Modeling of Debris Flow Susceptibility Assessment in Tianshan Based on Watershed Unit and Stacking Ensemble Algorithm
-
摘要: 天山地区未来将成为国家重要战略交通、油气资源管道、城镇居民点建设的部署区域，对该区域泥石流灾害易发性评估使重大潜在泥石流灾害点的监测点布置以及防治更具针对性.集成学习算法可避免灾害易发性评估中算法选择困难的问题且可显著提高建模精度，但其在泥石流易发性评估中的应用仍然缺乏，可靠性有待检验.本研究基于流域单元采用堆叠集成算法评估天山地区的泥石流灾害易发性，选择干旱度、陡度指数等14个特征变量进行天山地区的泥石流易发性评估建模，比较了堆叠集成算法与独立异质算法建模的预测性能，最后探讨了天山地区泥石流灾害的控制因素.结果表明：（1）天山地区泥石流灾害高、极高易发性区域占比分别为17.06%和19.75%，集中分布在北天山北坡和南天山南坡.（2）堆叠集成算法预测率曲线AUC值为0.87，显著高于独立机器学习算法（0.79~0.81），比独立机器学习算法有更好的预测性能.（3）除去常规地形和降雨对天山地区泥石流的发育有显著控制作用外，干旱和隆升也对天山地区泥石流的发育有重要影响.结果不仅有助于天山地区泥石流灾害风险管理，还对各类机器学习模型评估干旱山区泥石流易发性的建模特征有启示意义.Abstract: The Tianshan Mountain and its surrounding areas will become the deployment areas of national important strategic transportation, oil and gas resources pipelines, and urban settlement construction in the future. The risk prediction and assessment of debris flow disasters in the region will make the monitoring layout and prevention of major potential debris flow disaster points more targeted. The ensemble learning algorithm can avoid the difficulty of algorithm selection in disaster susceptibility assessment and significantly improve the modeling accuracy. However, its application in debris flow susceptibility assessment is still limited and its reliability needs to be tested. In this paper, the stacking ensemble algorithm was used to evaluate and predict the susceptibility of debris flow disasters in the Tianshan Mountain. Considering 14 characteristic variables such as drought degree and steepness index, the prediction performance of the stacking ensemble algorithm and the independent heterogeneous algorithm was compared. Finally, the control factors of debris flow disasters in the Tianshan area are discussed. The results show follows: (1) The areas with high debris flow disaster and extremely high susceptibility to debris flow in the Tianshan area account for 17.06% and 19.75%, respectively, and are concentrated on the northern slope of the North Tianshan and the southern slope of the South Tianshan. (2) The AUC value of the prediction rate curve of the stacked ensemble algorithm is 0.87, which is significantly higher than that of the independent machine learning algorithm (0.79-0.81) and has better prediction performance than the independent machine learning algorithm. (3) In addition to conventional topography and rainfall, which have significant control on the formation of debris flows in the Tianshan area, drought and uplift have important effects on the formation of debris flow in the Tianshan area. The results of this paper not only contribute to the risk management of debris flow disasters in the Tianshan area but also have implications for the assessment of debris flow susceptibility in arid mountainous areas.
-
Key words:
- Tianshan /
- debris flow /
- machine learning /
- susceptibility /
- drought /
- uplift /
- hazard geology
-
著名矿床地质学家Sillitoe(2010)研究表明：随着世界人口的增长，人们生活标准的提高以及像中国、印度等发展中国家的迅速工业化和城市化，对矿产资源的需求与日俱增.到2030年每年所需新增铜矿产资源量等于每年新开采一座相当于智利Escondida铜矿山(Cu: 32.49 Mt，1.15Cu%)规模的铜矿床.这意味着对某些大宗矿种资源的供不应求矛盾是全球性的、长期的.随着地表矿和浅部矿的逐渐枯竭，尤其是大型、超大型矿床更是鲜有发现于地表或浅部，为了满足人类对矿产资源日益增长的需求，将隐伏和深部矿作为勘查目标的“攻深找盲”、“探边摸底”已成为我国目前实施深部找矿计划的现实的勘查战略(赵鹏大，2007).自20世纪60年代，内生矿床原生晕分带规律被认为是预测深部矿体(或盲矿体)的一种有效手段以来，该方法已被广泛地应用寻找贵金属和有色金属矿床，并取得巨大成功(刘崇民，2006；李惠等, 2010a, 2010b).尤其是前苏联科学家Beus and Grigorian(1977)的原生晕分带定量计算方法的问世，将矿床原生晕分带规律和深部矿床预测研究推向定量化阶段，大大提高预测精度(Shipulin et al., 1973; Clark, 1987; Zhou, 1989; Konstantinov and Strujkov, 1995; Li et al., 1995a, 1995b；邵跃，1997；代西武等，2000; Liu and Peng, 2003; Ghavami-Riabi et al., 2008；李惠等, 2010a, 2010b).本文试图通过对花敖包特铅锌银多金属矿床成矿元素原生晕分带序列定量研究，建立深部找矿模型和深部矿体定量评价指标，为研究区深部找矿提供方法工具.
1. 区域成矿地质背景
花敖包特矿床位于大兴安岭中南段锡林浩特-霍林郭勒多金属成矿带，是新世纪初发现的一个隐伏的大型铅、锌、银多金属矿床(陈伟等，2008).该成矿带是寻找铅、锌、银多金属矿的有利地段，属于滨西太平洋与古亚洲叠加巨型成矿域的重要组成部分(向伟东等，1998；牛树银等，2008).该成矿带已发现诸如白音诺尔、黄岗梁、浩布高、道伦大坝等铅、锌、银多金属矿床和铜、钼、钨锡多金属矿床等(图 1).这些矿床的成矿动力学背景、矿化特征、控矿因素以及成因前人已作过许多研究，认为其是与晚侏罗世-早白垩世太平洋板块活动引起的构造-火山-侵入岩浆活动有关的矿床.区内次火山岩、超浅成侵入体和深成侵入体时空密切相伴的“三位一体”的火山-深成杂岩是主要控矿因素, 成矿物质具有地壳深部和幔源物质混合特征(张德全和鲍修文，1990；张德全等，1991；王京彬等，2000；邵济安等，2007；李振祥等, 2008, 2009；潘小菲等，2009；周振华，2010).
