-
摘要:
阿索蛇绿岩位于尼玛县阿索乡西南,大地构造上归属于狮泉河-永珠-嘉黎蛇绿岩带中段。蛇绿岩以岩片形式混杂在晚侏罗世-早白垩世复理石中,岩石组合较齐全,由下至上为蛇纹岩、辉石岩、堆晶辉长岩、席状岩墙及火山熔岩,同时存在蛇绿岩上覆沉积岩系。辉长岩获得LA-ICP-MS锆石U-Pb谐和年龄为117.5±0.5Ma,时代为早白垩世。狮泉河-永珠-嘉黎蛇绿岩带中的蛇绿岩形成于晚三叠世-早白垩世,主要分布在219~178Ma、165~149Ma和117~114Ma三个年龄段,代表了大洋演化的扩张、俯冲、弧后拉张3个阶段。
-
关键词:
- 青藏高原 /
- 狮泉河-永珠-嘉黎蛇绿岩带 /
- 阿索蛇绿岩 /
- 岩石学 /
- 锆石U-Pb定年
Abstract:Asuo ophiolite belongs to Shiquanhe-Yongzhu-Jiali ophiolite zone, located in southwestern Asuo County. The rock combination is complete, and consists from the bottom to the top of serentine, pyroxenite, cumulate gabbro, mafic dyke swarms and volcanic lava, with the existence of sedimentary rocks overlying ophiolite. In this paper, LA-ICP-MS U-Pb dating was carried out for the zircons of the gabbro dyke of Asuo ophiolite. LA-ICP-MS zircon U-Pb dating of gabbro dyke yielded a concordant age of 117.54±0.58Ma, indicating that it was formed in the Early Cretaceous.The ophiolite of Shiquanhe-Yongzhu-Jiali ophiolite zone was formed in Late Triassic to Early Cretaceous and mainly distributed in three age groups of 219~178Ma, 165~149Ma and 117~114Ma, representing the ocean expansion, subduction and back-arc extension respectively.
-
滑坡是自然界造成严重危害的自然灾害之一。由于中国的地形地貌情况较复杂、山坡丘陵多,滑坡成为严重的自然灾害。多年来,滑坡对人类生命安全和财产造成严重影响。国内外进行了很多滑坡预测的研究,以减轻滑坡造成的危害。由于滑坡的成因较复杂,受到多种因素的影响,传统的物理模型和线性方法对于预测滑坡距离还有一定的局限性,因此对非线性回归预测模型和BP神经网络预测模型进行了比较,发现BP神经网络具有更好的准确性。
滑坡的产生因素复杂,通常是在多种原因的共同作用下产生的,因此许多学者分析了滑坡空间分布与影响因素之间的关系,为编制滑坡灾害危险性区划图提供参考[1]。然而,除王兰民等[2]以93例黄土滑坡为例,提出了利用模糊信息模型预测黄土高原地震滑坡滑动距离的方法外,很少有研究者探讨各种因素对滑坡运动距离及其预测的有效性。
本次研究在非线性模型对天水地区滑坡预测的基础上,创造性地引入BP神经网络,旨在明确滑坡特征因子与滑动距离的关系,比较2种模型,探索提升模型精度,合理构建滑动距离预测模型,为滑坡危险性评价中滑坡危害范围的确定奠定基础。
1. 基本原理
1.1 多元非线性回归模型原理
当研究一个因变量Y与一个或多个自变量(X1~Xn) 之间的非线性关系时,可以使用非线性回归模型,并利用统计分析方法和函数对这种关系进行分析解读和形式化描述。非线性的最小二乘法是最常用的参数估计方法,该方法可以使用线性函数来逼近非线性函数,从而通过不断迭代这一过程得到参数的最优解[3]。因此可以采用该方法用于滑坡滑动距离的预测。
滑坡滑动距离受多种因素共同作用,假设滑坡滑动距离是影响因素的连续光滑函数,可表达为如下公式:
L=L(x1,x2,⋯,xn) (1) 式中:L为滑坡滑动距离,xi为滑坡滑动距离影响因素,其中i=1, 2,⋯,n。
将以上表达式在零点处Taylor展开,
L=L(x1,x2,⋯,xn)=L(0)+∑n(∂L∂xn)0xn+12∑l,n(∂2L∂xl∂xn)0xlxn+…+Rn(L) (2) 定义
Qn=(∂q∂xn)0 ,Qln=12(∂2q∂xl∂xn) 则上式可简化为
L=L(0)+∑nQnxn+∑l,nQlnxlxn+…+Rn(L) (3) 以上分析表明,当影响因素xn对滑坡滑动距离影响较大时,即同时存在线性与非线性影响,则需保留至强度的Taylor展开二次项,各因素对滑动距离的影响存在非线性,且2个因素间对滑动距离交叉影响,系数Qn、Qln为其影响程度;当需要保留展开的n次项时,n个不同因素对滑动距离交叉影响。系数Qn、Qln可在既有滑坡资料基础上,通过多元回归模型确定。
1.2 BP神经网络模型原理
BP神经网络是20世纪80年代发展起来的,网络结构简单,使用简单方便。BP神经网络采用的是非循环多级网络的训练算法,具有广泛的适用性,在1986年提出后,很快成为应用最广泛的多级网络算法。Robert Hecht-Nielsen证明,一个3层BP神经网络可以满足一般函数映射的要求,并且用有限的隐含层BP神经网络可以以任意精度逼近任意多变量函数[4]。
