火山作用对板块构造环境的判别方法

在系统收集相关资料的基础上,将火山作用对板块构造环境的判别方法进行综述。不同的火山岩出现于板块构造的不同单元,判别方法主要依靠岩石的常量元素、稀土元素、微量元素进行图解判别。对碱性系列、钙碱性系列的岩石,只需使用各种构造环境的判别图解。对拉斑系列的岩石,需要进一步对岛弧拉斑玄武岩(OIB)、洋中脊玄武岩(MORB)、洋岛玄武岩(IAT)、板内玄武岩(WPB)的环境判别。中酸性火山岩多见于岛弧和伸展盆地,判别图解较少。     

玄武岩构造环境判别图评估——全体数据研究的启示

玄武岩作为一种大洋和大陆广泛分布的基性岩,其成因理论主要是在对大火成岩省研究的基础上奠定的,其构造环境判别的理论则主要是在板块构造理论的基础上创建的。本文利用GEOROC和Pet DB数据库对全球大洋中脊玄武岩(MORB)、洋岛玄武岩(OIB)和岛弧玄武岩(IAB)进行了数据挖掘研究,发现早先的判别图判别效率不尽相同。部分判别图判别效率偏低的原因可能是早先的研究大多是以典型案例的研究为基础展开的,没有考虑到大数据给出的结果,说明典型和抽样的代表性可能不足。通过对判别图解的研究和比较,并对部分判别图进行了改进,发现许多图解可以把IAB与MORB、OIB分开,但MORB和OIB之间仍然有一些重叠不易区分,并借此推测MORB与OIB源区具有一定的相似性。所以,利用大数据研究可以使玄武岩构造环境判别的研究上升到一个新的层面。     

基于全球橄榄石数据的玄武岩构造环境智能判别方法及其验证

一直以来,探索玄武岩地球化学特征与大地构造环境之间的联系是地球化学领域的一个重要研究方向。橄榄石是岩浆最早期结晶的矿物之一,其在玄武质岩浆形成和演化过程中记录了诸多信息。鉴于此,学者们尝试利用橄榄石的元素组成判别大洋中脊玄武岩(MORB)、洋岛玄武岩(OIB)和岛弧玄武岩(IAB)三种构造环境。常用的玄武岩构造环境判别图解难以满足精度要求,于是引入机器学习算法作为判别手段来解决上述问题。机器学习判别方法的分类效果在很大程度上取决于参数选取的合理性。为此,本文提出一种耦合灰狼优化算法(GWO)和支持向量机(SVM)的智能判别方法。该方法利用GWO寻求SVM算法最优参数组合,以形成橄榄石组成元素和玄武岩构造环境之间的最佳映射关系,从而实现对MORB、OIB和IAB三种构造环境的准确判别。此外,根据公开发表的玄武岩样品的地球化学数据,结合混淆矩阵及其衍生评价指标,通过仿真实验、随机子抽样验证和k折交叉验证等方式评估了所提方法的判别性能。评估结果表明, GWO-SVM耦合判别方法在利用橄榄石成分判别玄武岩构造环境方面具有较好的分类效果,其判别准确率可达85%以上。由此可见,相较于传统判别图解方法,基于多算法融合的机器学习判别方法能够更加有效地提升构造环境判别效果。     

关于岩石微量元素构造环境判别图解使用的有关问题

针对目前应用愈来愈广泛的不同岩石,特别是岩浆岩的微量元素构造环境判别图解使用过程中存在的问题,从这些判别图解建立的原理,介绍了微量元素构造环境判别图解的使用原则。强调指出所采集的样品必须新鲜(无蚀变或极弱蚀变)、非堆晶的岩石;选择的判别图解必须与判别的岩石类型相一致,即对花岗岩类要用花岗岩的判别图解,不能用玄武岩的判别图解;对特殊类型岩石要选择专门用于该类型岩石的判别图解,如碱性花岗岩,钾质火成岩;要应用多种图解综合判断;不能用单个样品,而应作多个样品分析;要注意所选择判别图解的特别说明等。此外,一些构造环境判别图解还能给出岩石的成岩过程和源区。     

