CN112382349A - 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 - Google Patents

一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 Download PDF

Info

Publication number
CN112382349A
CN112382349A CN202011247257.9A CN202011247257A CN112382349A CN 112382349 A CN112382349 A CN 112382349A CN 202011247257 A CN202011247257 A CN 202011247257A CN 112382349 A CN112382349 A CN 112382349A
Authority
CN
China
Prior art keywords
type
basalt
emii
emi
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011247257.9A
Other languages
English (en)
Other versions
CN112382349B (zh
Inventor
孟凡超
刘浩毅
左耿超
田雨露
杜青
毛少华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202011247257.9A priority Critical patent/CN112382349B/zh
Publication of CN112382349A publication Critical patent/CN112382349A/zh
Application granted granted Critical
Publication of CN112382349B publication Critical patent/CN112382349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明公开了一种利用岩石主微量元素判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法，包括以下步骤：第一步：收集EMI型和EMII型地幔端元玄武岩数据；第二步：数据标准化处理；第三步：训练逻辑回归模型；第四步：确定EMI型和EMII型地幔端元元素判别指标；本发明降低了利用同位素判别EMI型和EMII型地幔端元的成本，解决了传统研究利用主微量元素无法区分EMI型和EMII型地幔端元的难题，提出了基于EMI型和EMII型地幔端元的主微量元素判别指标，实现了利用主微量元素对EM型地幔端元进行判别。