BP神经网络由输入层、隐含层、输出层组成。其训练方式是采用有导师学习。一般地,输入样本集为{X,Y};X为输入向量,Y为X对应的理想输出向量。BP神经网络接受样本数据的神经元为输入层,输出最终结果的为输出层,隐含于输入层和输出层之间的称为隐含层。BP神经网络的有导师学习过程就是对其的训练过程。也就是将由样本向量构成的样本集合输入到网络中后,按照一定的方式去调整神经元之间的联接权,使得网络能将样本集的内涵以联接权矩阵的方式存储起来,从而使得网络在接受输入时,可以给出适当的输出。网络训练寻优采用的是最速下降法。对每个神经元来说,其输入为:
net=XWX=(x1,x2,⋯,xn);W=(w1,w2,⋯,wn) (4) 式中:X为输入向量;W为联接权向量。隐含层单个神经元(节点)激活函数(输出)采用S形函数:
O=f(net)=a+b1+exp(−dnet) (5) 网络的训练过程主要包括信息的正向传播和误差反向传播2个反复的过程。在正向传播过程中,前一层的输入经过加权计算后作为后一层的输入,即XW。误差反向传播学习是指根据实际输出Op和理想输出Xp的差,以极小化误差的方式调整权矩阵,最终使误差控制在一定的要求范围内。第p个样本误差可描述为:
Ep=12m∑j=1(ypj−Opj)2 (6) 式中:yp为期望输出;Qp为网络输出;m为输出节点数。
样本集总误差为E=∑Ep,直到求出满足要求的样本为止。
2. 实例分析
天水市位于甘肃省东南部,渭河上游。总面积1.4325×104 km2,呈条带状展布,为典型的山间河谷盆地型。天水市地形高低差较大,并且绝大部分是黄土丘陵区,黄土覆盖较厚,因特殊的地质构造、岩土性质影响,地质环境十分脆弱,滑坡频发,降雨和地震的影响引起的滑坡占90%,并且常有新老滑坡相互叠加的情况,毗邻相连(图 1)。
近年,天水市发生多起滑坡灾害,其中1990年因降雨发生的滑坡非常严重,当日的最大降水量达到113 mm,导致发生了20多处滑坡,将近200×104 m3的黄土滑坡在十几秒内突然快速移动了约150 m,此次自然灾害发生在一家工厂中,6个主体车间被摧毁,多种材料成本被压埋,生产设施被摧毁,造成经济损失高达2000多万元,因为停电的原因,工人都不在工厂才幸免于难,本次滑坡是天水市乃至整个甘肃省史上造成经济损失最严重的一次滑坡事故[5]。
2.1 数据来源
本次实验的数据以中国地质科学院地质力学研究所的历史滑坡灾害点及环境因子数据的收集为例,收集到空间分辨率为25 m×25 m的数字高程(DEM)栅格图、天水市历史滑坡灾害点,以及在中国科学院资源环境信息中心收集到的空间分辨率为1 km的归一化植被指数栅格图,使用ArcGIS进行相关数据的提取,共得到192条滑坡样本信息,分别采用一定比例作2种模型的训练、验证和预测。滑坡部分样本信息如表 1所示。
表 1. 滑坡样本信息Table 1. Landslide sample information滑坡类型 序号 面积(S)/m2 滑坡高差(ΔH)/m 滑坡平面形态 剖面曲率 实测水平滑动距离/m 地震型滑坡 1 3714.65 49.00 8.57 -0.16 114.08 2 4340.20 67.00 0.67 0.01 123.17 3 3682.84 37.00 0.24 -0.13 103.61 4 3083.52 23.00 1.50 -0.07 92.85 5 2591.62 10.00 9.80 -0.14 78.32 6 205537.00 96.15 2.40 0.01 579.50 7 46081.19 117.55 2.78 0.04 266.49 8 2230.50 5.00 5.38 -0.01 71.59 9 1521.04 5.00 2.50 0.66 65.05 10 2021.91 8.00 3.90 -0.52 67.43 降雨型滑坡 1 364142.40 195.31 2.66 -0.00 848.98 2 69610.23 84.35 7.10 0.61 378.90 3 293670.00 139.79 2.78 -0.44 751.93 4 246494.90 143.72 9.41 0.01 664.15 5 232660.70 148.89 2.64 0.09 798.40 6 205327.20 134.00 2.93 0.06 674.40 7 192072.60 229.52 4.02 -0.13 658.76 8 153099.00 169.30 9.80 -0.32 560.31 9 129207.60 333.89 4.39 -0.25 568.51 10 85299.35 213.01 5.39 0.09 402.65 2.2 影响因子
影响滑坡滑动距离的因素有很多,历年来学者也在不断地对滑坡的影响因子,如滑坡前后缘高差、滑坡面积、滑坡坡度、滑坡等价摩擦系数、滑坡平面形态、地形地貌和植被覆盖率等进行了研究[6]。滑坡前后缘高差可以控制到滑坡的质心位置,直接对滑坡的大小产生影响;滑坡体积和滑坡的滑动距离具有正相关的影响;根据滑坡平面形态的不同,对滑坡的运动也产生不同的影响,平面较狭长的滑坡,其滑动距离较远,宽展的滑坡往往滑动的距离较小;滑坡的等价摩擦系数指的是滑坡滑动的水平滑距和垂直距离的比值,可以用来衡量地貌因素对滑坡运动性能的阻止指标[7-10]。
3. 建模与验证
3.1 模型变量选取
自变量包括地质因子和环境因子,根据滑坡滑动距离与地质因子、环境因子之间的相关性并参考相关文献[7-10],提取滑坡前后缘高差、滑坡面积、滑坡坡度、斜坡等价摩擦系数、滑坡长宽比、滑坡剖面曲率、植被覆盖度等,使用Matlab分别对各因子进行拟合,得到了各个因子的相关方程和相关系数,为进一步确定模型变量奠定基础。由表 2可见,当限定某一类滑坡时,滑动距离与滑坡各要素之间存在明显的线性或非线性相关性,而一旦滑坡类型不同,即使其具有相似的外部环境,滑动距离与滑坡各要素之间的相关性也会迅速降低。因此,需要根据滑坡类型建立相应的滑坡滑动距离预测模型。