蛇绿岩生成构造环境的Ba-Th-Nb-La判别图

Pearce的Ti-Zr-Y图不能很好区分洋脊和岛弧玄武岩,Ti对岩浆分离结晶作用很敏感,因此用这个图判别蛇绿岩生成构造环境效果不好,本文利用分配系数相近的Ba,Th,Nb,La四个非常不相容元素的(Ba/Nb)-Ba,(Nb/Th)-Nb,(La/Nb)-La和(Ba/Nb)-(Th/Nb)图解很好区分了洋脊、岛弧、洋岛玄武岩。弧后盆玄武岩同时具有洋脊和岛弧玄武岩的特征。这些元素在海水蚀变中较稳定,它们的比值在分离结晶过程中保持不变,因此这些图解有利于判别蛇绿岩(包括熔岩和均质辉长岩)生成的构造环境。     

MORB数据挖掘:玄武岩判别图反思

板块构造学说推动了玄武岩理论的完善和进步,从20世纪70年代兴起的玄武岩构造环境判别方法成为学术界关注的热点,虽然现在逐渐降温了,但在国内仍然倍受青睐。大洋中脊玄武岩(MORB)是拥有数据最多、数据质量最好、研究得最详细的玄武岩类,是构建玄武岩理论的基石。本文利用Pet DB数据库资料(http://www.earthchem.org/petdb/search),对全球MORB数据进行了初步的挖掘,发现早先的玄武岩构造环境判别方法的理论、思路需要进一步的完善。早先研究认为,N-MORB是强烈亏损的。但本文研究却显示,MORB成分具有较宽的变化范围,包含了从MORB到OIB及IAB的组分,即部分MORB并不是亏损的,而是相对富集的。因此,玄武岩构造环境判别理论及方法有待进一步的完善。     

全球岛弧玄武岩数据挖掘——在玄武岩判别图上的表现及初步解释

MORB(洋中脊玄武岩)、OIB(洋岛玄武岩)和IAB(岛弧玄武岩)是学术界最关心的3种玄武岩类型,其中尤以与板块消减作用有关的岛弧岩浆活动备受关注。岛弧可分为洋内岛弧和大陆边缘岛弧(活动陆缘弧)2类。对IAB进行讨论,重点探讨IAB的识别。IAT(岛弧拉斑玄武岩)和IAB是前弧、岛弧和后弧岩浆作用的产物,其中,后弧组分更具多样性,它不同于弧后玄武岩,前者属于弧的范围,而后者形成的动力学过程与俯冲系统有关,但其是独立的构造单元,尽管其岩浆作用可能仍受到俯冲流体的影响。前人对IAB进行了大量研究,提出了多种构造环境判别图解,并得到广泛应用。尝试应用全球玄武岩数据来验证上述判别图的可信度,研究发现,可信度高的判别图不多,且大多与Th、Ta(Nb)和Ti元素有关的,如Hf-Th-Ta(Nb)、TiZr-Sr和Th/Yb-Ta/Yb图,其余判别图的判别效果可信度低且具多解性,建议谨慎使用。IAB与MORB和OIB的区别主要体现在Nb-Ta亏损的特征上,是否受到俯冲流体的影响是区分IAB与MORB和OIB最重要的标志。     

青藏高原双湖地区二叠系玄武岩地球化学及其大地构造意义

对青藏高原羌塘地块中部双湖地区发育的二叠系碱性系列和拉斑系列玄武岩进行了详细的地球化学研究。碱性系列玄武岩富集LILE和LREE,其La/Nb比值和OIB相近,Ti/V比值明显高于典型MORB,在微量元素构造环境判别图解上位于OIB区域。拉斑系列玄武岩具有相对平坦的稀土元素配分模式,和典型MORB相比,其Ti/V比值也明显偏高,在微量元素构造环境判别图解上位于MORB和OIB重合的区域,表明岩石起源于一个低度富集的地幔源区。结合区域地质背景,认为双湖二叠系拉斑系列-碱性系列玄武岩组合可能形成于陆间裂谷到小洋盆环境,这套玄武岩的产出可能代表古特提斯洋沿龙木错—双湖构造带在不同地区的发育程度不同,双湖地区在二叠纪应为一个陆间裂谷到小洋盆环境。     