图 1 大兴安岭中南段构造与矿产分布(据陈宏威，2007修改)1.中生代断隆边界；2.中生代断陷带边界；3.深大断裂与主要断裂；4.复背斜轴；5.复向斜轴；6.夕卡岩型铁锡矿床；7.夕卡岩型铅锌多金属矿床；8.斑岩型银锡铜矿床；9.热液型银铅锌铜锡矿床；10.热液型铅锌多金属矿床；11.热液型铜矿床；12.热液型铜锡矿床Fig. 1. Tectonics and distribution of mineral deposits in the middle-south segment of Dahinggan Mountains2. 矿床地质特征
2.1 矿区地质特征
矿区地层从老到新为：下二叠统寿山沟组凝灰质粉砂岩、凝灰质细砂岩夹板岩，该组地层为主要的赋矿地层；上侏罗统满克头鄂博组主要为灰紫色酸性含集块角砾凝灰岩、灰白色及紫灰色酸性含角砾凝灰岩、流纹岩，该组地层与寿山沟组地层呈不整合接触；上侏罗统玛尼吐组安山岩、安山玢岩夹岩屑凝灰岩；新近系上新统宝格达乌拉组棕色粉砂质泥岩；第四系在本区较为发育，主要为冲洪积物、冲坡积物、风成沙等(图 2)，是研究隐伏矿床找寻技术的理想基地(聂兰仕等，2007).
矿区出露的侵入岩主要为华力西晚期超基性岩和燕山期中、酸性岩；其中华力西期超基性岩与寿山沟组地层呈断层接触，该接触带为矿体赋存的有利地段.矿区深部发育流纹岩，并伴有铅锌矿化.
区内构造主要为断裂.呈北东向分布的梅劳特深大断裂控制了矿区超基性岩、下二叠统寿山沟组以及赋存于寿山沟组中的花敖包特山矿段和另外两个勘查区的分布.区内北东、北西以及近南北向的断裂控制了矿脉的分布.
2.2 矿体特征
铅锌银多金属矿体主要赋存于下二叠统寿山沟组砂岩、碳质粉砂岩北西、北东及南北向的构造破碎带里，主要呈脉状，受断裂构造控制.目前矿区划分3个采区，共发现34个银、铅、锌多金属矿体.一采区内发现2个矿体，编号分别为Ⅰ1、Ⅱ2号矿体：Ⅰ1号矿体走向50°，倾向南东，倾角65°~70°，该矿体南西端向下收敛，北东端向下侧伏，矿体呈板柱状；Ⅱ2号矿体为脉状矿体，严格受北西330°方向的构造控制，矿体产状：走向330°，倾向北东，倾角65°.二采区发现18个矿体，主要赋存于下二叠统寿山沟组地层内，矿体走向为北西向，倾向近北东，倾角45°~60°，矿体延长40~90 m，延深50~200 m，厚度1.52~5.55 m.三采区矿体倾向110°~130°，倾角50°~57°，矿体延长20~100 m，延深40~105 m，厚度1.34~3.71 m.矿体在走向上成群、成束分布，倾向上呈单斜叠瓦状排列.矿体经常与不同性质的各种角砾岩以及次流纹岩体相伴出现，主要矿体以块状、细脉浸染状居多，其他小矿体以浸染状、条带状为主.矿体沿走向和倾向上均有尖灭再现、局部有分支复合现象(图 3).
图 3 花敖包特矿床二采区矿体三维分布特征(自左向右依次为Ⅰ、Ⅱ、Ⅲ、Ⅳ号矿体)Fig. 3. The three dimensional distribution of ore bodies from the second mining area of the Huaaobaote Pb-Zn-Ag deposit围岩蚀变主要有：黄铁矿化、硅化、褐铁矿化、碳酸盐化、绿泥石化、绢云母化、高岭土化等蚀变，其中黄铁矿化、高岭土化、硅化与矿化关系最为密切.
主要矿石矿物为方铅矿、闪锌矿、毒砂及黄铜矿；主要矿物共生组合有：方铅矿-闪锌矿-黄铁矿、方铅矿-深红银矿、方铅矿-闪锌矿、方铅矿-闪锌矿-银黝铜矿、方铅矿-闪锌矿-黄铁矿-毒砂组合等.矿石构造主要为致密块状、细脉浸染状、条带状、角砾状.
2.3 成矿阶段划分
由镜下观察各矿物间及矿物集合体之间的交代、穿插关系表明，其由早到晚的生成顺序为：具有自形晶的黄铁矿、毒砂(磁黄铁矿)、石英、萤石→闪锌矿、方铅矿(辉银矿、深红银矿)、黄铜矿→具有他形晶的毒砂、黄铁矿(方解石脉、石英脉).根据矿石中各矿物间的生成顺序，结合前人(李振祥等，2008)研究，将矿化期划归为热液期，共包括3个矿化阶段：
(1) 自形晶毒砂-黄铁矿-石英阶段：该阶段以自形毒砂、自形黄铁矿和自形石英的沉淀为主.富Fe、As、S、Ca、F等的热流体沿断裂空隙运移，在有利场所富集沉淀，形成自形晶毒砂、石英、黄铁矿、萤石等.石英富液相包裹体均一温度为240.0~270.0 ℃.
(2) 闪锌矿-方铅矿阶段：热液沿断裂向上运移过程中，不断萃取Ag、Pb、Zn等成矿元素，富Ag、Pb、Zn且含少量Cu、Fe、Ca、CO32-的热液沿断裂裂隙上升运移，在特定的物理化学条件及有利场所富集沉淀，主要形成了闪锌矿、方铅矿等；辉银矿、深红银矿则以包体的形式与方铅矿共生，并可见磁黄铁矿、黄铜矿、方解石等；该阶段为主成矿阶段.闪锌矿富液相包裹体均一温度为205.0~235.0 ℃.
(3) 他形晶毒砂-黄铁矿阶段：由于物理化学条件的改变，流体的含矿性也随之降低，富Fe、As、S的流体上升并交代铅锌银矿石，在有利场所富集沉淀，形成他形黄铁矿、毒砂或二者与石英、方解石的脉状集合体.石英富液相包裹体均一温度为160.0~205.0 ℃.
上述研究表明，该矿床为中低温热液脉状铅锌银矿床.