表 2. 单因素滑坡要素线性相关计算结果Table 2. Calculation results of the linear correlation of single factor landslide elements降雨型滑坡 地震型滑坡 相关方程 相关系数 相关方程 相关系数 滑坡前后缘高差(ΔH) y=25.38x0.5654 0.4702 y=0.011x2-0.9985x + 306.08 0.6266 滑坡面积(S) y = 0.4344x0.5997 0.8357 y = 1.6571x0.4771 0.8312 滑坡坡度(i) 0.0536 0.0328 斜坡等价摩擦系数(μ=H/L) 0.0588 0.1272 滑坡平面形态(长宽比γ) y= 99.602x + 557.27 0.5752 y=379.5x+432.76 0.5378 地形地貌(平面曲率K) 0.5170 0.1490 植被覆盖 0.3870 0.0900 3.2 多元非线性回归模型的建立与求解验证
根据前述分析,地震滑坡滑动距离的影响因素按相关系数大小排序分别为滑坡面积(0.8312)、滑坡高差(0.6266)、滑坡平面形态(0.5378)、地形地貌(0.149)、滑坡坡度(0.171)、斜坡等价摩擦系数(0.1272)和植被覆盖(0.090)。故可认为,影响研究区地震滑坡滑动距离的主要因素有滑坡面积、滑坡高差、滑坡平面形态,可作为采用多元非线性回归模型估测地震滑坡滑动距离的指标。地形地貌、滑坡坡度、斜坡等价摩擦系数和植被覆盖率为次要因素。
影响降雨滑坡滑动距离的因素按影响程度强弱排序分别为滑坡面积(0.8357)、滑坡平面形态(0.5752)、地形地貌(0.517)、滑坡高差(0.4702)、植被覆盖(0.387)、滑坡坡度(0.133)和斜坡等价摩擦系数(0.0588)。故可认为影响研究区地震滑坡滑动距离的主要因素有滑坡面积、滑坡平面形态、地形地貌、滑坡高差,可作为采用多元非线性回归模型估测地震滑坡滑动距离的指标。而植被覆盖率、滑坡坡度和斜坡等价摩擦系数为次要因素。
为探讨各因素对滑坡滑动距离影响的非线性作用,取滑坡数据进行分析,以上述因子为自变量,通过变量代换对非线性项线性化后,利用多元线性模型[10]进行分析。发现在主要的影响因素中滑坡面积和滑坡相对高差是2个相关性最大的因素,故保留了相关系数较高的影响因子,得到拟合结果如下:
fL={−116.819+0.002S+0.539ΔH−0.003ΔH2+23.187ln(S)(R2=0.960),T=地震−173.476+4.258S0.43+3.089ΔH0.47(R2=0.812),T=降雨 (7) 式中:S为滑坡面积;ΔH为滑坡相对高差;T为诱发滑坡类型。
经方差分析及显著性检验可得:地震型滑坡D-W=2.077,降雨型滑坡D-W=1.625(表 3),表明数据满足独立性;F地震=399.510>F0.05(F0.05=2.61),F降雨=132.098>F0.05,P=0.000 < 0.05,模型有统计学意义,说明在0.05检验水平上,该模型有显著意义,故判定该多元非线性回归方程有效,可用于生产实践。
表 3. 多元相关系数Table 3. Multiple correlation coefficient模型 R R2 调整后R2 标准差 德宾-沃森 地震诱发 0.980a 0.960 0.957 49.037 2.077 降雨诱发 0.901a 0.812 0.806 114.208 1.625 采用建立的多元非线性回归方法模型进行滑坡范围预测检验。基于实地测量的数据,随机选取天水市10个地震滑坡、10个降雨型滑坡完整样本信息进行验证。将滑坡信息带入公式(7),计算所得滑动距离与实际滑动距离进行比较,分析其相对误差(表 4)。由表 4可知,对于地震诱发的滑坡,非线性模型最小相对误差为0.61%,最大相对误差为11.98%;对于降雨诱发的滑坡,非线性模型最小相对误差为0.37%,最大相对误差为12.16%。因此,采用此多元非线性回归模型分别预测地震、降雨诱发滑坡滑动距离是合理的。
表 4. 非线性回归模型检验结果Table 4. Nonlinear regression model test results滑坡类型 序号 实测水平滑动距离/m 模型计算得滑动距离/m 误差 地震 1 114.0800 100.4163 11.98% 2 123.1700 108.7141 11.74% 3 103.6100 96.7813 6.59% 4 92.8500 86.4384 6.91% 5 78.3200 75.7050 3.34% 6 579.5030 602.0008 3.88% 7 266.4900 246.2345 7.60% 8 71.5850 69.0334 3.56% 9 65.0480 58.7377 9.70% 10 67.4300 67.8396 0.61% 降雨 1 848.9849 911.8369 7.40% 2 378.9010 366.0614 3.39% 3 751.9303 813.8553 8.24% 4 664.1453 744.9368 12.16% 5 798.3964 723.7249 9.35% 6 674.3973 676.9118 0.37% 7 658.7645 662.6150 0.58% 8 560.3139 583.3253 4.11% 9 568.5081 545.4595 4.05% 10 402.6479 426.6198 5.95% 综上所述,多元非线性回归模型能够用于描述各种因素对滑坡滑动距离的影响。当考虑各因素对滑坡滑动距离的非线性影响时,保留至Taylor展开二次项,即可利用模型描述各因素对滑坡滑动距离的影响。
