zn、Ag。

然后，与实例1相似，利用计算得到的标准化局部剩余异常值，采用斯皮尔曼方法，逐点计算局部相关系数R_(Cu，Au)，R_(Cu，Mo)，…，R_(Cu，Ag)，并逐个样品点计算多元素地球化学加权异常值WA。

WA＝R_maxSLocalA″_Cu+R_(Cu，Au)SLocalA″_Au+R_(Cu，Mo)SLocalA″_Mo+…+R_(Cu，Ag)SLocalA″_Ag，

本实例中，R_max为该样品点各局部相关系数中的最大值，

R_max＝max(R_(Cu，Au)，R_(Cu，Mo)，…，R_(Cu，Ag))。

分别计算得到多元素地球化学加权相对异常和多元素地球化学加权剩余异常。

随后，绘制多元素地球化学Cu元素加权剩余异常图，如图4所示。

作为对比，图2示出单元素Cu含量分布图。该图无法区分Cu高值区的异常来源。与该区地质图上峨眉山玄武岩分布区对比显示，大面积的Cu异常分布区对应于峨眉山玄武岩的分布区。但是，峨眉山玄武岩的分布区没有形成亲硫元素Cu-Au-Mo-Pb-Zn-Ag的组合异常，图3和图4中峨眉山玄武岩的分布区均表现为低值区。在图3和图4中，亲硫元素Cu-Au-Mo-Pb-Zn-Ag组合异常的高值区为潜在的斑岩-矽卡岩型矿床的找矿远景区，为该区斑岩-矽卡岩型铜矿床的寻找提供了依据。

多元素地球化学加权相对异常(图3)和多元素地球化学加权剩余异常图(图4)的高值区分布总体一致。多元素地球化学加权相对异常的中低值变化相对平缓，为突出细节信息，将中低异常区统一颜色显示。相对于加权剩余异常，加权相对异常对于异常细节的反应较好，增加了更多异常细节，信息量更大，并且异常的联续性较好。而多元素地球化学加权剩余异常的高-中-低值分布区变化比较剧烈，会形成不同的异常分区，但是细节信息没有多元素地球化学加权相对异常丰富。

因此，多元素地球化学加权剩余异常适合用于矿产资源定位预测大范围选区，多元素地球化学加权相对异常适合于多元素地球化学组合异常的精确定位，即有助于实现矿床的快速精确定位。

以上借助优选实施例对本发明进行了详细说明，但是本发明不限于此。本发明提出的大区域复杂背景区多元素地球化学异常识别方法同样适用于其他地区其他矿床类型的成矿预测，另外同样适用于环境地球化学评价，以及相关地球化学应用领域。本发明不仅适用于平面坐标系统同样适用于曲面坐标系统和三维坐标系统。

本领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (13)

1.一种地球化学异常识别方法，该方法包括以下步骤：

确定分析区域的待分析主元素E₁和包括主元素的元素组合E₁、E₂、E₃、…、E_m，m为元素的个数；

基于各已知样品点的空间坐标和元素组合中各元素的含量，逐点计算各样品点的多元素加权异常值WA；

根据各样品点的空间坐标和计算得到的多元素加权异常值WA，绘制地球化学加权异常图，

其中，计算各样品点的多元素加权异常值WA包括：

计算各样品点各元素E_n在该样品点第一邻域范围内的局部背景值LocalBK_n，n＝1,2,3,…,m；

计算各样品点各元素E_n相对于其局部背景值LocalBK_n的局部异常值LocalA_n；

对计算得到的各样品点的各元素局部异常值LocalA_n进行标准化，得到各样品点的各元素标准化局部异常值SLocalA_n；

计算各样品点所述第一邻域范围内主元素相对于其他各元素的局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)；

确定主元素标准化局部异常SLocalA₁的加权系数R_main，

计算该样品点的多元素加权异常值WA，

WA＝R_mainSLocalA₁+R_(1，2)SLocalA₂+…+R_(1，m)SLocalA_m。

2.如权利要求1所述的地球化学异常识别方法，其特征在于，所述第一邻域范围的形状为以样品点为中心的圆形区域、正方形区域、中空的圆形区域、中空的正方形区域、球形区域、正方体区域、中空的球形区域或中空的正方体区域。

3.如权利要求1所述的地球化学异常识别方法，其特征在于，所述第一邻域范围的邻域半径是采样网格尺寸的3-30倍。

4.如权利要求1所述的地球化学异常识别方法，其特征在于，所述第一邻域范围的邻域半径是采样网格尺寸的3-10倍。

5.如权利要求1所述的地球化学异常识别方法，其特征在于，所述第一邻域范围包括至少10个已知样品点。

6.如权利要求1所述的地球化学异常识别方法，其特征在于，所述第一邻域范围包括至少20个已知样品点。

7.如权利要求1所述的地球化学异常识别方法，其特征在于，通过迭代剔除法、距离加权平均法、基于百分数的累积频率法或中位数法计算样品点元素局部背景值LocalBK_n。

8.如权利要求1所述的地球化学异常识别方法，其特征在于，所述局部异常值为局部相对异常值LocalA′_n，

LocalA′_n＝V_En/LocalBK_n，

其中，V_En为各元素在该样品点的含量，或

V_En为各元素含量在该样品点第二邻域范围内的平均值或中位数，第二邻域范围小于第一邻域范围。

9.如权利要求1所述的地球化学异常识别方法，其特征在于，所述局部异常值为局部剩余异常值LocalA″_n，

LocalA″_n＝V_En-LocalBK_n，

其中，V_En为各元素在该样品点的含量，或

V_En为各元素含量在该样品点第二邻域范围内的平均值或中位数，第二邻域范围小于第一邻域范围。

10.如权利要求1所述的地球化学异常识别方法，其特征在于，利用样品点第一邻域范围内各样品点的各元素局部异常值或各元素标准化局部异常值计算该样品点主元素相对于其他各元素的局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)。

11.如权利要求1所述的地球化学异常识别方法，其特征在于，利用斯皮尔曼方法(Spearman)计算局部相关系数。

12.如权利要求1所述的地球化学异常识别方法，其特征在于，所述主元素局部加权值系数R_main为0或1，或计算得到的样品点局部相关系数R_(1，2)，R_(1，3)，…，R_(1，m)中的最大值。

13.如权利要求1所述的地球化学异常识别方法，其特征在于，以分析区域目标矿床类型主成矿元素作为主元素，参照目标矿床类型确定元素组合中其他元素。