Description

一种判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法
技术领域
本发明涉及岩石地球化学领域，尤其涉及的是，一种利用岩石主微量元素判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法。
背景技术
原始固体地球形成以后，其深部、浅部物质不断处于对流循环和热演化过程中，地幔内部物质组成存在高度不均一性，认识和识别地幔不均一性对于探讨地幔内部物质循环、揭示地球演化规律具有重要意义。目前，对地幔不均一性的认识主要依据同位素研究方法。从地幔部分熔融产生原始岩浆直接喷出地表形成幔源岩浆岩过程中，Sr-Nd-Pb同位素保持不变，通过对幔源岩浆岩进行同位素分析测试可以直接获得地幔的组成，以此划分地幔的不同端元。根据Sr-Nd-Pb同位素研究成果，大致可以划分出四种地幔端元，即EMI型地幔端元、EMII型地幔端元、HIMU型地幔端元和DMM型地幔端元。但是，利用幔源火山岩样品的同位素进行地幔端元划分成本较高，相比之下，幔源火山岩样品的主微量元素信息更加普遍。然而，与同位素相比，主微量元素的含量在地幔部分熔融过程中会发生较大的变化，幔源岩浆岩的元素含量无法直接代表地幔中相应元素的含量。因此，一直以来，人们很少利用幔源岩浆岩的元素含量来进行地幔端元的划分。前人对地幔端元玄武岩的元素地球化学特征进行了一系列的研究，但到目前为止，其地幔端元的主微量元素特征仍没有形成统一的标准，也没有建立利用幔源玄武岩主微量元素判断地幔端元的方法。尤其对于EM型地幔端元，多数学者研究认为EMI和EMII型地幔端元玄武岩在微量元素特征上没有显著的差别。实际上，火山岩主量元素和微量元素包含了复杂的高维信息，利用传统的地球化学数据处理方法可能会忽略掉数据之间隐含的深层次信息，同时还存在多解性。
因此，需要发展更为精确的数据处理方法来完成基于主微量元素的地幔端元划分，以此来实现对未知玄武岩地幔源区的判别。
发明内容
本发明提供一种利用岩石主微量元素判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法，针对目前地幔端元研究中的难点，以EM型地幔端元为研究对象，重点解决了以同位素划分地幔端元成本高、以主微量元素无法有效区分EMI型和EMII型地幔端元等难题，基于机器学习算法提出了针对EMI型和EMII型地幔端元的主微量元素判别指标，从而为综合利用幔源岩浆岩元素地球化学特征区分地幔端元提供参考。
本发明的技术方案如下：一种判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法，包括以下步骤：
第一步：收集EMI型和EMII型地幔端元玄武岩数据；
系统收集代表EMI型和EMII型地幔端元的洋岛、岛群玄武岩数据，并对数据进行清洗和整理；经过数据清洗和整理，每个样品都包含10个主量元素，即SiO2、TiO2、Al2O3、FeOT、CaO、MgO、MnO、K2O、Na2O、P2O5；和17个微量元素，即Sc、V、Cr、Ni、Rb、Sr、Y、Zr、Nb、Ba、La、Ce、Nd、Sm、Eu、Yb、Th；
第二步：数据标准化处理；
首先采用Box-Cox变换将元素含量分布转换为正态分布，其定义如下：
Figure BDA0002770434350000021
式(1)中，λ为变换参数，其值由最大似然法确定，x为元素含量；
进行Box-Cox变换之后，不同元素含量之间还存在量纲的差异，需要将其进行统一；
利用式(2)对样品进行Z-score标准化处理，将每种元素的含量分布统一化，变成均值为0，方差为1的标准数据，消除不同量纲的影响；
Figure BDA0002770434350000031
式(2)中，μ为元素含量平均值，σ为标准差；
第三步：训练逻辑回归模型；
构建逻辑回归模型，采用网格搜索法寻找模型的最优参数，利用混淆矩阵对模型进行评价；
第四步：确定EMI型和EMII型地幔端元判别指标；
通过逻辑回归算法得到27个主微量元素的回归系数，回归系数绝对值的大小代表着不同元素的重要性程度；将27个元素的含量与其对应的回归系数相乘并相加，得到每个玄武岩样品对应的加权特征，记为Total_feature；将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，实现对EMI型和EMII型地幔端元玄武岩进行定量、自动判别。
上述中，所述第一步中的数据清洗和整理包括3个方面：①剔除SiO2<45％及SiO2>52％的样品，只保留基性全岩和火山玻璃数据；②剔除蚀变严重，即元素总和<97％或>102％和元素含量异常的数据；③剔除主微量元素含量不全的数据。
上述中，所述第四步中将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，划分为3个区域：①EMI型地幔端元区域，即满足判别指标-1.8<Sm<1.6且Total_feature>0.5，或Sm>1.6，若样品落在该区域中，则将其判定为EMI型地幔端元玄武岩；②EMII型地幔端元区域，即满足判别条件-1.8<Sm<1.6且Total_feature<-1，或Sm<-1.8；若样品落在该区域，则将其判定为EMII型地幔端元玄武岩；③EMI型和EMII型地幔端元过渡区，即满足判别条件-1.8<Sm<1.6且-1<Total_feature<0.5，若样品落在该区域，则将其判定过渡型玄武岩，不具备明显的EMI型或EMII型地幔端元特征。
