埃及努比亚盾区矿化A型花岗岩的成岩作用与地质动力学演化:多源遥感数据与地球化学约束分析

《Journal of Geochemical Exploration》:Integrated multisource remote sensing and geochemical constraints on the petrogenesis and geodynamic evolution of mineralized A-type granites in the Egyptian Nubian Shield

【字体: 大 中 小 】 时间:2026年08月13日 来源:Journal of Geochemical Exploration 4.6

编辑推荐:

  •通过整合Sentinel-1/2与PRISMA数据,成功绘制出了含矿过碱性花岗岩的分布图。•对雷达与光学数据叠加后应用机器学习(SVM)方法,分类准确率达到了98.13%。•地球化学分析表明,这些花岗岩属于板内A1型,其来源为类似OIB型的地幔物质。•构造裂隙带与钾质蚀变带与稀

  
  • •
    通过整合Sentinel-1/2与PRISMA数据,成功绘制出了含矿过碱性花岗岩的分布图。
  • •
    对雷达与光学数据叠加后应用机器学习(SVM)方法,分类准确率达到了98.13%。
  • •
    地球化学分析表明,这些花岗岩属于板内A1型,其来源为类似OIB型的地幔物质。
  • •
    构造裂隙带与钾质蚀变带与稀土元素、铌、锆等高场强元素的富集现象存在明显关联。
  • •
    通过模糊逻辑预测模型找到了具有高勘探潜力的目标区域,这一结果也得到了地球化学采样数据的验证。