3.3 神经网络模型的建立与求解验证
以天水市实地调查的数据用于本次实验,经处理共得到192条滑坡样本信息,采用134条数据用于训练样本,30条数据用于验证,28条数据用于测试,以及总数据量的70%为训练样本,15%为验证数据,15%为测试数据计算。滑动距离的预测涉及到多个环境变量的影响,并且各个影响因素与最终的滑动距离之间呈现出非线性的关系,实验验证表明,建立一个5层的神经网络模型能够较准确的预测滑坡的滑动距离,其中隐含层为3层。输入变量为回归模型中筛选出的5个相关系数较高的自变量,输出的结果对应研究区滑坡滑动距离实测值,该结构的训练、验证和预测的均方差误差均为最小。图 2为本实验的BP神经网络拓扑图。隐含层与输出层传递函数分别采用常用的Sigmoid型可微函数Logsig、Tansig和线性传递函数Purelin,网络训练函数采用Levenberg-Marquardt的BP算法训练函数Trainlm,网络最大训练次数为1000次,学习速率为0.01,目标误差选取0.9×10-4与隐含层神经元个数进行组合训练网络。通过对隐含层神经元个数及目标误差的每个不同组合进行训练,得到预测值与实测值的相对误差,预测值与实测值相对误差越小,网络训练结果越好[11-16]。
利用Matlab的神经网络工具箱编程将数据划分为训练数据、验证数据和测试数据,当训练数据参与训练时,其他两部分不参与训练,用于验证。随着训练次数的不断增加,测试的误差将不断变小。图 3、图 4分别为降水和地震型滑距预测的训练、验证和测试的结果图。
利用上述BP神经网络算法,对降雨型滑坡进行迭代寻优计算,最优均方差出现的时间与值如图 5所示。从图 5可知,最优均方误差出现在第18次迭代,根据第18次迭代,得到40组降雨型滑坡数据的滑距预测。同理,对地震型滑坡进行迭代寻优计算,最优均方差出现的时间与值如图 6所示。从图 6可知,最优均方误差出现在第40次迭代,根据第40次迭代,得到24组降雨型滑坡数据的滑距预测。
该模型采用相对误差和平均相对误差评价模型精度,将滑坡信息带入BP神经网络模型,计算所得滑动距离与实际滑动距离进行比较,分析其相对误差(表 5)。对于地震诱发滑坡,BP神经网络模型最小相对误差为0.47%,最大相对误差为10.05%;对于降雨诱发滑坡,BP神经网络模型最小相对误差为0.19%,最大相对误差为8.95%。因此,采用此BP神经网络模型分别预测地震、降雨诱发滑坡滑动距离是合理的。
表 5. BP神经网络模型模型检验结果Table 5. BP neutral network model test results滑坡类型 序号 实测水平滑动距离/m 模型计算得滑动距离/m 误差 滑坡类型 序号 实测水平滑动距离/m 模型计算得滑动距离/m 误差 地震 1 601.1812 613.0617 1.98% 降雨 1 422.6054 419.8734 -0.65% 2 776.7570 783.4776 0.87% 2 522.1985 512.9397 -1.77% 3 675.6853 607.7622 -10.05% 3 204.6307 205.0255 0.19% 4 541.9784 545.0218 0.56% 4 280.4112 278.6681 -0.62% 5 638.5164 594.7821 -6.85% 5 318.2101 319.4857 0.40% 6 627.1131 577.6841 -7.88% 6 362.5568 365.213 0.73% 7 1132.0020 1034.372 -8.62% 7 182.6633 178.6214 -2.21% 8 790.7921 787.0566 -0.47% 8 293.9445 296.3856 0.83% 9 761.6214 733.1141 -3.74% 9 379.9835 413.9774 8.95% 10 669.9125 647.8153 -3.30% 10 254.1331 264.9736 4.27% 根据多元非线性回归方程模型和BP神经网络模型预测得到的预测滑动距离和实测的水平滑动距离的比较,笔者分别计算多元非线性回归方程模型和BP神经网络模型的平均相对误差并进行了比较,结果如表 6所示。
表 6. 平均相对误差Table 6. Average relative error滑坡类型 多元非线性回归模型 BP神经网络模型 地震 6.59% 4.43% 降雨 5.56% 2.06% 通过表 6可以看出,多元非线性回归模型和BP神经网络模型在预测滑坡的滑动距离方面都表现出不错的预测效果。但相对来说,BP神经网络的预测准确率稍高于多元非线性回归模型的预测准确度。
4. 结论
精确有效地预测出滑坡的滑动距离对于减轻滑坡造成的人员伤亡和财产损失是十分重要的,也是需要不断探索和研究的方向。本文提出了采用多元非线性回归和BP神经网络模型2种方法对滑坡距离进行预测;通过实验对相关数据进行拟合和预测,分别拟合预测了地震型滑坡和降雨型滑坡;对比多元非线性回归和BP神经网络2种模型的预测结果,可以得出,BP神经网络模型的预测相对于多元非线性回归模型来说误差较小。实验结果表明,2种方法都有较好的拟合效果和预测能力,均可用于滑坡滑距的预测。但由于数据本身原因,在非线性回归模型的最终拟合函数中只考虑了滑坡相对高差和滑坡面积2个因素。在接下来的工作中,随着数据的不断完善,会进一步验证算法的可行性。
-
图 4 阿索蛇绿岩中辉长岩锆石稀土元素蛛网图(a)及Y-U/Yb成因判别图解(b)(标准化数据据参考文献[23])
Figure 4.
表 1 阿索蛇绿岩中辉长岩(N17T49)LA-ICP-MS锆石U-Th-Pb同位素测定结果