本发明降低了利用同位素判别EMI型和EMII型地幔端元的成本，解决了传统研究利用主微量元素无法区分EMI型和EMII型地幔端元的难题，提出了基于EMI型和EMII型地幔端元的主微量元素判别指标，实现了利用主微量元素对EM型地幔端元进行判别。
附图说明
图1为本发明实施例中逻辑回归判别结果的混淆矩阵示意图。
图2为本发明实施例中EMI型与EMII型地幔端元判别图。
图3为传统研究提出的Ba/La-Ba/Nb图解示意图。
图4为本发明实施例中未知玄武岩判别结果图。
图5为传统研究使用的同位素判别图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
本发明利用全球共享地球化学数据库GEOROC(http://georoc.mpch-mainz.gwdg.de/georoc/)和PetDb(http://www.earthchem.org/petdb)，依据幔源火山岩同位素研究成果，以EMI型和EMII型地幔端元产出的玄武岩为研究对象，采用机器学习方法挖掘出两种不同地幔端元玄武岩数据之间的差异，建立了针对EMI型和EMII型地幔端元的主微量元素判别指标，具体步骤如下：
第一步：收集EMI型和EMII型地幔端元玄武岩数据；
根据幔源火山岩Sr-Nd-Pb同位素研究结果，系统收集代表EMI型和EMII型地幔端元的洋岛、岛群玄武岩数据。Pitcairn-Gambier(皮特凯恩-干比尔群岛)、Tristan daCunha(特里斯坦-达库尼亚群岛)、Gough(戈夫岛)和Kerguelen(克格伦群岛)代表EMI型地幔端元组分；Samoa(萨摩亚群岛)，Society islands(社会群岛)，Marquesas(马克萨斯群岛)代表EMII型地幔端元组分。由于数据质量参差不齐，需要对数据进行清洗和整理。数据清洗工作主要包括3个方面：①剔除SiO2<45％及SiO2>52％的样品，只保留基性全岩和火山玻璃数据；②剔除蚀变严重(元素总和<97％或>102％)和元素含量异常的数据，例如剔除某些元素的含量比大多数数据高1～2个数量级的数据；③剔除主微量元素含量不全的数据。经过数据清洗，总计收集样品数据406条，其中EMI样品数据176条，EMII样品数据230条，每个样品都包含10个主量元素(SiO2、TiO2、Al2O3、FeOT、CaO、MgO、MnO、K2O、Na2O、P2O5)和17个微量元素(Sc、V、Cr、Ni、Rb、Sr、Y、Zr、Nb、Ba、La、Ce、Nd、Sm、Eu、Yb、Th)。
第二步：数据标准化处理；
地球化学数据中一些元素含量分布存在倾斜和非正态分布的情况，不利于进一步的数据分析，首先采用Box-Cox变换将元素含量分布转换为正态分布，其定义如下：
Figure BDA0002770434350000051
式(1)中，λ为变换参数，其值由最大似然法确定。x为元素含量。
进行Box-Cox变换之后，不同元素含量之间还存在量纲的差异，需要将其进行统一。
利用式(2)对样品进行Z-score标准化处理，将每种元素的含量分布统一化，变成均值为0，方差为1的标准数据，消除不同量纲的影响。
Figure BDA0002770434350000061
式(2)中，μ为元素含量平均值，σ为标准差。
第三步：训练逻辑回归模型；
基于python语言，依托sklearn机器学习库构建逻辑回归模型，采用网格搜索法寻找模型的最优参数，利用混淆矩阵对模型进行评价。实验结果得到的模型最优参数为C＝1.8，对应的模型精度为0.9552。混淆矩阵结果示意如图1，图1混淆矩阵中的行代表用于逻辑回归模型训练的样品的真实类别，列代表逻辑回归模型对样品的预测类别。该图表明，逻辑回归模型可以有效地将EMI型和EMII型地幔端元玄武岩区分开来，在176(162+14)个EMI型地幔端元玄武岩中，逻辑回归模型预测正确了162个，准确率为0.92；在230(4+226)个EMII型地幔端元玄武岩中，逻辑回归模型预测正确了226个，准确率为0.98。将162个EMI型玄武岩和226个EMII型玄武岩进行了正确的识别。在判别错误的样本中，将14个EMI型玄武岩(占EMI型玄武岩样本总数的0.08)误判为EMII型玄武岩，将4个EMII型玄武岩误判成EMI型玄武岩。总的来看，利用逻辑回归模型可以对EMI型和EMII型地幔端元玄武岩进行有效的判别。
第四步：确定EMI型和EMII型地幔端元判别指标；
通过逻辑回归算法得到27个主微量元素的回归系数，见表1。回归系数绝对值的大小代表着不同元素的重要性程度。将27个元素的含量与其对应的回归系数相乘并相加，得到每个玄武岩样品对应的加权特征，记为Total_feature。将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，可以对EMI型和EMII型地幔端元玄武岩进行定量、自动判别。利用上述两个判别指标做散点图如图2所示。将图2划分为3个区域：①EMI型地幔端元区域，即满足判别指标-1.8<Sm<1.6且Total_feature>0.5，或Sm>1.6。若样品落在该区域中，则将其判定为EMI型地幔端元玄武岩；②EMII型地幔端元区域，即满足判别条件-1.8<Sm<1.6且Total_feature<-1，或Sm<-1.8。若样品落在该区域，则将其判定为EMII型地幔端元玄武岩；③EMI型和EMII型地幔端元过渡区，即满足判别条件-1.8<Sm<1.6且-1<Total_feature<0.5。若样品落在该区域，则将其判定过渡型玄武岩，不具备明显的EMI型或EMII型地幔端元特征。
