长江中下游富钠闪长岩类与铁矿系列的成因联系

长江中下游成矿带内,铁矿系列与中生代燕山期岩浆活动有十分密切的关系,其形成主要与富钠闪长岩类成岩过程中发育的钠硅质异常演变相联系。富钠闪长岩类和与其密切相伴的矿浆贯入-残浆气液交代充填-接触交代(矽卡岩)-热液交代充填型铁矿系列,是深部同源岩浆顺序演化的产物。     

安徽铜陵铜官山矿区中生代侵入岩的形成过程——岩浆底侵、同化混染和分离结晶

对安徽铜陵铜官山矿区的小铜官山岩体进行了SHRIMP锆石U-Pb定年,并对天鹅抱蛋山岩体及其辉长岩和闪长岩包体进行了全岩主量元素和稀土元素以及锶 钕同位素分析,结合对区内老庙基山和小铜官山岩体及其辉长岩和闪长岩包体的岩石学和地球化学资料的综合整理,讨论了这些岩体及其包体的成因。小铜官山岩体的SHRIMP锆石U-Pb年龄为(139.5±2.9 ）Ma,表明它属于长江中下游晚侏罗世-早白垩世岩浆作用的产物。辉长岩和闪长岩包体具有低w(SiO₂)(52.03%~54.61 %）、w(Al₂O₃)(12.87%~14.43 %)和全碱含量w(Na₂O+K2O)(5.26%~6.30 %）, 但高w(MgO)(5.41%~11.66 %）的特征;寄主岩与此相反,具有高w(SiO2)(59.97%~64.44 %）、w(Al₂O₃)(16.43%~17.59 %）和全碱含量(6.67%~8.25 %）,但低w(MgO)(1.52%~2.50 %）的特征。辉长岩和闪长岩包体的稀土元素总量为165.70×10^-6~190.40×10^-6,寄主岩的稀土元素总量为166.12×10^-6~185.95×10^-6,二者十分相近,它们的稀土元素球粒陨石标准化配分模式也十分相似。但辉长岩和闪长岩包体的轻、重稀土比值为3.39~4.27,明显小于寄主岩的轻、重稀土比值(4.86~5.94）。辉长岩和闪长岩包体具明显的正铕异常,而寄主岩具有弱负铕异常。从辉长岩到寄主岩,ε Nd (t) 从-4.9~-9.9减小到-11.4~-11.9,(⁸⁷Sr/⁸⁶Sr)_o 从0.706 4~0.707 3增加到0.707 2~0.708 4。上述资料表明,铜陵铜官山矿区晚侏罗世-早白垩世侵入岩及其辉长岩和闪长岩包体可能是由基性到中酸性岩浆通过幔源岩浆底侵、同化混染和分离结晶过程形成的,而基性到中酸性岩浆则是由底侵的玄武岩浆与不同量的中下地壳物质发生一系列复杂的相互作用形成的。     

宁芜盆地姑山铁矿床地质特征及其成因研究

长江中下游成矿带位于中国东部,扬子板块北缘的长江断裂带内,是中国最重要的Cu、Fe和Au等多金属资源产地之一(Ge et al.,1990;赵一鸣等,1990;赵一鸣等,1991;谢桂青等,2006)。宁芜矿集区是长江中下游成矿带的重要组成部分,是著名的玢岩铁矿模型的发祥地。姑山铁矿床位于宁芜火山岩盆地南段的钟姑矿田,是玢岩铁矿中矿浆成因矿床的典型代表,其于1954年6月正式露天开采,储量12816万t,其中表内矿石     

长江中下游平原2022年高温干旱复合型极端事件的影响因子分析

基于ERA5和ERA5-LAND再分析资料,利用水量平衡分解法,将净降水量(降水量减蒸发量,P-E)的变化分解为热动力贡献、热力学贡献和涡动贡献,分析了2022年发生在长江中下游平原的极端干旱事件的机理和演变过程,并将其与2013年同样发生在长江中下游的高温干旱事件进行对比分析。净降水量分析表明,2022年长江中下游平原汛期前期(5—6月)干旱主要由降水量减小导致,水量平衡分解分析显示,湍流涡动与平均环流变化的贡献是早期干旱的主要因子;中期(7—8月)的高温增强了地表蒸散发,尤其是裸土蒸发的增强,加剧了干旱程度,水量平衡分解显示,表征温度升高引起的水汽含量变化的热力贡献对干旱加剧的贡献最大;后期(9—10月)高温进一步引发平均环流变化导致的热动力贡献延长了干旱持续时间。而2013年的高温干旱为高温引发的热力学贡献主导,持续事件短,干旱程度弱。本文对2022年发生在长江中下游平原的高温干旱复合型极端事件的发展和演变过程的剖析,可为湿润区极端高温干旱事件的预测预警提供参考。     

长江中下游成矿带（江苏段）铜矿资源地球化学定量预测

利用江苏省1:20万区域化探资料,结合中大比例尺化探普查成果,运用GIS技术,提取剥蚀程度、相似度和衬值等地球化学信息,结合成矿带不同成因类型铜矿找矿模型,建立长江中下游成矿带(江苏段)铜矿地球化学定量预测模型,并进行铜矿预测区圈定、分级和铜矿资源量估算,为该矿带铜矿勘查工作部署提供了依据。     

基于Catboost和Stacking融合模型的 长江中下游短时临近降水预报研究

用中国自动站与CMORPH降水产品融合的逐小时降水量网格数据集、全球预报系统(Global Forecasting System, GFS)模式再分析资料,将机器学习特征算法筛选的特征变量作为模型输入数据,运用Catboost模型和以Catboost和随机森林为初级模型、径向基神经网络为次级模型的融合模型预测未来6 h累计降水等级,并应用公平TS评分(Equal Threat Score,ETS)、真实技巧评分(True Skill Statistic,TSS)、混淆矩阵、预报偏差(Bias值)、击中率(Probability of Detection,POD)对预报结果进行检验分析。结果表明:优化变量的输入有利于提高模型的准确率;Catboost模型和融合模型都可以在一定程度上辨别晴雨状况;仅非动力学变量参与的融合模型对雨区预报准确率最高,但容易将暴雨雨区预报得更加广泛。总体而言,融合模型具有更强、更稳定的预报性能,中到暴雨量级预报准确率还待进一步提高。