Table 1. LA-ICP-MS U-Th-Pb analyses of zircons from samples of the gabbro (N17T49)
测点 Th U Th/U 同位素比值 年龄/Ma /10-6 207Pb/206Pb 1σ 207Pb/235U 1σ 206Pb/238U 1σ 207Pb/206Pb 1σ 207Pb/235U 1σ 206Pb/238U 1σ 01 539 418 1.29 0.0484 0.0019 0.1225 0.0049 0.0184 0.0002 116 69 117 4 117 1 02 853 480 1.78 0.0489 0.0020 0.1239 0.0051 0.0184 0.0002 141 74 119 5 118 1 03 1198 501 2.39 0.0485 0.0020 0.1236 0.0051 0.0185 0.0002 126 75 118 5 118 1 04 2338 1030 2.27 0.0484 0.0011 0.1238 0.0029 0.0186 0.0002 117 34 119 3 119 1 05 1059 566 1.87 0.0483 0.0018 0.1222 0.0044 0.0184 0.0002 113 63 117 4 117 1 06 1094 610 1.79 0.0483 0.0017 0.1226 0.0044 0.0184 0.0002 115 62 117 4 117 1 07 694 476 1.46 0.0486 0.0020 0.1229 0.0049 0.0184 0.0002 127 71 118 4 117 1 08 1254 663 1.89 0.0484 0.0015 0.1223 0.0039 0.0183 0.0002 118 54 117 3 117 1 09 1833 1012 1.81 0.0519 0.0014 0.1314 0.0034 0.0184 0.0002 280 39 125 3 117 1 10 459 339 1.36 0.0484 0.0028 0.1227 0.0071 0.0184 0.0002 120 105 118 6 117 2 11 193 175 1.11 0.0484 0.0053 0.1222 0.0134 0.0183 0.0003 116 216 117 12 117 2 12 2688 1338 2.01 0.0493 0.0012 0.1251 0.0029 0.0184 0.0002 163 34 120 3 118 1 13 587 369 1.59 0.0484 0.0028 0.1229 0.0070 0.0184 0.0002 117 105 118 6 118 1 14 909 660 1.38 0.0481 0.0018 0.1218 0.0044 0.0184 0.0002 105 63 117 4 117 1 15 1580 898 1.76 0.0481 0.0015 0.1223 0.0037 0.0185 0.0002 103 50 117 3 118 1 16 5112 2216 2.31 0.0485 0.0010 0.1231 0.0025 0.0184 0.0002 124 28 118 2 117 1 17 547 425 1.29 0.0481 0.0021 0.1220 0.0052 0.0184 0.0002 106 74 117 5 117 1 18 725 505 1.43 0.0480 0.0019 0.1219 0.0046 0.0184 0.0002 101 65 117 4 118 1 19 268 215 1.25 0.0484 0.0039 0.1223 0.0099 0.0183 0.0003 118 155 117 9 117 2 20 554 350 1.59 0.0484 0.0028 0.1234 0.0072 0.0185 0.0002 120 109 118 6 118 1 表 2 阿索蛇绿岩中辉长岩锆石LA-ICP-MS原位微量、稀土元素分析结果
Table 2. Trace element and REE compositions of zircons in gabbro of Asuo ophiolite as measured by LA-ICP-MS
10-6 测点 1 2 3 4 5 6 7 8 9 10 Y 9824.58 15398.54 9284.82 13990.57 2505.87 4887.58 10160.05 2489.12 11917.05 10087.65 Nb 11.93 9.84 16.44 22.98 2.18 3.48 25.66 3.03 5.51 4.55 La 0.07 0.22 0.19 0.22 0.08 0.09 0.08 0.09 0.14 0.11 Ce 102.37 89.69 188.13 217.35 13.49 31.39 157.27 24.85 52.64 65.38 Pr 1.15 1.57 2.29 2.86 0.1 0.47 0.86 1.2 1.06 0.95 Nd 23.62 27.26 43.59 54.08 2.13 7.99 17.99 21.48 20.26 14.92 Sm 52.98 62.87 89.86 105.72 7.57 18.48 42.88 42.01 46.96 31.86 Eu 7.82 8.53 4.1 9.05 1.93 3.37 3.24 5.78 7.28 2.44 Gd 244.9 319.24 349.58 455.08 44.08 92.62 216.77 141.55 252.4 165.98 Tb 91.16 126.21 117.68 