表1各个元素的回归系数(保留小数点后两位)
SiO<sub>2</sub> TiO<sub>2</sub> Al<sub>2</sub>O<sub>3</sub> FeOT CaO MgO MnO K<sub>2</sub>O Na<sub>2</sub>O P<sub>2</sub>O<sub>5</sub> Sc V Cr Ni
-0.27 0.24 0.05 -0.17 0.32 0.80 -0.03 0.43 0.93 -0.75 -1.37 0.78 0.92 1.08
Rb Sr Y Zr Nb Ba La Ce Nd Sm Eu Yb Th
0.25 0.07 1.14 -0.53 0.34 -1.66 -0.73 -0.11 -0.37 1.70 1.22 -0.42 0.65
实施例二
在实施例一的基础上，进一步以某地区EM型玄武岩样品为例来说明该发明的具体应用步骤：
第一步：样品数据标准化处理
玄武岩样品的元素含量如表2所示，利用式(1)对每个元素进行Box-Cox变换，式(1)中各个元素的λ值见表3。经过Box-Cox变换后，利用式(2)对变换后的元素含量进行Z-score标准化处理，式(2)中μ和σ的值见表4、5。最终，经过标准化处理后的玄武岩样品元素含量见表6。
表2玄武岩样品的元素及Sr、Nd同位素含量
Figure BDA0002770434350000071
Figure BDA0002770434350000081
表3各个元素的λ值(保留小数点后两位)
SiO<sub>2</sub> TiO<sub>2</sub> Al<sub>2</sub>O<sub>3</sub> FeOT CaO MgO MnO K<sub>2</sub>O Na<sub>2</sub>O P<sub>2</sub>O<sub>5</sub> Sc V Cr Ni
-4.18 1.20 0.82 2.20 0.52 -0.10 -0.80 0.45 0.43 0.31 1.06 1.21 0.31 0.32
Rb Sr Y Zr Nb Ba La Ce Nd Sm Eu Yb Th
0.47 -0.03 0.26 0.68 0.54 0.15 0.42 0.45 0.49 0.48 0.33 0.06 0.41
表4各个元素对应的μ值(保留小数点后两位)
SiO<sub>2</sub> TiO<sub>2</sub> Al<sub>2</sub>O<sub>3</sub> FeOT CaO MgO MnO K<sub>2</sub>O Na<sub>2</sub>O P<sub>2</sub>O<sub>5</sub> Sc V Cr Ni
0.24 2.61 9.48 99.57 4.26 1.75 -3.89 0.26 1.32 -0.64 26.66 693.40 12.14 10.88
Rb Sr Y Zr Nb Ba La Ce Nd Sm Eu Yb Th
8.06 5.63 5.45 64.71 11.67 9.14 8.14 13.12 10.35 3.77 1.86 0.77 1.80
表5各个元素对应的σ值(保留小数点后两位)
Figure BDA0002770434350000082
Figure BDA0002770434350000091
表6标准化处理后的的元素含量
SiO<sub>2</sub> TiO<sub>2</sub> Al<sub>2</sub>O<sub>3</sub> FeOT CaO MgO MnO K<sub>2</sub>O Na<sub>2</sub>O P<sub>2</sub>O<sub>5</sub> Sc V Cr Ni
2.08 -1.73 2.4 -1.68 -3.73 -0.67 -5.91 1.74 1.43 -1.59 0.16 -1.04 0.04 -0.43
Rb Sr Y Zr Nb Ba La Ce Nd Sm Eu Yb Th
0.79 -1.37 -1.35 -1.11 -1.79 0.56 -1.21 -1.25 -1.27 -1.3 -1.02 -0.76 -1.02
第二步：计算判别指标，确定玄武岩类别
将经过标准化后的元素含量与表1所示的回归系数相乘并相加，计算得到Total_feature＝-5.01，样品的Sm＝-1.3，样品落在EMI型地幔端元区域(图4)，因此将其判定为EMI型地幔端元玄武岩。同时结合该玄武岩样品的Sr、Nd同位素数据，利用同位素对其进行判别，判别结果同样为EMI型玄武岩如图5所示，证实本发明准确、有效。
如图3所示，图3为传统研究提出的Ba/La-Ba/Nb图解，图3利用EMI型和EMII型地幔端元玄武岩的Ba/La、Ba/Nb做二维图解，可以看到，无法将EMI型和EMII型地幔端元玄武岩进行有效区分。
