中国东北浅覆盖区地质填图物化探信息协同辅助技术

赵玉岩，李 兵，陆继龙，郝立波，赵 禹，王东明

1.吉林大学地球探测科学与技术学院，长春 130026 2.中国地质调查局西安地质调查中心，西安 710054 3.黑龙江省区域地质调查所，哈尔滨 150080

0 引言

我国幅员辽阔，景观类型多样。森林、草原、荒漠、沼泽等特殊地质地貌区占陆地面积的1/3以上。东北森林沼泽浅覆盖区是其中的一种主要类型，分布于大兴安岭、小兴安岭、长白山、张广才岭和完达山等地区，面积约700 000 km2[1]。该类地区由于植被覆盖严重，隐伏的岩体、地层、构造、矿化等无法直接进行观察研究(图1)，通常采用转石法、槽探法等进行地质填图工作。传统的工作方法在精度、效率及经济角度都存在一定问题，难以满足现代地质填图要求。目前，国家层面的地质填图工作重点已逐步转向特殊地质地貌区[2-3]，能够提高上述地区地质填图效率、精确度和准确度的方法技术将具有重要的应用价值。利用勘查技术方法(物探、化探和遥感)获得基岩的多种性质信息来辅助填图，是可行的解决方案。如，物探局部场信息可以反映近地表地质体的地球物理性质，而继承性较好的土壤则反映了基岩的地球化学特征。基于不同地质体物化探特征的差异，可以实现基岩岩性判别。

国内外学者基于不同勘查技术理论开展的辅助覆盖区填图的方法实验，可以概括为以下几个方面：1)从上覆土壤对基岩物质继承性的角度出发，以单元素或多元素背景值、特征元素组合的富集或贫化特征为依据，通过人工对比或采用多元统计分析的方法建立地球化学特征(元素组合特征)与地质体单元的对应关系，通过这些特征完成对整个研究区岩性分布的推断[4-10]。2)基于不同地质体存在物性特征差异的前提假设，通过建立重力、磁性或放射性等物性特征与基岩岩性的对应关系，实现岩性判断。其中，磁法由于广泛存在面积性数据，且采样点密集，研究程度相对深入，有如“多频段磁异常”、“单元特征”等对原始数据进行衍生后增加信息量的方法探讨[11-15]。3)遥感技术在识别覆盖区岩性中应用的主要前提是建立基岩岩性-土壤地球化学特征-生化成分-植物叶片成像光谱特征-遥感光谱和波段的关联关系，然后进行快速、大面积地划分。目前，遥感技术的传统优势仍在于构造的识别[16]。4)由于单方法可能存在的多解性，“综合方法技术”或“多源数据融合整合”近来成为受关注的手段。目前应用在辅助地质填图时多表现为在“决策层融合”，即先由被融合的各单方法分别解译出成果图件，再由专家根据经验结合地质判断，完成取舍，给出结论，尚不能实现在地质体单元划分时充分利用不同信息以降低多解性或相互印证[17]。

图1 大兴安岭地区森林沼泽浅覆盖区地貌Fig.1 Landform of area covered by forests and swamps at Great Khingan

上述各技术手段在实现岩性判别以辅助地质填图时，采用的根本思路多是分类(或识别)，即通过判别指标实现地质体单元的划分或识别。由于地质情况的复杂性，一个(套)指标在实现两三类地质体判别时拥有较高的准确度，而在实现较多地质体单元判别时准确度难以保证。选用多套指标是常用做法，这种做法可能在多元空间内造成信息冗余：假设地质体A和B在指标组合1上存在明显差别，地质体B和C在指标组合2上存在明显差别，地质体C和D在指标组合3上存在明显差别，……，如果把所有指标组合(指标组合1, 2, 3，…)都叠加起来组合成一套更大的指标体系，那么，多元空间信息的冗余会导致分类效果的迅速降低，如地质体A和B在指标组合1上的差别会被多元空间的其他维度拉近，从而降低分辨率甚至最终失去判别的意义。针对上述困难，本文提出协同利用物化探信息、多步判别、逐步聚类的解决方案，即从一个研究区所有地质体单元的宏观特点出发，每一步仅针对拟识别地质体单元的特点选择物化探特征参数进行判别分析，把确定的地质体单元(组)从整体统计数据中拆分开，逐步分级，细化分类，逐层逼近，从而实现有针对性的岩性划分，以达到提高精确度和准确度的目的。