引言

乌姆希巴尔地区属于阿拉伯-努比亚盾构造带中的新元古代地壳杂岩带(形成于约950–550百万年前)(图1a;Stern,2002;Sami等人,2017;Stern等人,2024)。该地区分布着一系列含稀有金属的花岗岩岩体,遍布埃及东部沙漠地带(见补充资料1)。与其它同类地区相比,这里的特点在于以过碱性A型岩浆活动为主,同时稀土元素以及锆、铪、铌、钽等高场强元素的含量极高,这些特征使得该地区成为寻找关键金属资源的极具战略价值的区域(例如Mohamed,1996;El Galy等人,2016)。
尽管早期研究已经对阿拉伯-努比亚盾构造带中A型花岗岩的岩浆类型、构造环境、成岩过程及地质动力背景有了较为深入的了解(例如El-Bialy和Omar,2015;Sami等人,2017、2023;Azer等人,2020;Abdel-Karim等人,2021、2026;El-Bialy等人,2025;Abo Khashaba,2022;Abo Khashaba等人,2023、2024、2026a;Khedr等人,2022、2023、2024;Abdelkader等人,2022、2024;Shebl等人,2023;Ali-Bik等人,2025;Osman等人,2026),但仍有若干问题尚未得到完全解决。这些问题包括:(i)在岩体尺度上,花岗岩的成岩过程、构造格局与蚀变历史之间是如何相互作用的;(ii)各个岩体在整個构造带中的分布情况如何,以及热液作用对其的影响程度究竟有多大;(iii)是哪些构造走廊决定了矿化作用的分布位置。如今,将现代遥感技术与传统野外地质调查方法相结合,为从多个空间尺度上解决这些问题提供了有效途径。
多光谱与高光谱遥感技术在区分不同岩性以及识别干旱地区的热液蚀变作用方面的应用价值早已得到充分证实(例如Hassan和Sadek,2017;Hassan等人,2022、2024;dos Reis Salles等人,2017;Abo Khashaba等人,2023、2024、2026a、2026b、2026c;Khedr等人,2022、2023、2024;Abdelkader等人,2022、2024;Shebl等人,2023;Ali-Bik等人,2025;Osman等人,2026)。通过将多光谱、SAR和高光谱观测数据整合到统一的工作流程中,可以生成高精度的地质图,为矿产勘探目标的确定提供直接依据。对于Sentinel-2多光谱影像而言,其10米的空间分辨率在区分干旱到半干旱环境中的不同岩性单元方面表现尤为出色(例如Ali-Bik等人,2022、2025;Abo Khashaba等人,2023;Khedr等人,2022、2023;Hassan和Sadek,2017;Hassan等人,2022;Gabr等人,2015;Abdelkader等人,2022、2024)。
将Sentinel-1的SAR后向散射数据与Sentinel-2的反射率数据结合使用,能够提供额外的信息支撑,从而不断提升岩性分类的准确性(例如Shebl等人,2021;Kumar等人,2021;Shayeganpour等人,2021)。支持向量机与随机森林这类监督学习算法,在自动识别干旱和半干旱环境中的复杂基底岩单元方面发挥了重要作用(例如Kumar等人,2021;Shebl等人,2021;Abo Khashaba等人,2024、2026a、2026b、2026c;Ali-Bik等人,2025;Osman等人,2026;Nagy等人,2026;Mishra等人,2026)。PRISMA高光谱影像的覆盖范围为400–2500纳米,采样间隔不超过12纳米,它可以通过识别岩石类型和蚀变矿物的特征吸收峰,弥补其他技术的不足,尤其是在那些多光谱系统难以区分的岩性相似的样本中,也能实现精准识别(例如Ali-Bik等人,2025;Shebl等人,2023;Abo Khashaba等人,2026a、2026b、2026c;Osman等人,2026)。
矿产勘探的首要任务就是找到具有较高经济价值的区域。模糊逻辑分析法非常适合用于评估矿产勘探潜力,因为它能够综合考虑岩性、蚀变作用以及构造特征等因素,而这些因素往往并没有明确的边界。在矿产勘探研究中,模糊逻辑分析已被广泛用于提升预测精度,减少决策过程中的主观性(例如Zhang和Zhou,2015;Kashani等人,2016;Abdelkareem和Al-Arifi,2021;Abubakar等人,2024;Mishra等人,2026;Osman等人,2026)。
本研究旨在解决三个具体的知识空白:首先,目前还缺乏一种利用现代多源遥感技术与机器学习方法,将岩浆岩性、热液蚀变带以及构造裂隙带有机结合起来的综合地质图。其次,目前还没有一个定量且具有明确空间信息的勘探潜力模型。第三,人们对乌姆希巴尔地区中原始岩浆分异作用与次生热液变质作用在集中高场强稀散元素与稀土元素方面的相对作用机制了解还不够深入。为了解决这些问题,本研究采取了以下措施:(1)结合Sentinel-2与Sentinel-1数据,运用SVM和RF分类器,生成高精度的岩性图;(2)利用PRISMA高光谱指数来划分不同的热液蚀变类型;(3)通过岩石学观察、EPMA矿物化学分析以及全岩地球化学分析,进一步明确这些花岗岩的成岩过程及所处的构造环境;(4)将所有数据整合到一个模糊逻辑勘探模型中,并通过地球化学数据与野外调查结果对该模型进行验证。预计这项研究将为阿拉伯-努比亚盾构造带北部地区的新稀有金属矿床勘探提供重要线索。

章节要点

多源遥感数据集

为开展此项研究,我们获取并预处理了三组遥感数据:(i)Sentinel-2 MSI Level-1C大气顶层反射率数据;(ii)2025年3月14日获取的PRISMA高光谱影像(产品编号:PRS_L2D_STD_20250314082551_20250314082555_0001);(iii)2017年4月25日以IW模式获取的Sentinel-1 SAR数据,该数据采用VV/VH双极化方式,像素间距为12.5米。所有影像数据都被重新投影到UTM 36N区(WGS84坐标系),并在同一网格上以亚像素精度进行配准。

地质背景

乌姆希巴尔岩体属于阿拉伯-努比亚盾构造带的一部分,这是分布于非洲东北部的一套重要的新元古代结晶基底岩(见图1a、b)。研究区域位于阿斯旺镇东南约60公里处,东经33°09′03″至33°21′12″之间,北纬23°39′08″至23°50′59″之间,面积约为460平方公里(见图1b)。该区域属于努比亚盾构造带内的泛非洲活动带,同时处于地质菱形结构中的碱性岩区的西北角。