155.89 18 36.38 82.77 41.4 97.74 69.5 Dy 1061.86 1552.21 1155.24 1653.81 231.12 436.56 969.5 359.45 1193.66 893.98 Ho 371.91 553.57 330.66 508.31 88.24 162.35 333.05 91.17 428 338.55 Er 1514.42 2346.45 1127.33 1942.02 380.98 701.92 1342.41 290.28 1761.05 1499.71 Tm 342.79 544.65 222.75 383.68 94.57 174.76 297.02 55.27 408.11 361.82 Yb 3622.39 5721.35 2042.4 3565.22 1072.46 1966.76 2936.81 539.69 4350.33 3865.13 δEu 0.06 0.12 0.1 0.1 0.1 0.1 0.1 0.12 0.06 0.11 δCe 56.64 25.29 16.94 40.12 43.22 26.39 29.79 28.67 73.89 23.76 ΣREE 4285.5 7383.11 9952.55 5299.71 4586.49 7703.84 4571.58 8155.72 7815.5 3906.64 测点 11 12 13 14 15 16 17 18 19 20 Y 4789.46 3430.63 8233.49 2376.99 6835.81 6508.85 7409.12 16039.71 4906.82 6664.45 Nb 4.9 3.57 4.26 1.06 2.41 9.1 2.22 38.5 3.46 5 La 0.07 0.05 0.08 0.13 0.11 0.08 0.07 0.07 0.06 0.08 Ce 40.07 17.11 30.68 17.38 20.43 36.02 20.88 198.47 23.85 16.81 Pr 0.22 0.13 0.61 0.19 0.55 0.21 0.29 1.12 0.2 0.27 Nd 4.91 2.63 10 2.64 10.53 5.13 6 24.05 4.38 6.28 Sm 14.29 7.9 23.7 6.44 26.45 18.01 18.05 69.65 13.71 19.7 Eu 2.52 1.48 3.68 2.02 6.59 3.1 4.97 8.57 3.38 4.72 Gd 88.92 49.8 132.45 34.24 135.1 99.67 120.52 372.88 83.45 122.18 Tb 35.07 21.38 56.45 14.9 51.89 44.08 49.37 151.28 34.96 48.79 Dy 431.21 291.45 726.01 193.87 654.44 580.47 668.43 1774.79 439.24 633.91 Ho 159.24 114.13 274.97 78.27 244.29 224.5 261.27 588.24 162.89 229.03 Er 711.7 518.44 1223.12 376.76 1064.44 980.44 1131.95 2081.1 683.41 910.85 Tm 171.53 131.61 303.98 99.19 265.48 237.61 264.44 410.32 155.33 205.34 Yb 1849.8 1514.91 3381.98 1202.84 2953.94 2537.51 2662.4 3740.38 1591.12 2041.04 ΔEu 0.11 0.1 0.12 0.07 0.08 0.06 0.06 0.07 0.1 0.14 ΔCe 25.99 119.94 19.44 70.28 95.39 230.11 56.84 39.58 26.32 18.37 ΕREE 2547.44 6461.63 6408.46 3093.19 6894.38 11864.59 4553.28 4967.05 2846.32 5474.27 -
[1] Zhu D C, Zhao Z D, Niu Y, et al. The Lhasa Terrane:Record of a microcontinent and its histories of drift and growth[J]. Earth & Planetary Science Letters, 2011, 301(1/2):241-255. http://d.old.wanfangdata.com.cn/NSTLQK/10.1016-j.epsl.2010.11.005/
[2] Zhu D C, Li S M, Cawood P A, et al. Assembly of the Lhasa and Qiangtang terranes in central Tibet by divergent double subduction[J]. Lithos, 2016, 245:7-17. doi: 10.1016/j.lithos.2015.06.023
[3] Zhu D C, Zhao Z D, Niu Y, et al. The origin and pre-Cenozoic evolution of the Tibetan Plateau[J]. Gondwana Research, 2013, 23(4):1429-1454. doi: 10.1016/j.gr.2012.02.002
[4] 徐梦婧.青藏高原狮泉河-永珠-嘉黎蛇绿混杂岩带的构造演化[D].吉林大学博士学位论文, 2014.