3. 原生晕分带特征
研究原生晕分带的地球化学样品分别采自二采区05勘探线ZK85、ZK76、ZK92和ZK168四个钻孔岩(矿)心(149件)和Ⅱ2号矿体15号井的4个中段样品(77件)(图 4).
图 4 05勘探线成矿成晕元素浓度分带Fig. 4. Zonation of primary halo from the geological section of the No.05 exploratory line在中国地质科学院廊坊地球物理地球化学勘查研究所岩矿分析实验室定量分析Cu和Zn(ICP-AES)，Pb(XRF)，As和Sb(AFS)，Ag(ES)，W和Mo(POL)，Hg、Cd、Sn、Bi和In(Me-ICP)等13种元素含量，以此数据集作为进一步定量研究原生晕分带的基础.
3.1 成晕元素分带
元素异常分带首先以确定异常下限为基础，合理确定原生晕异常下限是原生晕研究中的一个重要方面.对采样分析的各元素按平均值加减二倍的标准离差的原则逐步剔出特异常高值和特异常低值，然后对于所在范围内的元素，再按照平均值加上二倍的标准离差求出异常下限(Ca)，以二倍、四倍的异常下限圈出原生晕的中带(2Ca)、内带(4Ca)(表 1).
表 1 成晕元素浓度分带参数(10-6)Table Supplementary Table Zoning parameters of halo-forming elements (10-6)参数 Ag As Bi Cd Cu Hg In Mo Pb Sb Sn W Zn X 2.44 50.03 0.18 0.74 6.35 0.06 0.07 0.47 92.89 19.83 2.79 1.84 171.00 S 1.38 24.87 0.02 0.50 1.61 0.03 0.03 0.10 72.78 5.70 1.38 0.66 101.50 Ca 5.19 99.77 0.23 1.74 9.57 0.13 0.12 0.66 238.45 31.22 5.54 3.16 373.58 2Ca 10.38 199.53 0.45 3.49 19.15 0.25 0.24 1.32 476.91 62.45 11.09 6.31 747.17 4Ca 20.76 399.07 0.91 6.98 38.29 0.51 0.48 2.64 953.82 124.90 22.17 12.63 1 494.34 注：X为平均值；S为标准离差；Ca为异常下限. 依据上述参数，绘制了各元素异常剖面图(图 4)，该图显示以下特征：(1)Sb、Pb、Cd、Ag 4种元素在矿体头部浓度分带清晰，具有外、中和内3个带，结构完整，表明这些元素在矿体头部具有较强的异常强度.而在矿体的中下部以及尾部异常规模变小，表现为原生晕异常内带变窄，且较为分散，其中Sb、Cd元素外带与中内带差异明显.这些元素可视为头晕元素.(2)Zn、Hg、In、Cu 4元素在矿体中上部具有强异常.其中Zn和Hg元素浓度分带清晰完整，且异常内带发育.In、Cu元素异常虽在矿体上、中、下均有出现，但高强度异常主要聚集在矿体中部，异常强度随矿体深度的增加均呈逐渐减少趋势.(3)Sn、As、Mo、Bi、W元素在矿体中下部和尾部异常发育.Sn、As在矿体上、中、下部均有内带异常出现，但在矿体中下部及尾部元素异常强度最大.Bi尾晕发育，Mo、W，尤其是Mo头、尾晕相对发育，矿体中部异常强度较弱.
根据上述分析，结合原生晕分布特征及其与矿体的关系，定性确立前缘元素为Sb、Cd、Ag、和Pb，近矿元素为Zn、Hg、Cu、In，尾晕元素为Sn、As、Bi、Mo和W.上述元素能够不同程度指示盲矿体的存在(Beaudoin et al., 1987).
3.2 原生晕横向分带序列
横向分带序列反映了成矿成晕作用在水平方向上不同指示元素的强度(异常规模与异常衬度的乘积)差异.横向分带的特征与矿体原生晕中元素的浓度、元素的相对运移，以及围岩中的元素背景值有关.选用2号矿体的4个中段的采样数据为分析基础，分别求出衬度值(元素异常平均含量/元素背景值)和异常宽度，采用衬度与异常宽度的乘积作为原生晕横向分带排序的定量指标.该乘积值越大表明其异常规模越大.通过计算得出4个近于一致的矿体原生晕横向分带序列(表 2).排在序列前面的Cd、Pb、Zn、Sb、Ag等5种元素，在横向上异常强度较大，自矿化中心向外运移距离较远，可作为远矿指示元素；As、Bi、Mo、W4等种元素排在序列的后端，表明它们自矿化中心向外运移距离近，异常强度较弱，可作为近矿指示元素.这与上面定性分析基本是一致的.
表 2 原生晕横向(水平)分带序列Table Supplementary Table Horizontal zoning sequence of primary halo中段 参数 Ag As Bi Cd Cu Hg In Mo Pb Sb Sn W Zn 941 m K 34.9 11.0 1.7 139.5 57.7 35.8 75.4 3.2 184.8 249.3 22.6 3.4 70.8 L(m) 62.0 59.1 45.0 62.0 62.0 58.7 62.0 34.0 62.0 62.0 62.0 28.2 62.0 K·L 2 164 650 78 8 649 3 580 2 104 4 676 108 11 460 15 459 1 401 97 4 390 序列 Sb-Pb-Cd-In-Zn-Cu-Ag-Hg-Sn-As-Mo-W-Bi 922 m K 28.6 9.7 1.8 164.8 31.3 40.8 103.4 3.3 137.8 119.5 19.6 4.6 87.4 L(m) 71.6 49.2 42.3 69.8 70.1 65.0 53.8 50.9 70.2 71.6 62.3 7.6 69.8 K·L 2 048 479 74 11 506 2 192 2 651 5 561 167 9 674 8 558 1 222 35 6 103 序列 Cd-Pb-Sb-Zn-In-Hg-Cu-Ag-Sn-As-Mo-Bi-W 893 m K 42.3 10.4 2.2 384.1 62.4 67.5 132.1 3.3 188.3 229.3 32.8 3.6 190.8 L(m) 70.0 63.5 29.7 70.0 63.3 69.7 61.6 55.0 70.0 70.0 67.2 32.5 69.9 K·L 2 961 660 66 26 889 3 950 4 704 8 137 180 13 183 16 053 2 206 116 13 328 序列 Cd-Sb-Zn-Pb-In-Hg-Cu-Ag-Sn-As-Mo-W-Bi 863 m K 49.1 23.4 1.6 192.8 18.1 22.5 52.9 3.7 157.9 33.4 23.1 5.4 92.2 L(m) 66.8 52.5 51.2 71.8 61.2 64.0 42.5 55.9 74.0 68.1 46.5 52.8 71.7 K·L 3 282 1 225 84 13 850 1 109 1 439 2 250 205 11 693 2 272 1 075 284 6 605 序列 Cd-Pb-Zn-Ag-Sb-In-Hg-As-Cu-Sn-W-Mo-Bi 注：K为衬度；L(m)为原生晕异常宽度. 3.3 矿床原生晕轴向分带
原生晕轴向分带反映出了含矿溶液的运动方向，其分带序列的研究对于判定矿体的剥蚀程度及深部盲矿体的追踪有着极其重要的意义.