基于镁铁-超镁铁岩中单斜辉石主量元素含量的决策树集成算法对比

依靠岩浆构造环境的地球化学成分认识岩浆形成过程是岩石地球化学中的重要应用。当前利用岩石地球化学成分判别构造环境的工作还不够深入。用4种基于决策树的机器学习方法对来自全球新生代洋岛玄武岩(OIB)、岛弧玄武岩(IAB)及大洋中脊玄武岩(MORB)等镁铁-超镁铁岩中单斜辉石的13种主量元素构成数据集进行了岩浆构造环境判别和主要特征排序。通过对比4种基于决策树的机器学习方法,验证了树类算法对于地球化学成分识别问题的有效性,并总结出4种方法在处理岩浆构造环境判别问题时的优劣:决策树算法判别过程更易于理解,但是其准确率欠佳;boosting算法中的AdaBoost和GBDT对于岩浆构造环境的鉴别准确度较高,但构造过程复杂;bagging集成算法随机森林在权衡性能和模型可理解性时不失为一个良好的选择。此外,还通过4种算法的特征重要性排序得出Cr_2O_3,TFeO,TiO_2,FeO和Al_2O_3是进行岩浆构造环境判别的重要成分。     

玄武岩的构造环境判别及其多解性分析

玄武岩的地球化学成分蕴含着构造环境信息．但两者并非—一对应关系．选用非活动性的惰性元素及其比率等作为判别标志，能消除变质作用、地壳混染、后期蚀变及风化作用的影响，从而减少玄武岩判别图解的多解性，提高判别的精度．     

Geochemical characterization of oceanic basalts using Artificial Neural Network

The geochemical discriminate diagrams help to distinguish the volcanics recovered from different tectonic settings but these diagrams tend to group the ocean floor basalts (OFB) under one class i.e., as mid-oceanic ridge basalts (MORB). Hence, a method is specifically needed to identify the OFB as normal (N-MORB), enriched (E-MORB) and ocean island basalts (OIB).     

N-MORB和E-MORB数据挖掘——玄武岩判别图及洋中脊源区地幔性质的讨论

MORB分为N-MORB和E-MORB,二者的区分通常是以LREE亏损和富集为标志。玄武岩的基本理论主要是在MORB研究成果的基础上建立起来的。通常认为,N-MORB和OIB是两个独立的端元,E-MORB是N-MORB与OIB不同程度混合形成的。在20世纪70~80年代,玄武岩构造环境判别图的建立极大促进了玄武岩在地球动力学及大地构造背景研究的进展,其方法应用持续盛行了几十年。然而,国外学者现在已逐渐淡化玄武岩判别图解的应用,但在中国仍有方兴未艾之势。本文利用Pet DB数据库5万多个MORB数据的投图表明,全体样品投图的效果显然比抽样和典型样品得出的结果更扎实可靠,许多原先被广泛应用的主量、微量元素判别图无论从实践上还是理论上均存在一些问题。本文的研究结果进一步表明,MORB样品既有LREE亏损的,又有富集的,但亏损和富集程度与早先定义的差异较大,揭示了洋脊下地幔不均一性要比早先认识的更为复杂,成分范围变化更大,仅少数是强烈亏损的,部分可能是相当富集,甚至可以与OIB源区相类比;玄武岩构造环境判别图需要重新审视,基于岩浆成因机理的多维度、高置信度的判别体系有待于建立。     

An Intelligent Method for Geochemical Discrimination of Tectonic Settings of Basalt Based on Olivine Composition: GWO-SVM Method and its VerificationEI北大核心CSCD

Geochemical discrimination of tectonic settings of basalts has been an important research direction of geochemistry for decades. Olivine is one of the earliest crystallized minerals of basaltic magma, which records a lot of hidden information of the formation and evolution of the magma. Therefore, basic elements in olivine are used to discriminate three tectonic settings, including the mid-ocean ridge basalt (MORB), ocean island basalt (OIB) and island arc basalt (IAB). However, it is still difficult to accurately discriminate the tectonic settings by using these diagrams. The machine learning algorithm is introduced to solve the aforementioned problem. The classification performance of the machine learning discrimination method largely depends on the rationality of parameter determination. To this end, the paper proposes a coupling intelligent method for geochemical discrimination of tectonic settings using olivine composition of the basalts based on the grey wolf optimizer (GWO)-optimized support vector machine (SVM), or GWO-SVM for short. GWO is used to seek the optimal parameter combination of SVM to form the optimal mapping relationship between basic elements in olivine and basalt tectonic settings, so as to realize the accurate discrimination of MORB, OIB and IAB. In addition, according to the published geochemical data of basalt samples, the discrimination performance of GWO-SVM is evaluated by means of the simulation experiment, hold-out validation and k-fold cross-validation. The evaluation results are represented by the confusion matrix and its derived evaluation indicators. The results show that GWO-SVM can discriminate the tectonic settings of the basalts based on olivine compositions with overall classification accuracy of up to 85%. Thus, in comparison with the traditional discrimination diagram method, the machine learning discrimination method based on multi-algorithm fusion can significantly improve the discrimination accuracy of basalt tectonic settings. © 2020, Science Press. All right reserved.     