[5] Xu M, Li C, Zhang X, et al. Nature and evolution of the Neo-Tethys in central Tibet:synthesis of ophiolitic petrology, geochemistry, and geochronology[J]. International Geology Review, 2014, 56(9):1072-1096. doi: 10.1080/00206814.2014.919616
[6] 曹圣华, 罗小川, 唐峰林, 等.班公湖-怒江结合带南侧弧-盆系时空结构与演化特征[J].中国地质, 2004, 31(1):51-56. doi: 10.3969/j.issn.1000-3657.2004.01.007
[7] 王永胜, 曲永贵, 吕鹏, 等.西藏永珠蛇绿岩带地质特征[J].吉林地质, 2003, 22(2):1-14. doi: 10.3969/j.issn.1001-2427.2003.02.001
[8] 杨日红, 李才, 迟效国, 等.西藏永珠-纳木湖蛇绿岩地球化学特征及其构造环境初探[J].现代地质, 2003, 17(1):14-19. doi: 10.3969/j.issn.1000-8527.2003.01.003
[9] 和钟铧, 杨德明, 王天武.西藏嘉黎断裂带凯蒙蛇绿岩的年代学、地球化学特征及大地构造意义[J].岩石学报, 2006, 22(3):653-660. http://d.old.wanfangdata.com.cn/Periodical/ysxb98200603014
[10] 徐建鑫.西藏改则县拉果错蛇绿岩的构造属性[D].吉林大学硕士学位论文, 2015.
[11] 简平, 刘敦一, 张旗, 等.蛇绿岩及蛇绿岩中浅色岩的SHRIMP U-Pb测年[J].地学前缘, 2003, 10(4):439-456. doi: 10.3321/j.issn:1005-2321.2003.04.012
[12] 潘桂棠, 陈智樑, 李兴振, 等.东特提斯多弧-盆系统演化模式[J].岩相古地理, 1996(2):52-65. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK199600624367
[13] 李才, 黄小鹏, 翟庆国, 等.龙木错-双湖-吉塘板块缝合带与青藏高原冈瓦纳北界[J].地学前缘, 2006, 13(4):136-147. doi: 10.3321/j.issn:1005-2321.2006.04.011
[14] 潘桂棠, 莫宣学, 侯增谦, 等.冈底斯造山带的时空结构及演化[J].岩石学报, 2006, 22(3):521-533. http://d.old.wanfangdata.com.cn/Periodical/ysxb98200603001
[15] 谢国刚.西藏冈底斯-拉萨陆块中部构造格局及地质演化[D].中国地质大学(武汉)硕士学位论文, 2004.
[16] 唐峰林, 黄建村, 罗小川, 等.藏北阿索构造混杂岩的发现及其地质意义[J].东华理工大学学报(自然科学版), 2004, 27(3):245-250. doi: 10.3969/j.issn.1674-3504.2004.03.009
[17] 袁洪林, 吴福元, 高山, 等.东北地区新生代侵入体的锆石激光探针U-Pb年龄测定与稀土元素成分分析[J].科学通报, 2003, 48(14):1511-1520. doi: 10.3321/j.issn:0023-074X.2003.14.008
[18] 吴元保, 郑永飞.锆石成因矿物学研究及其对U-Pb年龄解释的制约[J].科学通报, 2004, 49(16):1589-1604. doi: 10.3321/j.issn:0023-074X.2004.16.002
[19] Belousova E, Griffin W, O'Reilly S Y, et al. Igneous zircon:trace element composition as an indicator of source rock type[J]. Contributions to Mineralogy & Petrology, 2002, 143(5):602-622. http://link.springer.com/10.1007/s00410-002-0364-7
[20] Hoskin P W O, Black L P. Metamorphic zircon formation by solid-state recrystallization of protolith igneous zircon[J]. Journal of Metamorphic Geology, 2000, 18(4):423-439. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=JJ026563309
[21] Grimes C B, John B E, Kelemen P B, et al. Trace element chemistry of zircons from oceanic crust:A method for distinguishing detrital zircon provenance[J]. Geology, 2007, 35(7):643-646. doi: 10.1130/G23603A.1
[22] Ludwig K R.User's manual for Isoplot 3.0:A Geochronological Toolkit for Microsoft Excel[M]. Berkeley Geochronogical Center Spec.Pub., 2003, 4:1-70.
[23] Sun S S, Mc Donoungh W F. Chemical and isotopic systematics of oceanic basalts: implications for mantle composition and processes[C]//Saunders A D, Noryy M J. Magmatism in the Ocean Basins. Geological Society London Special Publications, 1989, 42: 313-345.
[24] Zhang K J, Xia B, Zhang Y X, et al. Central Tibetan Meso-Tethyan oceanic plateau[J]. Lithos, 2014, s210/211:278-288. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0234761567/
[25] Yuan Y J, Yin Z X, Weiliang L, et al. Tectonic Evolution of the Meso-Tethys in the Western Segment of Bangonghu-Nujiang Suture Zone:Insights from Geochemistry and Geochronology of the Lagkor Tso Ophiolite[J]. Acta Geologica Sinica, 2015, 89(2):369-388. doi: 10.1111/1755-6724.12436
[26] Zhong Y, Xia B, Liu W L, et al. Geochronology, petrogenesis and tectonic implications of the Jurassic Namco-Renco ophiolites, Tibet[J]. International Geology Review, 2015, 57(4):508-528. doi: 10.1080/00206814.2015.1017776
[27] Zeng Y C, Xu J F, Chen J L, et al. Geochronological and geochemical constraints on the origin of the Yunzhug ophiolite in the Shiquanhe-Yunzhug-Namu Tso ophiolite belt, Lhasa Terrane, Tibetan Plateau[J]. Lithos, 2018, s300/301:250-260. https://www.sciencedirect.com/science/article/pii/S0024493717304103
[28] 郑有业, 许荣科, 马国桃, 等.锆石SHRIMP测年对狮泉河蛇绿岩形成和俯冲的时间约束[J].岩石学报, 2006, 22(4):895-904. http://d.old.wanfangdata.com.cn/Periodical/ysxb98200604013
[29] Xu M J, Li C, Xu W, et al. Petrology, Geochemistry and Geochronology of Gabbros from the Zhongcang Ophiolitic Mélange, Central Tibet:Implications for an Intra-Oceanic Subduction Zone within the Neo-Tethys Ocean[J]. Journal of Earth Science, 2014, 25(2):224-240. doi: 10.1007/s12583-014-0419-5
[30] 肖庆辉, 李廷栋, 潘桂棠, 等.识别洋陆转换的岩石学思路—洋内弧与初始俯冲的识别[J].中国地质, 2016, 43(3):721-737. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi201603003
期刊类型引用(8)
1. 唐鹏翔,杨能,张晓美. 基于多元非线性回归和BP神经网络的矿石加工质量预测和控制. 微型电脑应用. 2025(01): 43-48 . 百度学术
2. 林琴,郭永刚,吴升杰,臧烨祺,王国闻. 基于梯度提升的优化集成机器学习算法对滑坡易发性评价:以雅鲁藏布江与尼洋河两岸为例. 西北地质. 2024(01): 12-22 . 百度学术
3. 王本栋,李四全,许万忠,杨勇,李永云. 基于3种不同机器学习算法的滑坡易发性评价对比研究. 西北地质. 2024(01): 34-43 . 百度学术
4. 严天笑,张建通,朱月琴,刘浩然,朱浩濛. 增量学习在滑坡易发性评价中的应用——以甘肃省天水市为例. 地质通报. 2024(04): 630-640 . 本站查看
5. 周玲,郭州朋,类红磊,张延军,陈云娟. 基于BP神经网络的增强型地热系统产热性能:以伊通盆地花岗岩体热储层为例. 科学技术与工程. 2024(21): 8950-8961 . 百度学术
6. 许彬彬,张昊,李者,李光. 堤防安全的多因素预测模型及一体化管理平台探究. 水利规划与设计. 2024(11): 138-142 . 百度学术
7. 张磊,周银朋,庄宇,邢爱国,何君毅,张彦博. 贵州水城尖山营滑坡动力学特性分析与隐患点致灾范围预测. 中国地质灾害与防治学报. 2023(03): 1-7 . 百度学术
8. 吴宗琴,左双英,王露,李本云,刘晶. 层理灰岩酸性溶蚀损伤特性试验研究. 水文地质工程地质. 2023(06): 193-203 . 百度学术
其他类型引用(12)
-