关于物化探特征的联合使用，作者认为这2种信息的特征是地质体单元不同性质的表现，它们产生的机理存在根本差异，本文中将不讨论2类信息的对应关系而重点研究这2类信息的协同利用，使之在地质体识别中发挥各自的优势。

地质填图面积性工作的特点决定了用来辅助地质填图的勘查技术方法的数据应是面积性数据。很明显，区域化探数据满足上述要求，而且有公开的由“区域地球化学扫面计划”获得的覆盖全国的化探数据可供使用。常规物探方法包括重力、磁法、电法、地震和放射性等。其中，航磁数据覆盖面广、采样密度高，地质研究的重点区域和成矿区带也已基本覆盖。所以本文将探讨如何利用化探、航磁这2种数据的二次开发来辅助浅覆盖区地质填图，这从经济角度考虑也是很有价值的。

1 基本步骤

1∶25万区域化探数据的特点是分析指标多，有39个指标，但采样密度较低，2 km×2 km采一个样；1∶5万航磁测量数据的特点是采样密度较高，每平方公里约150个测量点，但每个测量点只有一个指标，即剩余磁异常(ΔZ)。为了将2种信息协同使用，需分步解决如下问题：1)物化探采样单元(统计单元)的统一；2)将统计单元内航磁数据转化为多个特征参数；3)统计单元内筛选化探指标并构建其特征参数；4)采用分类及判别的方法逐步实现地质体单元类型的判别。据此，可将本文数据处理的基本步骤总结为图2。下面将分别介绍物化探特征的构建方法和基于这些特征的地质单元逐步识别方法。

2 物化探特征的构建方法

2.1 统计单元的建立

已知航磁数据采样密度远大于化探数据，本文采用的方法是将化探单个采样点代表的区域面积设定为统计单元，航磁数据按此单元划分并分别统计计算。1∶25万比例尺的区域化探测量是每2 km×2 km测试1件样品，对应的面积内有约150个航磁数据ΔZ(1∶5万比例尺数据)。可以将研究区内物化探数据按照2 km×2 km方格划分为网格单元，每个单元内化探样品的位置作为新特征数据的坐标，每个单元内有39个化探指标和约150个航测数据，下一步分别将这些数据构建成特征参数，即在形式上实现了对研究对象的统一(图3)。

2.2 物探数据转化为特征参数

航磁方法的优势在于其具有穿透性，用于地质体识别时不受覆盖区景观条件的限制。由于组成矿物的差异，不同岩石会表现出不同的磁性特性。磁性特征表现在单点级别上是ΔZ数值的变化，宏观表现则是区域磁场特征的变化。地质体单元之间的特征差别是识别基岩类型的依据。从岩类的角度看：大多数沉积岩几乎不含铁磁矿物，它们通常具有最弱的磁性；岩浆岩从酸性到碱性，具有逐渐增多的铁磁性矿物含量，因而有逐渐增强的磁性；变质岩由于其母岩组成的原因而表现出较为复杂的磁性特征。岩石磁性特征主要受岩性和时代的控制。从地质体类型的角度看：多数情况下，古老的地台会表现出“无方向性的宽缓的正异常”的特征；褶皱区通常表现出“具有明显方向性的正负交替的条带异常”的特征；花岗岩地带是“中等或弱磁性”，其磁性与岩石的成岩年龄成反比；玄武岩地区是“以高值为特点的变化大的磁异常，有跳变异常”；沉积岩区表现为“稳定的弱异常”。因此，可以通过建立统计单元内带有地质意义的ΔZ统计参数来定量描述物探特征。

图2 物化探数据处理流程图Fig.2 Flow chart summarising the method of data processing

图3 单个统计单元内物化探数据转化为特征参数示意图Fig.3 Geochemical and geophysical data and parameters generated from them in one sampling unit

地质填图工作研究的是地表附近的地质体信息，而航磁信息反映从居里面至地表数十千米范围内的所有地质体的磁场叠加场，它们客观上也是不对应的。因此，需要先对航磁数据进行场分离处理，获得局部场数据以进行下一步研究。由于区域场为低频信号，局部场为高频信号，通过数学计算将局部场分离出来是可行的。目前，实现场分离的数学方法有很多，如解析延拓、匹配滤波、小波变换和切割法等[18-20]。其中切割法可以将距离较近磁性体单元的局部异常较好地分离开来，非常适用于岩性划分研究。因此，本文选用切割法[21]进行了区域场和局部场的分割。切割因子构建方法如下：