对比图3后，如图4所示，图4表明本发明提出的基于主微量元素的EMI型与EMII型地幔端元判别指标可以对EMI型和EMII型地幔端元玄武岩进行有效判别。通过逻辑回归算法得到27个主微量元素的回归系数，见表1。回归系数绝对值的大小代表着不同元素的重要性程度。将27个元素的含量与其对应的回归系数相乘并相加，得到每个玄武岩样品对应的加权特征，记为Total_feature。将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，利用其做散点图如图3所示。将图3划分为3个区域：①EMI型地幔端元区域，即满足判别指标-1.8<Sm<1.6且Total_feature>0.5，或Sm>1.6。若样品落在该区域中，则将其判定为EMI型地幔端元玄武岩；②EMII型地幔端元区域，即满足判别条件-1.8<Sm<1.6且Total_feature<-1，或Sm<-1.8。若样品落在该区域，则将其判定为EMII型地幔端元玄武岩；③EMI型和EMII型地幔端元过渡区，即满足判别条件-1.8<Sm<1.6且-1<Total_feature<0.5。若样品落在该区域，则将其判定过渡型玄武岩，不具备明显的EMI型或EMII型地幔端元特征。
本发明降低了利用同位素判别EMI型和EMII型地幔端元的成本，解决了传统研究利用主微量元素无法区分EMI型和EMII型地幔端元的难题，提出了基于EMI型和EMII型地幔端元的主微量元素判别指标，实现了利用主微量元素对EM型地幔端元进行判别。
需要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种判别玄武岩起源于EMⅠ型或EMⅡ型地幔的方法，其特征在于，包括以下步骤：
第一步：收集EMI型和EMII型地幔端元玄武岩数据；
系统收集代表EMI型和EMII型地幔端元的洋岛、岛群玄武岩数据，并对数据进行清洗和整理；经过数据清洗和整理，每个样品都包含10个主量元素，即SiO2、TiO2、Al2O3、FeOT、CaO、MgO、MnO、K2O、Na2O、P2O5；和17个微量元素，即Sc、V、Cr、Ni、Rb、Sr、Y、Zr、Nb、Ba、La、Ce、Nd、Sm、Eu、Yb、Th；
第二步：数据标准化处理；
首先采用Box-Cox变换将元素含量分布转换为正态分布，其定义如下：
Figure FDA0002770434340000011
式(1)中，λ为变换参数，其值由最大似然法确定，x为元素含量；
进行Box-Cox变换之后，不同元素含量之间还存在量纲的差异，需要将其进行统一；
利用式(2)对样品进行Z-score标准化处理，将每种元素的含量分布统一化，变成均值为0，方差为1的标准数据，消除不同量纲的影响；
Figure FDA0002770434340000012
式(2)中，μ为元素含量平均值，σ为标准差；
第三步：训练逻辑回归模型；
构建逻辑回归模型，采用网格搜索法寻找模型的最优参数，利用混淆矩阵对模型进行评价；
第四步：确定EMI型和EMII型地幔端元判别指标；
通过逻辑回归算法得到27个主微量元素的回归系数，回归系数绝对值的大小代表着不同元素的重要性程度；将27个元素的含量与其对应的回归系数相乘并相加，得到每个玄武岩样品对应的加权特征，记为Total_feature；将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，实现对EMI型和EMII型地幔端元玄武岩进行定量、自动判别。
2.如权利要求1所述的方法，其特征在于，所述第一步中的数据清洗和整理包括3个方面：①剔除SiO2<45％及SiO2>52％的样品，只保留基性全岩和火山玻璃数据；②剔除蚀变严重，即元素总和<97％或>102％和元素含量异常的数据；③剔除主微量元素含量不全的数据。
3.如权利要求1所述的方法，其特征在于，所述第四步中将回归系数绝对值最大的元素Sm和每个玄武岩样品的加权特征作为判别指标，划分为3个区域：①EMI型地幔端元区域，即满足判别指标-1.8<Sm<1.6且Total_feature>0.5，或Sm>1.6，若样品落在该区域中，则将其判定为EMI型地幔端元玄武岩；②EMII型地幔端元区域，即满足判别条件-1.8<Sm<1.6且Total_feature<-1，或Sm<-1.8；若样品落在该区域，则将其判定为EMII型地幔端元玄武岩；③EMI型和EMII型地幔端元过渡区，即满足判别条件-1.8<Sm<1.6且-1<Total_feature<0.5，若样品落在该区域，则将其判定过渡型玄武岩，不具备明显的EMI型或EMII型地幔端元特征。
CN202011247257.9A 2020-11-10 2020-11-10 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 Active CN112382349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011247257.9A CN112382349B (zh) 2020-11-10 2020-11-10 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011247257.9A CN112382349B (zh) 2020-11-10 2020-11-10 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法