基于机器学习技术的自动化岩性制图

本研究对比分析了随机森林与支持向量机这两种分类器在五种不同特征处理方法下的效果,这五种方法分别是去相关拉伸法、独立成分分析法、主成分分析法、最小噪声分数法,以及将S2与S1数据叠加后的处理方法(见图4、图5;表1;补充资料3)。训练数据的选取是基于Abdalla和El Afandy(2003)之前的地质填图成果以及人工进行的岩性分类结果。

过碱性花岗岩

过碱性花岗岩的粒度为粗粒到中粒,具有等晶质超溶体结构(见图8、图9a、b)。其主要矿物组成包括钾长石(60–65%)、钠长石(10–20%)和石英(25–30%),而黑云母和钠闪石(如arfvedsonite和riebeckite)则是其中的主要暗色矿物成分。含有稀土元素的副矿物有锆石、磷灰石、钙铝石以及萤石。钾长石多呈大型、近半自形至自形的柱状晶体,其表面常常存在明显的条纹结构。

矿物化学特征

选自乌姆希巴尔地区的部分样本的长石、闪石、绿泥石、辉石、铁钛氧化物、磷灰石以及金红石的电子探针分析数据分别总结在表2、表3、表4、表5以及补充资料4中。

乌姆希巴尔花岗岩的地球化学特征

来自乌姆希巴尔地区的20个样本的主要元素及部分微量元素浓度,以及稀土元素含量数据均列在表6和补充资料5中。这些岩石的硅含量变化较大,范围在64.3–78.8重量百分比之间,这一特征表明它们属于经过演化、成分差异较大的碱性岩浆系列。硅含量最高的样本(Z.46、Z.48、Z.52、EF46A)代表了岩浆演化的后期阶段,其中的暗色矿物成分含量显著降低。

借助机器学习技术提升岩性制图精度

研究人员将基于像素的分类算法——即SVM和RF分类器,分别应用于单独的Sentinel-2数据集以及S2与S1数据叠加后的多源数据集,以此绘制出乌姆希巴尔地区的精确岩性图(见图1b、图4、图5;表1;补充资料3)。混淆矩阵分析显示,随机森林与支持向量机在误差特征方面存在明显差异,尤其是在区分河谷沉积物与其它岩体类型时。通过应用去相关拉伸预处理方法,支持向量机将误分类为河谷沉积物的像素数量从随机森林方法处理时的365个降低到了更低水平。

结论

本研究通过整合先进的多源遥感技术、机器学习方法以及地球化学分析数据,深入研究了乌姆希巴尔岩体的成岩过程及其矿产勘探潜力。主要结论如下:
  • 1.
    通过结合使用Sentinel-1 SAR数据与Sentinel-2多光谱数据,并运用支持向量机分类器,实现了最准确的岩性区分,整体分类准确率达到了98.13%。这一结果充分证明了光学与雷达数据相结合的使用方式,其效果明显优于单独使用任一类型的数据。

CRediT作者贡献说明

Saif M. Abo Khashaba: 文章撰写——审稿与编辑、文章撰写——初稿撰写、可视化处理、结果验证、软件应用、方法设计、实地调查、定量分析、数据整理、研究构思。 Abdel-Aal Abdel-Karim: 文章撰写——审稿与编辑、文章撰写——初稿撰写、可视化处理、结果验证、项目管理工作、方法设计、实地调查。 Mokhles K. Azer: 文章撰写——审稿与编辑、文章撰写——初稿撰写、可视化处理、方法设计、定量分析、数据整理、研究构思。

利益冲突声明

所有作者声明,他们不存在任何可能影响本研究结果的已知财务利益关系或个人关系。
Saif M. Abo Khashaba|Abdel-Aal Abdel-Karim|Mokhles K. Azer|Mabrouk Sami
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号