设切割半径为R，测量值为z=z(x,y)，Q为计算确定的区域场，则切割因子为

其中：

z(x,y+R)+z(x,y-R)]，

a=b+c，

Δzx=z(x+R,y)-z(x-R,y)，

Δzy=z(x,y+R)-z(x,y-R)。

在多次连续切割之后，当计算的区域场非常接近真实值时(小于设定的误差值)，就可以将它作为区域场(背景场)。从测量数据中减去该值可以获得局部场。然后，利用局部场分别对每个统计单元进行特征统计计算即可得到全区各单元的特征参数表。本文使用的航磁特征参数列于表1。

2.3 化探数据转化为特征参数

化探信息能够用于识别基岩类型的关键因素是研究区风化产物(土壤)与母岩(基岩)成分之间需具有明显的相关性。高寒气候导致东北森林沼泽浅覆盖区的风化作用以物理风化为主、化学风化为辅。该区土壤中含有相当多的残留造岩矿物，如长石、石英、黑云母等。元素组成因子分析结果[22]表明，土壤相对基岩造岩元素的组成没有明显变化，并且主要造岩元素的组合特征基本一致，证明了土壤对基岩组成的继承性。因此，在该类地区通过土壤组分来识别基岩类型是可行的。此外，土壤与其基岩之间的位移距离也是不容忽视的。土壤位移过大，会影响识别精度。研究结果[22]表明，在坡度小于25°的情况下，东北森林沼泽浅覆盖区内土壤相对于基岩的位移一般小于200 m(表2)，能够满足编制用于辅助填图的推断解释地质图的需要。明确了上述关系，就可以以土壤指向母岩，根据土壤的组成完成基岩的判别。

表1 航磁特征参数表

表2东北森林沼泽浅覆盖区土壤相对于基岩的位移统计

Table2SummarycharacteristicsofthedistancefromweatheringresiduetotheirbedrockatshallowoverburdenareainNortheastChina

注：据文献[22]。

构建化探特征参数的思路是，从化探数据二次利用的思路出发，基于区域化探39种指标来构建组合指标，组合指标应在不同岩性间存在较明显的差别。如：常见超基性岩石的酸度低，碱度低，但铁、镁含量高；碳酸盐岩酸度低，钙含量高；泥岩砂岩等则以硅铝含量高为特点。因此，地球化学特征指标应当包括岩石化学参数中常见的酸度、碱度、铝饱和度等，也可以包括稀土元素、微量元素组合、个别造岩元素等在不同岩性间有区别度的参数。本文构建的化探特征参数列于表3。

2.4 特征数据的标准化

依据表1和表3的描述，可以通过编程计算出研究区所有统计单元的物化探特征参数，并将所有参数构建到一个新数据表中，令参数为列、样品为行。但是，还不能直接将这个参数表用于判别分析；这是由于，不同参数数量级的差异可能造成权重不同，有的参数可能失效。因此，这些新参数需要进行标准化或正规化。本文研究中采用如下标准化方法：

Xij=(xij-xi)/Si。

式中：Xij是输出的标准化结果；xij是第i行和第j列中的数据；xi是第i列的平均值；Si是第i列的方差。

标准化之后的数据可用于样品的逐级分类研究。对于上述所有计算步骤的Matlab语言程序代码，读者可联系作者索取使用。样品分类计算可采用K均值聚类分析方法，该算法能指定分类数量，是一种高效、可伸缩的经典算法。本文采用Minitab 软件中的K均值聚类模块进行计算。

3 基于物化探特征的地质单元逐步识别

在给定的研究区，地质体的种类一般为十几类(或二十几类)左右，在这样较小的范围内，由于其地质作用背景基本相同，岩性识别是容易的。通过3个层次的分类，每层划分2～4类，就可以实现不超过30类岩性的划分。