3.3.1 Grigorian分带指数法的基本原理
以元素异常的线金属量值为基础，首先将所有元素的最大值处于同一数量级内, 即进行线金属量的标准化；然后进行分带指数计算.每一元素的分带指数最大值所在的标高，即为该元素在分带序列中的位置.由此可大致的确定轴(垂)向分带的初步序列.当同一标高上可能存在多个元素的分带指数最大值时，各元素在分带序列中更确切的位置由变异性指数(G)及变异性指数的梯度差(△G)来确定(Beus and Grigorian, 1977).
(1) 变异性指数(G)的公式表达如下：
G=n∑i=1DmaxDi, 其中Dmax为某元素的分带指数最大值；Di为某元素在i中段的分带指数值(不含Dmax所在的中段)；n为中段数(不含Dmax所在的中段).
(2) 变异性指数梯度差△G=G上-G下(或G下-G上)，G上为Dmax所在中段以上的变异性指数值；G下为Dmax所在中段以下的变异性指数值.
3.2.2 轴向分带序列的确定
以各元素大于异常下限(Ca)的数据为研究对象，求出异常范围内的平均值，再通过异常元素平均值来求异常元素线金属量，以各钻孔的异常平均值乘以各钻孔异常的控制距离得到线金属量，然后进行成晕元素线金属量标准化，以标准化后某元素的线金属量与其所在截面标准化后的各元素的线金属量和的比值来计算分带指数(表 3).依据元素分带指数最大值所在截面位置由浅至深将所研究元素顺序排列，依据表中的分带指数初步排出分带序列(由浅至深)为：(Pb-Ag-Cd-Sb)-(Zn-Hg-Cu)-(Bi-In-As)-(W-Sn-Mo).
表 3 成矿成晕元素分带指数Table Supplementary Table Zoning indexes of primary halos元素 标准化系数 标准化后线金属量(10-6·m) 分带指数 ZK85 ZK76 ZK92 ZK168 ZK85 ZK76 ZK92 ZK168 Pb 1 1 800 060 1 025 376 702 015.6 675 115.7 0.056 0.044 0.024 0.027 Zn 1 4 738 864 3 672 371 2 713 206 1 481 712 0.149 0.158 0.092 0.059 Ag 100 1 296 589 756 836 1 027 437 803 266.9 0.041 0.032 0.035 0.032 W 1 000 614 942.4 1 074 300 1 110 918 1 818 394 0.019 0.046 0.037 0.072 Hg 10 000 4 622 029 3 406 307 3 730 604 1 293 826 0.145 0.146 0.126 0.051 Cd 100 4 090 871 2 937 629 2 414 966 1 297 385 0.128 0.126 0.082 0.051 Sb 10 1 728 212 356 212.6 456 794.4 351 173.5 0.054 0.015 0.015 0.014 Sn 100 1 199 524 412 991.4 823 669.4 1 050 914 0.038 0.018 0.028 0.042 Bi 10 000 492 816.7 2 288 785 5 602 307 4 265 967 0.015 0.098 0.189 0.169 In 1 000 831 677 597 779.5 1 405 339 457 307.2 0.026 0.026 0.047 0.018 As 10 2 443 471 1 280 166 4 531 882 3 405 573 0.077 0.055 0.153 0.135 Mo 10 000 6 968 969 3 929 918 3 510 211 7 142 577 0.219 0.169 0.118 0.283 Cu 100 1 042 661 1 559 312 1 600 606 1 183 014 0.033 0.067 0.054 0.047 ∑ 31 870 686 23 297 985 29 629 956 25 226 225 根据变异性指数(G)和变异性梯度差(△G)原理对在同一中段的矿床指示元素的先后顺序进行确切排序：
(1) 对于分带指数最大值位于最上截面的元素(Pb、Ag、Cd、Sb)运用变异性指数(G)进行计算：
GPb=5.68,GAg=3.73,GCd=5.09.GSb=11.06. 当分带指数最大值同时位于剖面最上截面时，G值大的排在相对较高位置，所以上述4个元素由浅及深的排序为：Sb-Pb-Cd-Ag.
(2) 对于分带指数最大值位于最下截面的元素(W、Sn、Mo)运用变异性指数计算如下：
GW=7.30,GSn=4.94,GMo=5.37. 当分带指数最大值同时位于剖面最下截面时，G值大的排在相对较低的位置，所以上述元素由浅及深的排序为：Sn-Mo-W.
(3) 对于分带指数最大值位于中上截面的元素(Zn、Hg、Cu)运用变异性梯度差(△G=△G上-△G下)计算如下：
ΔGZn=−3.33,ΔGHg=−3.01,ΔGCu=−0.64. 当运用变异性梯度差△G=△G上-△G下对分带指数最大值在同一中部截面的元素计算时，△G越大的元素，越应排在分带序列较低的位置，所以对于上述元素由浅及深的排序为：Zn-Hg-Cu.
(4) 对于分带指数最大值位于中下截面的元素(Bi、In、As)运用变异性梯度差(△G)计算如下：
ΔGBi=13.41,ΔGIn=1.00,ΔGAs=3.64. 当运用变异性梯度差△G=△G上-△G下对分带指数最大值在同一中部截面的元素计算时，△G越大的元素，应排在分带序列较低的位置，所以对于上述元素由浅及深的排序为：In-As-Bi.