西藏仲巴县特提斯喜马拉雅早白垩世日朗组玄武岩地球化学特征及其构造意义

特提斯喜马拉雅地层中广泛分布早白垩世火山碎屑岩,但对这套火山碎屑岩的源区缺乏有力的约束。在特提斯喜马拉雅中西段仲巴地区白垩系日朗组地层中发现一套玄武岩夹层,该玄武岩为碱性玄武岩,表现为LREE富集的分布型式,与典型的OIB和区域上的板内玄武岩类似。玄武岩Nb含量介于下地壳与上地壳之间,Th含量略低于下地壳,具有较高的Th/Nb比值和较低的Ce/Pb,指示岩浆在演化过程中遭受了一定程度的地壳混染,与雅鲁藏布蛇绿岩混杂岩带中的海山明显不同。构造环境判别图解显示玄武岩形成于大陆板内裂谷环境,结合日朗组地层沉积环境的分析,该玄武岩可能为日朗组火山碎屑岩提供物源。     

大陆板内玄武岩数据挖掘:成分多样性及在判别图中的表现

通常认为,大陆溢流玄武岩(CFB)、裂谷玄武岩(CRB)、板内玄武岩(WPB)均产于板内构造环境,其地球化学特征与OIB类似,源于富集的下地幔,与地幔柱的活动有关。本文利用GEOROC数据库对全球CFB、CRB和WPB数据进行挖掘,发现上述三类玄武岩判别图投图几乎落入了全部的构造环境域,有些甚至主要落入MORB和IAB区,而不是落入WPB区。结果表明原先的玄武岩判别图的判别功能值得商榷,尤其对大陆玄武岩来说,许多判别图都存在问题。全体CFB、CRB和WPB的地球化学成分变化巨大,暗示其源区具有强烈的不均一性:部分CFB、CRB和WPB来自富集的地幔柱,仍然具有经典的OIB的特征;部分来自MORB的源区,与MORB的再循环作用有关;部分来自岛弧岩石圈之下的亏损地幔源区,以强烈亏损Nb-Ta为特征,类似岛弧玄武岩的地球化学特征。许多地区的大陆玄武岩可分为低钛和高钛两类,低钛玄武岩大多是亏损或强烈亏损的,而高钛玄武岩通常是富集型的。本文的研究表明,富集型大陆玄武岩可能来自富集的下地幔,而亏损的和强烈亏损的玄武岩可能来自具有MORB或岛弧特征的软流圈地幔。进一步指出,源区性质可能是大陆玄武岩多样性的主控因素,其次为部分熔融程度、熔融深度、结晶分离、陆壳混染以及AFC过程。     

Tectonic discrimination of basalts with classification trees

Traditionally, geochemical classification of basaltic rocks of unknown tectonic affinity has been performed by discrimination diagrams. Although easy to use, this method is fairly inaccurate because it only uses bi- or trivariate data. Furthermore, many popular discrimination diagrams are statistically not very rigorous because the decision boundaries are drawn by eye, and they ignore closure, thus violating the rules of compositional data analysis. Classification trees approximate the data space by a stepwise constant function, and are a more rigorous and potentially more effective way to determine tectonic affinity. Trees allow the simultaneous use of an unlimited number of geochemical features, while still permitting visualization by an easy-to-use, two-dimensional graph. Two classification trees are presented for the discrimination of basalts of mid-ocean ridge, ocean island, and island arc affinities. The first tree uses 51 major, minor, and trace elements and isotopic ratios and should be used for the classification of fresh basalt samples. A second tree only uses high field strength element analyses and isotopic ratios, and can also be used for basalts that have undergone alteration. The probability of successful classification is 89% for the first and 84% for the second tree, as determined by 10-fold cross-validation. Even though the trees presented in this paper use many geochemical features, it is not a problem if some of these are missing in the unknown sample. Classification trees solve this problem with surrogate variables, which give more or less the same decision as the primary variables. The advantages of the classification tree approach over discrimination diagrams are illustrated by a comparative test on a sample dataset of known tectonic affinities. Although arguably better than discrimination diagrams, classification trees are not perfect, and the limitations of the method are illustrated on a published dataset of basalts from the Pindos Basin (Greece).     