第一层次的分类应当是岩浆岩、沉积岩和变质岩(以下简称三大岩)的分类。通常情况下，三大岩的区别表现在成分和物性等的各个角度，分类特征明显。在这一分类层次，首先应当结合研究背景推测研究区超基性岩存在的可能性，如果有，需要首先利用航磁特征和Mg、Fe含量识别出超基性岩。第二步，利用航磁特征和化探特征把三大岩类的数据分开，特征参数的选择需要根据研究区地质背景确定。也可以尝试基于航磁特征划分三大岩类，通过分类数据的重心距离和已知地质情况判断分类结果的正确性，如果结果正确则进行下一层次。即使不能正确地分为3类，通常也能识别出岩浆岩区域，可以采用化探特征进一步划分沉积岩和变质岩。

表3 化探特征参数表

完成上述第一层次的分类之后，可以得到岩浆岩、沉积岩和变质岩3类数据。对这3类数据分别进行进一步分类。1)关于岩浆岩数据的进一步分类。成分类似的侵入岩和喷出岩是无法通过化探特征区分的，而它们的磁性特征有较大差异。因此，可以考虑首先尝试用化探特征进行分类，如酸度、钙度、稀土等参数。再进一步观察每一子类的物探特征： 如果相似就不再分类；如果不同，则用物探特征进行第三层次的分类，区分出侵入岩和喷出岩，或产于不同时代的类似岩性。这样可以基本实现岩浆岩数据的分类。2)关于沉积岩数据的进一步分类。应当首先利用化探特征把碳酸盐岩和铝硅酸岩2类岩石分开，如选用参数X(CaO+MgO)和X(SiO2+Al2O3)，然后再进一步利用物探特征把铝硅酸岩数据分为陆源沉积岩、火山-沉积碎屑岩等2类数据。3)关于变质岩数据的进一步分类。当前研究针对面积较大的区域变质，区域地球化学数据在数据精度上无法实现其变质类型的研究。在区域变质作用过程中，岩石的主要造岩元素相对其母岩基本保持不变。由于已经把三大岩数据分别单独处理，也就避免了进一步分类时与其他2类岩石中成分相似岩类的混淆。所以，变质岩的进一步划分应当依据主要造岩元素的特征进行分类。

由于分类手段只是实现岩性识别的工具，任何阶段分类结果的正确性都需要研究人员结合已知地质情况分析判断其正确性，只有认为当前分类层次的结果合理了才能进行下一步的分类。由于地质情况的复杂性，不能把所有工作简单机械的委托计算机完成。这也是无法给出“逐步分类判别”标准步骤的根本原因。

在完成所有样品的分类之后，就可以制作研究区的地质体单元分类图。进一步工作是将各类转换为地质体单元名称。分类结果只代表某些样品属于同一类，要确定其代表的地质体类型，需要建立分类与地质体(或岩性)之间的对应关系。确定某类样品对应的地质体名称有如下几个途径：1)采用包括了该分类位置地质报告(前人研究资料)中的野外描述；2)结合该分类的物化探特征估计可能的地质体类型；3)下一步地质工作中，在交通方便利于施工的地方槽探观察。

通过上述工作获得的图件仅可称作推断解释图，是不能代替地质图的。在正式的野外工作开始之前获得该图件，可以参考其布置野外工作的重点和路线。如在不确定岩性地质体上易于工作的位置布置少量槽探坑探，面积较大、确定的地质体可以少安排野外路线工作，而把精力关注在岩性边界或特殊地质体位置。由于每个研究区的地质情况不同，规定出标准的分类步骤和参数是不科学的，实际工作中需要根据地质体的根本特点进行调整，如忽略不存在地质体类型的判别步骤。显然，参数选定和分类结果确认都需要较为熟悉该研究区地质背景的科研人员来完成。

4 实例分析

4.1 地质概况及数据分析

本文以黑龙江省大兴安岭某地区为研究区进行试验研究。该区位于大兴安岭火山岩带、上黑龙江盆地、北兴安地块和兴华地块的交界地带[22]，面积约为8 000 km2，主要地质体可分为古元古代岩浆岩、古生代花岗岩、中生代火山岩和沉积岩等，岩石类型包括正长花岗岩、花岗闪长岩、二长花岗岩、玄武岩、安山岩、英安岩、流纹岩、凝灰岩、砾岩、砂岩、泥岩等。该地区地质露头少，植被覆盖严重，是典型的森林沼泽浅覆盖区。研究区几乎完全被土壤和植被覆盖，相对高差小于200 m，腐殖质层和残余砾石层的厚度一般大于2 m(部分地区可达3 m)。由于覆盖影响严重，在国土资源大调查工作之前，该区的地质研究程度较低，当时的地质简图如图4所示。