通过上述4个截面分带指数的变异性指数和变异性梯度差的计算，得出花敖包特铅锌矿区05勘探线成矿成晕元素的确切轴向分带序列由浅至深为：Sb-Pb-Cd-Ag-Zn-Hg-Cu-In-As-Bi-Sn-Mo-W.
3.3.3 原生晕分带序列的解释
根据上述矿体中发育金属矿物种类，结合因子分析获取的3个元素共生组合(F1：Pb-Zn-Ag-Hg-Cd-Cu-Sb-Sn-In；F2：Bi-Sn-In；F3：W-Mo-As)，将矿体轴向分带序列(Sb-Pb-Cd-Ag-Zn-Hg-Cu-In-As-Bi-Sn-Mo-W)与Beus and Grigorian(1977)总结的多金属矿床标准轴向分带序列[(Sb, As1, Hg)-Cd-Ag-Pb-Zn-Cu-Bi-Mo-Sn-As2-W]对比分析可知，二者基本上是一致的.不同之处在于：(1)As在研究序列中只有一个位置，且排在Bi-Sn-Mo-W典型高温组合元素的前面，与排在前面的Cu相隔一个元素In，表明As可能主要以砷黝铜矿的形式存在；(2)Hg元素在研究序列中排在Pb-Zn-Ag组合之后，相对标准序列具有明显的后移.在05勘探线成矿成晕元素浓度分带图上(图 4)，Hg异常却在矿体头部发育，但相对异常强度低于成矿元素Pb、Zn和Ag所致.研究序列中的成矿元素Pb、Zn分别赋存于方铅矿、闪锌矿中，Ag和Sb赋存在深红银矿中，Cd和In通常赋存在闪锌矿中，Cu赋存在黄铜矿和银黝铜矿中，W-Mo-As可能赋存在高温热液形成的毒砂矿物中.
总之，该原生晕轴向分带序列与标准分带序列基本一致，较客观地反映出各元素在矿体中相对浓集的位置，并与具体矿石矿物在矿体中的富集部位相对应，因此对深部矿体资源潜力评价具有指示作用.
4. 矿体深部预测模型
以元素分带指数值为基础，依据前缘晕元素组合的诸元素分带指数累乘值与尾晕元素组合诸元素分带指数累乘值之比，能够有效构建深部矿体资源潜力定量评价模型(Beus and Grigorian, 1977).
本次研究选取(Sb×Pb×Cd×Ag)D/(As×Sn×Mo×W)D作为构建深部矿体定量评价模型的指标.该指标自矿脉的头部至尾部(从浅部至深部)急剧降低：矿体头部(850 m标高)1.30→矿体中上部(775 m标高)0.35→矿体中下部(645 m标高)0.056→矿体尾部(550 m标高)0.005(图 5).这表明该指标随矿体深度的增加急剧降低，是预测深部矿体资源潜力的有效指标.
图 5 花敖包特铅锌银矿床深部矿体地球化学预测模型Fig. 5. Geochemical prospecting pattern for ore bodies in depth within the Huaaobaote Pb-Zn-Ag mine district对标高(y)与元素指数累乘比值的关系，按照最小二乘法分别进行一次直线拟合，得出一次拟合直线函数为：y=829.2+55.7t，t=ln[(Sb×Pb×Cd×Ag)D/(As×Sn×Mo×W)D]，其相关系数R2=0.986.这表明异常中心位置(标高)与元素指数累乘比值之间具有线性关系.因此，一次直线拟合函数能够有效地预测深部矿体的资源潜力.但如果该指标随深度有规律的降低之后，在某一深部突然升高，则表明矿体的歼灭再现，即深部将发现新的矿体(Chen and Zhao, 1998; Chen et al., 2008).这是因为这种指标突然升高，是深部矿体前缘晕叠加其上部矿体的尾晕所致(Li et al., 1995a, 1995b；李惠等，1999；贺振和张学仁，2006；孙华山等，2008).
5. 结论
(1) 矿体原生晕发育，且分带明显.根据横向分带建立成矿成晕元素异常强度的顺序(从强到弱)为：Cd→Pb→Zn→Ag→Sb→In→Hg→As→Cu→Sn→W→Mo→Bi.(2)根据Beus and Gorigorian(1977)原生晕分带计算方法，获得花敖包特铅锌银矿床原生晕的轴向分带序列为：Sb→Pb→Cd→Ag→Zn→Hg→Cu→In→As→Bi→Sn→Mo→W，与(Beus and Grigorian, 1977)建立热液矿床标准分带基本一致.(3)构建了深部矿体预测模型，其预测评价指标(Sb×Pb×Cd×Ag)D/(As×Sn×Mo×W)D在矿体头部为1.30，矿体中上部为0.35，矿体中下部为0.056，矿体尾部为0.005；这表明该指标随深度的增加有规律地降低，是预测深部矿体资源潜力的有效指标.
