| 三类构造背景辉长岩单斜辉石主量元素和微量元素的数据分析研究 |
| |
| 作者姓名： | 章宝月 孙建鹍 罗熊 金维浚 王龙 杜雪亮 陈万峰 杜君 张旗 朱月琴 |
| |
| 作者单位： | 北京科技大学计算机与通信工程学院,北京100083;中国科学院地质与地球物理研究所,北京100029;兰州大学地质科学与矿产资源学院,甘肃省西部矿产资源重点实验室,甘肃兰州730000;中国地质调查局发展研究中心,北京100037 |
| |
| 基金项目： | 国家重点研发计划项目“基于‘地质云’平台的深部找矿知识挖掘”(2016YFC0600510) |
| |
| 摘 要： | 判别岩浆岩产出的构造环境已经成为岩石学、地球化学及其地球动力学研究的重要内容。作为岩浆岩中的一种喷出岩,玄武岩被视为判别构造环境的最佳成员。对其中单斜辉石的研究,由于其数据本身的利用程度有限而效果欠佳。理论上,不同构造环境的辉长岩也会存在一定差异。为此,利用机器学习算法研究全球新生代辉长岩的单斜辉石势在必行。本文主要针对岛弧(IAB)、洋岛(OIB)及大洋中脊(MORB)3种构造背景辉长岩的单斜辉石进行特征筛选和数据分类。从GEOROC数据库中,经数据收集与清洗,我们分别获得岛弧辉长岩单斜辉石数据385条,洋岛辉长岩单斜辉石数据756条,大洋中脊辉长岩单斜辉石数据5 500条。其中绝大部分为主量元素数据,其余为微量元素数据。在特征提取部分,我们选用卡方检验判断特征独立性,F检验估计两个随机变量之间的线性依赖程度,互信息法捕获其他种类的统计相关性。3种检验方法互相印证,得出了统计学可靠的重要分类特征。在数据分类过程中,本文对比了K-近邻、决策树和支持向量机3种主流机器学习分类算法在辉长岩数据上的表现。研究表明,对于上述3种构造背景,Al2O3、TiO2为最有区分度的辉长岩单斜辉石主量元素成分,Sr为最有区分度的微量元素成分。另外,对于3种构造背景的辉长岩单斜辉石主量元素和微量元素数据,机器学习模型分类准确率均达94%。
|
| 关 键 词： | 单斜辉石 辉长岩 岛弧 洋岛 大洋中脊 机器学习 |
| 收稿时间： | 2018-04-26 |
| 本文献已被 维普 万方数据 等数据库收录！ |
| 点击此处可从《地学前缘》浏览原始摘要信息 |
|
点击此处可从《地学前缘》下载全文 |
|