滇西北羊拉乡贝吾玄武岩形成的大地构造环境探讨

贝吾玄武岩为滇西北金沙江蛇绿混杂岩带中的一个岩块。通过详细的野外调查和岩石地球化学研究认为,贝吾玄武岩为低钾拉斑玄武岩,分异程度较低,大离子亲石元素相对于高场强元素富集,稀土总量低,轻稀土略富集,整体特征介于正常洋脊玄武岩与岛弧玄武岩之间,为似洋中脊玄武岩。其类似于岛弧玄武岩的富集特征表明了成岩过程中俯冲作用的存在,综合岩性组合、构造特征和地质背景分析,认为其属前弧玄武岩,形成于初始俯冲的洋内弧环境。     

全球新生代安山岩构造环境有关问题探讨

20世纪70～80年代,以Pearce为代表的一批科学家先后提出了玄武岩和花岗岩的构造环境判别图,将构造环境与岩石地球化学特征有机地结合起来,为岩浆岩大地构造环境研究开辟了新途径。但学术界对全球广布的安山岩构造环境及相关地球化学特征问题的讨论则相对不足。本文利用GEOROC 和PetDB 两个数据库对全球新生代安山岩进行数据挖掘,讨论了它们的地球化学特征及形成环境。初步将全球新生代安山岩归属为12个形成构造环境,其中67.71%产出于岛弧、陆缘弧等汇聚板块边缘环境,其余安山岩则形成于大陆板内、大陆溢流、洋岛、大陆裂谷、洋中脊等构造环境。研究表明,常用的玄武岩微量元素判别图以及LILE/HFSE 玄武岩判别图均在一定程度上可用于安山岩成因及环境判别, 暗示安山岩地球化学成分也可用于构造环境的判定。采用大数据思维,探索洋岛安山岩（OIA）和岛弧安山岩（IAA）中地球化学元素的关联关系,从获得的近20 000 个OIA-IAA 判别图中选出lg（Cs/Ta）-lg（Cu/Ta）、lg（CaO/Nb）-lg（Cs/Zr）和lg（Cu/Ta）-lg（Co/Nb）等6个图解,能有效限定它们的构造环境,为安山岩成因及形成环境研究提供了新的思路。这些初步成果说明科学大数据的研究方法可成为岩浆岩构造环境及地球化学研究中的重要有效手段。     

Decoding earth's plate tectonic history using sparse geochemical data

Accurately mapping plate boundary types and locations through time is essential for understanding the evolution of the plate-mantle system and the exchange of material between the solid Earth and surface environments.However,the complexity of the Earth system and the cryptic nature of the geological record make it difficult to discriminate tectonic environments through deep time.Here we present a new method for identifying tectonic paleo-environments on Earth through a data mining approach using global geochemical data.We first fingerprint a variety of present-day tectonic environments utilising up to 136 geochemical data attributes in any available combination.A total of 38301 geochemical analyses from basalts aged from 5-0 Ma together with a well-established plate reconstruction model are used to construct a suite of discriminatory models for the first order tectonic environments of subduction and mid-ocean ridge as distinct from intraplate hotspot oceanic environments,identifying 41,35,and 39 key discriminatory geochemical attributes,respectively.After training and validation,our model is applied to a global geochemical database of 1547 basalt samples of unknown tectonic origin aged between 1000-410 Ma,a relatively ill-constrained period of Earth’s evolution following the breakup of the Rodinia supercontinent,producing 56 unique global tectonic environment predictions throughout the Neoproterozoic and Early Paleozoic.Predictions are used to discriminate between three alternative published Rodinia configuration models,identifying the model demonstrating the closest spatio-temporal consistency with the basalt record,and emphasizing the importance of integrating geochemical data into plate reconstructions.Our approach offers an extensible framework for constructing full-plate,deeptime reconstructions capable of assimilating a broad range of geochemical and geological observations,enabling next generation Earth system models.