致谢: 研究工作得到内蒙古玉龙矿业股份有限公司董事长王文龙高级工程师以及丁海军高级工程师、张凤林高级工程师、花敖包特矿山刘召高级工程师、公司技术顾问付高级工程师，以及中国地质大学(武汉)陈守余教授的指导和帮助；中国地质科学院地球物理地球化学勘查研究所岩矿测试分析实验室完成对研究所需的样品测试工作，在此深表感谢! -
图 1 研究区域的地理位置、高程和主要断层线
Fig. 1. Geographical location, elevation, and major fault lines of the study area
图 3 遥感影像和野外调查泥石流灾害的对比
Fig. 3. Comparison between remote sensing image and field investigation of the debris flow disaster
图 4 GIS提取的流域面积大于1 km2的流域单元
Fig. 4. Watershed units with an area larger than 1 km2 extracted on GIS platform
图 5 研究中与泥石流相关的14个特征变量
a到n依次表示流域面积、高差、坡度、曲率、径流强度指数（SPI）、输沙指数（STI）、土壤湿度指数（TWI）、归一化植被指数（NDVI）、积雪覆盖度、雨季降雨量、干旱度、陡度指数、断层密度、突出地貌
Fig. 5. The 14 characteristic variables related to debris flow used in the study
图 7 特征变量之间的泊松相关系数
Fig. 7. Poisson correlation coefficient between characteristic variables
图 8 基于四种机器学习算法的泥石流灾害易发性
Fig. 8. Susceptibility of debris flow disasters based on four machine learning algorithms
图 9 不同算法在训练集（a）和测试集（b）预测结果与实际观测结果的关联性
Fig. 9. Correlation between predicted and observed results of different algorithms in training dataset (a) and testing dataset (b)
图 10 四种算法的在训练集（a）和测试集中（b）的ROC曲线
Fig. 10. ROC curves of four algorithms in training data set (a) and testing data set (b)
图 11 四种算法预测泥石流易发性的性能参数
a~d. 准确度、精度、召回率、F1-score
Fig. 11. The performance parameters of the four algorithms in predicting debris flow susceptibility
表 1 本研究选取的特征变量
Table 1. The characteristic variables selected in this study
因素 影响因素与泥石流风险相关性及释义 备注 SPI 径流强度指数（SPI）可以衡量水流侵蚀的能力，其计算公式为：SPI=α×tanβ，式中：$ \partial $为某点汇流面积(m2)；β为坡度(°). 基础数据为SRTM-30 m DEM，在GIS平台计算、分析、提取获得. STI 输沙指数（STI）是指河流和地下水等运送沙土颗粒等的能力，输沙指数高的时候，水土流失较为严重.其计算公式为$ \mathrm{S}\mathrm{T}\mathrm{I}={\left(\frac{\alpha }{22.13}\right)}^{0.6}\times \mathrm{s}\mathrm{i}\mathrm{n}{\left(\frac{\beta }{0.089\mathrm{ }6}\right)}^{1.3} $，式中：$ \partial $为某点汇流面积(m2)；β为坡度(°). TWI 地形湿度指数可以表征流域内土壤水分的干湿状况, 其计算公式为：$ \mathrm{T}\mathrm{W}\mathrm{I}=\mathrm{l}\mathrm{n}\left(\alpha /\beta \right) $，式中：$ \partial $为某点汇流面积(m2)；β为坡度(°). NDVI 归一化植指数（NDVI）反映植被覆盖程度.其计算公式为：$ \mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}=(\mathrm{N}\mathrm{I}\mathrm{R}-R)/(\mathrm{N}\mathrm{I}\mathrm{R}+R) $，式中，NIR为近红外波段的反射值，R为红光波段的反射值. 时间跨度为1990‒2020年，分辨率为500 m，来源于MODIAS（ https://modis.gsfc.nasa.gov/data/dataprod/mod13.php ）.积雪覆盖度 积雪覆盖程度指的是单位面积内积雪面积，对泥石流的形成有重要作用，尤其是冰雪融水型泥石流. 时间跨度为1970‒2010年，分辨率为500 m，来源于国家冰川冻土沙漠科学数据中心（ http://www.ncdc.ac.cn/portal/ ）.雨季降雨 雨季降雨指的是每年5‒9月份的总降雨量，是泥石流灾害形成的激发因素. 时间跨度为1970‒2020年，分辨率为500 m, 来源于青藏高原科学数据中（ https://data.tpdc.ac.cn/zh-hans/ ）.干燥指数 干燥指数是用来衡量气候干燥程度的指标，用地面失水(如蒸发、径流)与供水的比值表示.干旱会造成表面土体开裂，促进降雨渗入坡面，利于泥石流的形成. 分辨率为500 m，来源于中国科学院资源环境科学与数据中心（ https://www.resdc.cn/Default.aspx ）.陡度 河流陡度指数(ksn)，反映河道纵剖面的整体陡峭程度，高陡度指数代表高的隆升速率.其计算公式为：$ {k}_{\mathrm{s}\mathrm{n}}={\left(\frac{S}{A}\right)}^{\theta } $，式中，S为河段坡度，A为汇流面积，θ是凹度指数，通常取值为0.45. 基础数据为SRTM-30 m DEM，在GIS平台计算、分析、提取获得. 断层密度 断层影响基岩的破碎程度，针对线性特征变量，断层线密度反映单位面积内的断层线长度(Huang et al., 2022). 由国家1:100万地质图数字化获得. 突出地貌 地貌突出高度ZE是用来计算地形表面z和理想地形z'之间的岩石高度.ZE越大，表示发生滑坡的概率越大，潜在物源越多(Blöthe et al., 2015).其计算公式为$ {Z}_{E}=z-\mathrm{m}\mathrm{i}{\mathrm{n}}_{(s, t)\in (-\mathrm{\infty }, \mathrm{\infty })}\left\{z(x+s, y+t)+{s}_{t}\sqrt{{s}^{2}+{t}^{2}}\right\} $，式中，s和t指的是到窗口中心的基数距离，st是阈值坡度角，本研究中取值为30°. 基础数据为SRTM-30 m DEM，在GIS平台计算、分析、提取获得. 
下载: 导出CSV
表 2 特征变量的膨胀系数和公差
Table 2. Variance inflation factor and tolerance of the characteristic variables
特征变量 VIF TOL VIF（去除STI后） TOL（去除STI后） 流域面积 1.46 0.69 1.45 0.69 高差 2.89 0.35 2.86 0.35 坡度 2.25 0.44 2.14 0.47 曲率 1.05 0.96 1.04 0.96 SPI 12.45 0.08 1.05 0.96 STI 13.01 0.08 \ \ TWI 1.96 0.51 1.92 0.52 植被指数 1.37 0.73 1.37 0.73 积雪覆盖 2.18 0.46 2.17 0.46 雨季降雨 3.47 0.29 3.47 0.29 干旱度 1.53 0.65 1.52 0.66 陡度指数 1.08 0.93 1.08 0.93 断层密度 1.20 0.83 1.19 0.84 突出地貌 1.83 0.55 1.82 0.55
下载: 导出CSV
-
Altmann, A., Tolo, L. I., 2010. Permutation Importance. Bioinformatics, 26(10): 1340-1347. doi: 10.1093/bioinformatics/btq134 Band, S. S., Janizadeh, S., Pal, S. C., et al., 2020. Flash Flood Susceptibility Modeling Using New Approaches of Hybrid and Ensemble Tree-Based Machine Learning Algorithms. Remote Sensing, 12(3568): 3568. http://www.sciencedirect.com/science/article/pii/S0022169420304674 Blais-Stevens, A., Behnia, P., Kremer, M., et al., 2012. Landslide Susceptibility Mapping of the Sea to Sky Transportation Corridor, British Columbia, Canada: Comparison of Two Methods. Bulletin of Engineering Geology and the Environment, 71(3): 447-466. doi: 10.1007/s10064-012-0421-z Blöthe, J. H., Korup, O., Schwanghart, W., 2015. Large Landslides Lie Low: Excess Topography in the Himalaya-Karakoram Ranges. Geology, 43(6): 523-526. doi: 10.1130/G36527.1 Carrara, A., Crosta, G., Frattini, P., 2008. Comparing Models of Debris-Flow Susceptibility in the Alpine Environment. Geomorphology, 94(3/4): 353-378. http://www.onacademic.com/detail/journal_1000035389459010_7c7a.html Chen, N. S., Tian, S. F., Zhang, Y., et al., 2021. Soil Mass Domination in Debris-Flow Disasters and Strategy for Hazard Mitigation. Earth Science Frontiers, 28(4): 337-348 (in Chinese with English abstract). Chen, N. S., Zhang, Y., Tian, S. F., et al., 2020a. Effectiveness Analysis of the Prediction of Regional Debris Flow Susceptibility in Post-Earthquake and Drought Site. Journal of Mountain Science, 17(2): 329-339. doi: 10.1007/s11629-019-5684-4 Chen, Y., Qin, S., Qiao, S., et al., 2020b. Spatial Predictions of Debris Flow Susceptibility Mapping Using Convolutional Neural Networks in Jilin Province, China. Water, 12(8): 2079. doi: 10.3390/w12082079 Chen, X., Chen, H., You, Y., et al., 2015. Susceptibility Assessment of Debris Flows Using the Analytic Hierarchy Process Method—A Case Study in Subao River Valley, China. Journal of Rock Mechanics and Geotechnical Engineering, 7(4): 404-410. doi: 10.1016/j.jrmge.2015.04.003 Chowdhuri, I., Pal, S. C., Chakrabortty, R., 2020. Flood Susceptibility Mapping by Ensemble Evidential Belief Function and Binomial Logistic Regression Model on River Basin of Eastern India. Advances in Space Research (the Official Journal of the Committee on Space Research (COSPAR)), 65(5): 1466-1489. doi: 10.1016/j.asr.2019.12.003 Dash, R. K., Falae, P. O., Kanungo, D. P., 2022. Debris Flow Susceptibility Zonation Using Statistical Models in Parts of Northwest Indian Himalayas—Implementation, Validation, and Comparative Evaluation. Natural Hazards, 111(2): 2011-2058. doi: 10.1007/s11069-021-05128-3 Dou, J., Yunus, A. P., Bui, D. T., et al., 2020. Improved Landslide Assessment Using Support Vector Machine with Bagging, Boosting, and Stacking Ensemble Machine Learning Framework in a Mountainous Watershed, Japan. Landslides, 17(3): 641-658. doi: 10.1007/s10346-019-01286-5 Handwerger, A. L., Huang, M. H., Fielding, E. J., et al., 2019. A Shift from Drought to Extreme Rainfall Drives a Stable Landslide to Catastrophic Failure. Scientific Reports, 9(1): 1569. doi: 10.1038/s41598-018-38300-0 He, Q., Wang, M., Liu, K., 2021. Rapidly Assessing Earthquake-Induced Landslide Susceptibility on a Global Scale Using Random Forest. Geomorphology, 391: 107889. doi: 10.1016/j.geomorph.2021.107889 Healey, S. P., Cohen, W. B., Yang, Z., et al., 2017. Mapping Forest Change Using Stacked Generalization: An Ensemble Approach. Remote Sensing of Environment, 204: 717-728. http://www.fs.usda.gov/treesearch/pubs/download/56397.pdf Hu, G. S., Shang, Y. J., Zeng, Q. L., et al., 2017. The Emergency Scientific Investigation of Catastrophic Debris Flow in Yecheng County of Xinjiang on July 6th, 2016. Mountain Research, 35(1): 112-116 (in Chinese with English abstract). Hu, R. J., Ma, H., Wu, R. S., et al., 1991. An Outline of Debris Flow in Xinjiang. Arid Land Geography, 14(2): 32-40 (in Chinese with English abstract). Huang, F. M., Cao, Y., Fan, X. M., et al., 2021a. Effects of Different Landslide Boundaries and Their Spatial Shapes on the Uncertainty of Landslide Susceptibility Prediction. Chinese Journal of Rock Mechanics and Engineering, 40(S02): 3227-3240 (in Chinese with English abstract). Huang, F. M., Chen, J. W., Tang, Z. P., et al., 2021b. Uncertainties of Landslide Susceptibility Prediction Due to Different Spatial Resolutions and Different Proportions of Training and Testing Datasets. Chinese Journal of Rock Mechanics and Engineering, 40(6): 1155-1169 (in Chinese with English abstract). Huang, F. M., Pan, L. H., Yao, C., et al., 2021c. Landslide Susceptibility Prediction Modelling Based on Semi- Supervised Machine Learning. Journal of Zhejiang University (Engineering Science), 55(9): 1705-1713 (in Chinese with English abstract). Huang, F. M., Pan, L., Fan, X., et al., 2022. The Uncertainty of Landslide Susceptibility Prediction Modeling: Suitability of Linear Conditioning Factors. Bulletin of Engineering Geology and the Environment, 81(5): 182. doi: 10.1007/s10064-022-02672-5 Huang, F. M., Wang, Y., Dong, Z. L., et al., 2019. Regional Landslide Susceptibility Mapping Based on Grey Relational Degree Model. Earth Science, 44(2): 664-676 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTotal-DQKX201902027.htm Huang, F. M., Ye, Z., Yao, C., et al., 2020. Uncertainties of Landslide Susceptibility Prediction: Different Attribute Interval Divisions of Environmental Factors and Different Data-Based Models. Earth Science, 45(12): 4535-4549 (in Chinese with English abstract). Huang, F. M., Yin, K. L., Jiang, S. H., et al., 2018. Landslide Susceptibility Assessment Based on Clustering Analysis and Support Vector Machine. Chinese Journal of Rock Mechanics and Engineering, 37(1): 156-167 (in Chinese with English abstract). http://search.cnki.net/down/default.aspx?filename=YSLX201801016&dbcode=CJFD&year=2018&dflag=pdfdown Ilia, I., Tsangaratos, P., 2016. Applying Weight of Evidence Method and Sensitivity Analysis to Produce a Landslide Susceptibility Map. Landslides, 13(2): 379-397. doi: 10.1007/s10346-015-0576-3 Larsen, I. J., Montgomery, D. R., 2012. Landslide Erosion Coupled to Tectonics and River Incision. Nature Geoscience, 5(7): 468-473. doi: 10.1038/ngeo1479 Li, W. B., Fan, X. M., Huang, F. M., et al., 2021. Uncertainties of Landslide Susceptibility Modeling under Different Environmental Factor Connections and Prediction Models. Earth Science, 46(10): 3777-3795 (in Chinese with English abstract). http://www.sciencedirect.com/science/article/pii/S0341816221001090 Li, Y., Zhou, R. J., Zhao, G. H., et al., 2015. Uplift and Erosion Driven by Wenchuan Earthquake and Their Effects on Geomorphic Growth of Longmen Mountains: A Case Study of Hongchun Gully in Yingxiu, China. Journal of Chengdu University of Technology (Science & Technology Edition), 42(1): 5-17 (in Chinese with English abstract). doi: 10.3969/j.issn.1671-9727.2015.01.02 Nahayo, L., Kalisa, E., Maniragaba, A., et al., 2019. Comparison of Analytical Hierarchy Process and Certain Factor Models in Landslide Susceptibility Mapping in Rwanda. Modeling Earth Systems and Environment, 5(3): 885-895. doi: 10.1007/s40808-019-00575-1 Ouyang, C. J., Wang, Z. W., An, H. C., et al., 2019. An Example of a Hazard and Risk Assessment for Debris Flows—A Case Study of Niwan Gully, Wudu, China. Engineering Geology, 263(20): 105351. http://d.wanfangdata.com.cn/periodical/31d890cab0227589e60d623a783ed8d0 Rahman, M., Chen, N. S., Mahmud, G. I., et al., 2021. Flooding and Its Relationship with Land Cover Change, Population Growth, and Road Density. Geoscience Frontiers, 12(6): 16-35. http://www.sciencedirect.com/science/article/pii/S1674987121000888?utm_source=TrendMD&utm_medium=cpc Schrefler, B., Delage, P., 2013. Snow Avalanches. Environmental Geomechanics. Wiley, New York. Taylor, K. E., 2001. Summarizing Multiple Aspects of Model Performance in a Single Diagram. Journal of Geophysical Research Atmospheres, 106(D7): 7183-7192. doi: 10.1029/2000JD900719 Welsh, A., Davies, T., 2011. Identification of Alluvial Fans Susceptible to Debris-Flow Hazards. Landslides, 8(2): 183-194. doi: 10.1007/s10346-010-0238-4 Wolpert, D. H., 1992. Stacked Generalization. Neural Networks, 5(2): 241-259. doi: 10.1016/S0893-6080(05)80023-1 Xu, W., Yu, W., Jing, S., et al., 2013. Debris Flow Susceptibility Assessment by GIS and Information Value Model in a Large-Scale Region, Sichuan Province (China). Natural Hazards, 65(3): 1379-1392. doi: 10.1007/s11069-012-0414-z Zhang, S. H., Wu, G., 2019. Debris Flow Susceptibility and Its Reliability Based on Random Forest and GIS. Earth Science, 44(9): 3115-3134 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTotal-DQKX201909025.htm 陈宁生, 田树峰, 张勇, 等, 2021. 泥石流灾害的物源控制与高性能减灾. 地学前缘, 28(4): 337-348. https://www.cnki.com.cn/Article/CJFDTOTAL-DXQY202104038.htm 胡桂胜, 尚彦军, 曾庆利, 等, 2017. 新疆叶城"7.6"特大灾害性泥石流应急科学调查. 山地学报, 35(1): 112-116. https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201701014.htm 胡汝骥, 马虹, 吴荣生, 等, 1991. 新疆境内的泥石流. 干旱区地理, 14(2): 32-40. https://www.cnki.com.cn/Article/CJFDTOTAL-GHDL199102005.htm 黄发明, 曹昱, 范宣梅, 等, 2021a. 不同滑坡边界及其空间形状对滑坡易发性预测不确定性的影响规律. 岩石力学与工程学报, 40(S02): 3227-3240. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX2021S2023.htm 黄发明, 陈佳武, 唐志鹏, 等, 2021b. 不同空间分辨率和训练测试集比例下的滑坡易发性预测不确定性. 岩石力学与工程学报, 40(6): 1155-1169. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106008.htm 黄发明, 潘李含, 姚池, 等, 2021c. 基于半监督机器学习的滑坡易发性预测建模. 浙江大学学报(工学版), 55(9): 1705-1713. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202109012.htm 黄发明, 汪洋, 董志良, 等, 2019. 基于灰色关联度模型的区域滑坡敏感性评价. 地球科学, 44(2): 664-676. doi: 10.3799/dqkx.2018.175 黄发明, 叶舟, 姚池, 等, 2020. 滑坡易发性预测不确定性: 环境因子不同属性区间划分和不同数据驱动模型的影响. 地球科学, 45(12): 4535-4549. doi: 10.3799/dqkx.2020.247 黄发明, 殷坤龙, 蒋水华, 等, 2018. 基于聚类分析和支持向量机的滑坡易发性评价. 岩石力学与工程学报, 37(1): 156-167. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201801016.htm 李文彬, 范宣梅, 黄发明, 等, 2021. 不同环境因子联接和预测模型的滑坡易发性建模不确定性. 地球科学, 46(10): 3777-3795. doi: 10.3799/dqkx.2021.042 李勇, 周荣军, 赵国华, 等, 2015. 汶川地震驱动的隆升、剥蚀作用与龙门山地貌生长: 以映秀红椿沟为例. 成都理工大学学报(自然科学版), 42(1): 5-17. https://www.cnki.com.cn/Article/CJFDTOTAL-CDLG201501002.htm 张书豪, 吴光, 2019. 随机森林与GIS的泥石流易发性及可靠性. 地球科学, 44(9): 3115-3134. doi: 10.3799/dqkx.2019.081 -
下载:
点击查看大图
计量
- 文章访问数: 1125
- HTML全文浏览量: 906
- PDF下载量: 98
- 被引次数: 0