Publications (2)

Publication Number Publication Date
CN112382349A true CN112382349A (zh) 2021-02-19
CN112382349B CN112382349B (zh) 2022-03-25

Family

ID=74579148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247257.9A Active CN112382349B (zh) 2020-11-10 2020-11-10 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法

Country Status (1)

Country Link
CN (1) CN112382349B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980603A (zh) * 2017-02-23 2017-07-25 中国科学院南京土壤研究所 基于土壤类型归并与多元回归的土壤锰含量预测方法
CN110264016A (zh) * 2019-06-28 2019-09-20 中国地质大学（北京） 一种矿产探测方法及装置
CN110826866A (zh) * 2019-10-18 2020-02-21 中国地质科学院矿产综合利用研究所 矿产资源集中开采区土壤环境地球化学背景值的确定方法
CN111044548A (zh) * 2019-12-20 2020-04-21 核工业北京地质研究院 一种利用主量元素含量判别花岗岩含铀性的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980603A (zh) * 2017-02-23 2017-07-25 中国科学院南京土壤研究所 基于土壤类型归并与多元回归的土壤锰含量预测方法
CN110264016A (zh) * 2019-06-28 2019-09-20 中国地质大学（北京） 一种矿产探测方法及装置
CN110826866A (zh) * 2019-10-18 2020-02-21 中国地质科学院矿产综合利用研究所 矿产资源集中开采区土壤环境地球化学背景值的确定方法
CN111044548A (zh) * 2019-12-20 2020-04-21 核工业北京地质研究院 一种利用主量元素含量判别花岗岩含铀性的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张道军: ""逻辑回归空间加权技术及其在矿产资源信息综合中的应用"", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *
王成彬: ""赣北大浩山金矿成矿特征及远景预测"", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *
高金亮等: ""双辽新生代玄武岩及地幔捕虏体内流体的组成、碳同位素特征及其来源"", 《岩石学报》 *

Also Published As

Publication number Publication date
CN112382349B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN115276006B (zh) 一种用于电力集成系统的负荷预测的方法及系统
US8775427B2 (en) Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
US20150317344A1 (en) Method and apparatus for predicting object properties using similarity based information retrieval and modeling
CN107203849B (zh) 基于大数据的区域人才供给量化分析方法
De Cáceres et al. Assessing species diagnostic value in large data sets: A comparison between phi‐coefficient and Ochiai index
CN111338950A (zh) 一种基于谱聚类的软件缺陷特征选择方法
CN111914942A (zh) 一种多表合一用能异常分析方法
CN107807221A (zh) 一种地球化学普查实验室样品分析的异常点抽查检查方法
CN114399674A (zh) 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统
CN112382349B (zh) 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法
CN117272995A (zh) 一种重复工单推荐方法及装置
CN111967501A (zh) 一种遥测原始数据驱动的载荷状态判别方法及判别系统
CN116595461A (zh) 一种基于随机森林识别的雨水口晴天排污溯源方法
CN116383645A (zh) 一种基于异常检测的系统健康度智能监测评估方法
CN113298148B (zh) 一种面向生态环境评价的不平衡数据重采样方法
CN116884536B (zh) 一种工业废渣砖生产配方自动优化方法及系统
CN110334721B (zh) 一种基于大数据的油品质量分析系统
CN117076293B (zh) 基于贫样本层次可信聚类热力图的软件性能可视评价方法
López-García et al. Cluster analysis for the selection of potential discriminatory variables and the identification of subgroups in archaeometry
CN111861944B (zh) 一种基于多结构元素形态学的核素能谱寻峰方法
CN113095542B (zh) 一种基于dpmm的光伏输出功率预测误差的拟合方法和系统
Rachmatsyah et al. Data Mining Predicts The Graduation of Students of STMIK Atma Luhur Information System Using Neive Bayes Algorithm
CN114358501A (zh) 一种污染地块生态风险权重确定方法
Silva et al. Method for inferring the number of clusters based on a range of attribute values with subsequent automatic data labeling
CN118134113A (zh) 一种基于大数据的土地空间规划管理系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant