《Applied Geochemistry》：Application of the stratigraphy-controlled geochemical data analysis in mineral prospective mapping in glaciated terrain
编辑推荐：
在地球化学矿产勘探中，冰碛物是揭示下伏基岩成分的理想介质，但其复杂地层学对矿体探测的影响尚未明晰。本研究针对芬兰拉普兰地区厚层冰碛物覆盖区，创新性地提出了固定深度间隔与统计方法两种地层学控制的分析策略。通过对比两种方法生成的金矿和岩浆矿床的模糊叠加预测图，研究发现，基于统计方法确定的特定深度区间（如Kittil?地区1.7-3.6 m，Akanvaara地区2.8-5.2 m）可显著优化预测结果，提高了冰川覆盖区矿产探测的可靠性。此项研究为利用历史地球化学数据进行精准矿产勘探提供了新思路。
地球资源的勘探犹如一场寻宝游戏，然而，在广袤的冰川覆盖区，厚厚的冰碛物沉积就像一层神秘的面纱，掩盖了地下的矿藏秘密。冰碛物是由冰川侵蚀、搬运和沉积形成的松散沉积物，是这些地区进行地球化学勘探的首选介质，因为它能反映下伏基岩的成分。然而，在经历多次冰期作用的地区，冰碛物覆盖层往往很厚，由多个代表不同冰期的冰碛单元叠加而成。这种复杂的地层结构对地球化学信号产生何种影响？如何从不同深度的样品中提取最能反映下伏矿化的有效信息？这些问题尚未得到充分研究，却对提高矿产勘探的效率和成功率至关重要。
为了揭开这层面纱，来自奥卢大学的研究团队在芬兰拉普兰地区展开了一项创新性研究。该地区冰川沉积物平均厚度达5.5米，局部可达数十米，是研究冰碛物地层学对地球化学信号影响的理想场所。研究人员利用芬兰地质调查局存档的高密度“靶向冰碛物地球化学数据集”，在Kittil?（靶向金矿）和Akanvaara（靶向岩浆矿床）两个子研究区，对比了两种分析冰碛物剖面的方法：一种是传统的固定深度间隔法（以1米为间隔划分层位），另一种是他们新提出的统计分析方法。后者通过检测选定元素（Si、Fe、Mg）含量随深度的变化，识别出元素平均值和/或方差发生显著变化的“变点”，进而通过聚类分析确定最优的冰碛物深度区间。基于这两种方法划分的不同深度区间的数据，研究人员分别生成了预测金矿和岩浆矿床的模糊叠加图，并采用接收者操作特征曲线和预测-面积图进行了验证。
这项研究发表在国际期刊《Applied Geochemistry》上。研究发现，统计方法能更有效地识别出与下伏矿化相关的地球化学信号所在的最佳深度区间。在Kittil?地区，探测金矿化的最优深度区间为1.7–3.6米；而在Akanvaara地区，探测岩浆矿床的最优深度为2.8–5.2米。与固定的1米间隔法相比，统计深度剖面法生成的预测图性能更优，能够圈定出更多的已知矿床，且所需靶区面积更小。这表明，考虑冰碛物地层学的统计分析方法，能显著增强冰川覆盖区矿产勘探的可靠性。
为开展此项研究，作者主要运用了以下关键技术方法：首先，对芬兰地质调查局的“靶向冰碛物地球化学数据集”进行了严格的数据预处理与归一化处理，使用了等距对数比转换和居中对数比转换进行成分数据分析，并开发了针对地图图幅间数据“调平”的R脚本。其次，应用模糊逻辑与GIS空间分析技术，基于元素组合（如金矿预测使用Cu、Ni、Co、Cr、Fe、Ca、Mg；岩浆矿预测使用Ni、Cu、Cr、Ti、V、Mn、Fe、Mg）生成元素模糊隶属度图，并通过布尔算子与伽马算子进行叠加，最终生成矿产预测图。最后，运用统计学的变点检测算法与k均值聚类，从地球化学数据本身识别出具有统计显著性的冰碛物深度分层区间。
研究结果：
5.1. 深度区间的划分
通过统计方法，在Kittil?地区识别出4个深度区间：0.4–1.0米、1.0–1.7米、1.7–3.6米和3.6–10.0米；在Akanvaara地区识别出：0.5–1.5米、1.5–2.8米、2.8–5.2米和5.2–9.5米。这些区间与已知的冰碛物地层学有良好对应。例如，Kittil?地区0.4–1.0米区间对应最年轻的冰碛层I，而1.0–1.7米区间则与冰碛层II的部分厚度吻合。
4.2. 区间预测图
- •
4.2.1. Kittil?地区的图件：分别基于固定间隔和统计区间生成的模糊预测图显示，两种方法在浅层（0-2米）的预测结果视觉上相似。然而，在统计方法确定的1.7–3.6米深度区间生成的图上，已知的Kittil?金矿及其他金矿点显示为更清晰的异常，且圈定了新的有前景的异常区（G-1至G-6）。
- •
4.2.2. Akanvaara地区的图件：所有预测图均在已知的Akanvaara V-Cr-PGE矿床上方显示出异常。统计方法确定的较深区间（2.8–5.2米和5.2–9.5米）的预测图，比其他图件能更显著地突出其他已知的Ni-Cu和铁矿床异常。
4.3. 区域冰碛物模糊叠加图
使用稀疏的区域地球化学数据集生成的预测图与使用密集靶向数据集的结果进行对比，结果显示后者能提供更精确的异常定位。
4.4. 研究区的ROC曲线
通过接收者操作特征曲线和曲线下面积验证表明，对于两个研究区，较深区间（如Kittil?的3-4米和3.6-10米区间，Akanvaara的3-4米区间）的预测图具有更高的AUC值，表明其预测性能优于较浅区间。
4.5. P-A曲线
预测-面积图分析进一步证实，统计方法确定的最优深度区间（Kittil?的1.7–3.6米和3.6–10.0米，Akanvaara的2.8–5.2米和3–4米）能够以更小的预测面积捕获更高比例的已知矿床，表现最优。
研究结论与讨论：
本研究成功地开发并验证了一种基于冰碛物地球化学数据的统计深度剖面方法。该方法能够客观地识别出冰碛物剖面中地球化学性质发生显著变化的层位，这些层位很可能对应于不同的冰碛单元。研究表明，下伏矿化的地球化学信号并非均匀分布于整个冰碛物剖面，而是集中在特定的深度区间内。在Kittil?地区，金矿化信号在1.7–3.6米深度区间最强；在Akanvaara地区，岩浆矿床的信号在2.8–5.2米深度区间最强。这可能是由于不同冰碛单元的物质来源、搬运距离和后期改造作用存在差异所致。
与传统的固定深度间隔法相比，这种数据驱动的统计方法能够生成更具预测性的矿产勘探图件。它不仅提高了已知矿床的圈定效率，还揭示了新的勘探靶区。这项研究的重要意义在于，它首次系统性地将冰碛物地层学的概念与高密度历史地球化学数据及先进的统计、空间分析技术相结合，为冰川覆盖区的矿产勘探提供了一种新的、更可靠的分析框架。该方法充分利用了现有的、可能未被充分利用的历史数据集，提升了其价值，有望降低勘探成本，提高在冰川地貌区寻找隐伏矿床的成功率。未来，该方法可进一步应用于其他冰川覆盖区，并整合更多地质、地球物理信息，以构建更综合的矿产预测模型。