1.第四系；2.中生代火山岩；3.中生代沉积岩；4.古生代花岗岩；5.古元古代岩浆岩；6.古元古代变质岩；7.中基性岩体；8.断裂；9.地名。图4 研究区地质简图Fig.4 Geological map of the study area

本文研究使用的区域地球化学数据来自区域化探全国扫面计划[23]。样品主要为在草层或腐殖质层下的土壤，样品数为1 973，采样密度为1点/(4 km2)。比例尺为1∶25万(图5)。每个样品分析39种指标，包括Ag、As、Au、B、Ba、Be、Bi、Cd、Co、Cr、Cu、F、Hg、La、Li、Mn、Mo、Nb、Ni、P、Pb、Sb、Sn、Sr、Th、Ti、V、W、Y、Zn、Zr、Al2O3、CaO、Fe2O3、K2O、MgO、Na2O、SiO2和Rb。样品分析测试严格，分析质量可靠[23]。

航磁数据是通过20世纪80年代由黑龙江省地质局物探大队实施的航磁数据调查项目获得的，比例尺为1∶5万[24]。航磁测量的线距为200 m，点据为5 m，飞行高度为120 m。研究区磁倾角为11°51′，磁偏角为69°23′，共使用209 740个数据点(图6)。统计结果表明，磁异常值的范围为-3 498～7 257 nT，中值为127 nT，平均值为157 nT，标准差为238，方差为56 851。

4.2 统计单元划分与特征参数提取

以研究区区域化探样品的采样密度为标准，设置单元网格，网格尺寸为2 km×2 km，每个网格内有1个化探样品的39个指标，以及约150个航磁ΔZ数据(图5)。根据表1和表3描述的特征建立方法，建立统一的特征参数统计表，其格式如表4所示(数据量太大，只举例列出)。

4.3 逐级分类

根据已有的地质资料分析，研究区内没有较大面积的基性-超基性岩出露，将不再尝试识别基性超基性岩。因此，样品第一层次分类的目标是将岩浆岩类与沉积岩等其他岩类样品分开。采用2种指标分别进行分类试验：一是采用磁异常众数、磁异常宽度、磁异常变化频率、磁异常峰度和磁异常偏度等地球物理特征指标进行分类；二是上述地球物理特征指标和酸度、铝含量、钙镁含量等几个地球化学特征指标联合进行分类。为了验证分类效果，将分类数分别设为2类、3类和4类。在所有分类结果中，位于研究区中部的一批样品总是被分为一类。据此，可以判断这类样品在物理性质和化学性质上与全区其他样品有明显区别，它们可以首先被确认出来。结合地质资料判断，这类样品应属于岩浆岩类。而其他样品在各种分类方案中，则难以发现类型稳定的趋势。因此，在当前分类参数下的沉积岩类或其他岩类无法被区分开，需要在下一步的研究中进行划分。所以，样品第一层次的分类结果是：能够明显将岩浆岩类和非岩浆岩类分开(图6)。在Excel表中将2类数据进行筛选、分别存入不同的数据文件，分别记为A和B。

针对上一步筛选产生的2类数据：岩浆岩类数据(A)和非岩浆岩类数据(B)，分别进行进一步分类。根据已知的地质资料(图4)，本区岩浆岩主要为古生代花岗岩和古元古代岩浆岩，这2类岩石在形成时代上有较大差异；因此，在数据A的进一步分类中将这2类样品分开。由于区内岩浆岩较为古老，磁异常变化频率和宽度的差异不太明显，而酸度等在相同岩石类型、不同岩相间的差异大于这两大类岩石之间的差异；故选择一些特征明显的参数用于分类研究，包括：磁异常众数、碱度、X(CaO)、X(B)、X(Be)、X(Ba)、X(Li)、X(V)、X(Ti)、X(Ni)、X(Cr)等。利用上述指标，采用K均值聚类分析方法，将岩浆岩类样品分为古元古代岩浆岩和古生代花岗岩2类(图7)，其分布都相对集中，也符合已知地质资料和地质常识。在Excel表中将2类数据进行筛选、分别存入不同的数据文件，分别记为A1和A2。非岩浆岩类数据(B)代表了区内的中生代火山岩类、中生代沉积岩类等地质体。考虑到区内火山岩和沉积岩的磁性特征差别不明显，而其化学组成差异较大，因此，选择用于分类的参数为磁异常众数和地球化学特征参数，包括：X(Al2O3)、X(CaO+MgO)、X(Al2O3+SiO2)和X(B)、X(Be)、X(Ba)、X(Li)、X(V)、X(Ti)、X(Ni)、X(Cr)等。利用上述指标，采用K均值聚类分析方法，将样品分为中生代沉积岩和中生代火山岩2类(图8)。在Excel表中将2类数据进行筛选、分别存入不同的数据文件，分别记为B1和B2。

在完成A1、A2、和B1、B2的数据准备之后，开始第三个层次的样品分类研究，这一部分包括对古元古代岩浆岩类(A1)、古生代花岗岩类(A2)、中生代沉积岩类(B1)和中生代火山岩类(B2)的进一步分类。

古元古代岩浆岩类(A1)的分类结果如图9所示。研究区古元古代岩浆岩以和花岗闪长岩为主，因此，在选择分类参数时，主要采用岩石化学参数及微量元素指标，包括酸度、碱度X(CaO)、X(Al2O3)

空白位置无数据。图5 研究区样品位置和单元划分Fig.5 Location of geochemical and geophysical samples and description of units

以及X(B)、X(Be)、X(Ba)、X(Li)、X(V)、X(Ti)、X(Ni)、X(Cr)等。

古生代花岗岩类(A2)的分类结果如图10所示。研究区古生代花岗岩发育面积较大，岩石类型以正长花岗岩和二长花岗岩为主，分布时代为奥陶纪和石炭纪。将样品同时划分2个时代和2种岩石类型需要4个维度，可能导致分类结果不确定性增加；因此，在这一步，仅将样品根据时代划分为奥陶纪花岗岩和石炭纪花岗岩类2类，划分依据采用地球物理特征参数。需要指出的是，在多次尝试分类过程中，图10中浅黄色的一类样品始终独立存在，结合地质知识判断，这类样品的位置是沉积岩(或火山岩)类和花岗岩类的边界位置，应为深部花岗岩类上覆沉积岩(或火山岩)的复合结构。因此，在本类细分研究时它们的磁性特征与沉积岩、火山岩和花岗岩类均不同。由于处于2类地质体的边界附近，风化的土壤也继承了边界附近2类地质体的特点而变得复杂。所以在图10中，以浅黄色标记的一类样品属于边界附近的特殊样品，这类样品在最终解译时应根据其接触的地层类型进行归类。

表4 研究区部分物化探特征数据

图7 岩浆岩类样品(A)分类图Fig.7 Sample classification of magmatic rocks

图8 非岩浆岩类样品(B)分类图Fig.8 Sample classification of non-magmatic rocks

图9 古元古代岩浆岩类(A1)分类图Fig.9 Sample classification of Early Proterozoic magmatic rocks (A1)

图10 古生代花岗岩类(A2)分类图Fig.10 Sample classification of Paleozoic granite (A2)

图11 中生代沉积岩类(B1)分类图Fig.11 Sample classification of Mesozoic sedimentary rocks (B1)

中生代沉积岩类(B1)的分类结果如图11所示。研究区中生代沉积岩主要为陆源沉积岩，其进一步分类的主要依据是碎屑组分的粒径，而沉积岩中某些微量元素的含量与沉积矿物粒径大小密切相关；因此，采用地球化学特征参数中的X(B)、X(Be)、X(Ba)、X(Li)、X(V)、X(Ti)、X(Ni)、X(Cr)等为指标对中生代沉积岩进行分类。分类结果中，深绿色方块标记的样品位置与区内已知的以泥岩、粉砂岩为主的地层位置完全吻合，以浅绿色方块标记的样品位置则与区内以砾岩、砂岩为主的地层位置吻合。

中生代火山岩类(B2)的分类结果如图12所示。研究区中生代火山岩主要为英安流纹岩(英安岩、流纹岩)系列和玄武粗安岩(玄武岩、粗安岩)系列两大类。这两大类的主要造岩元素比较接近且均为喷出岩，磁性特征的差别不明显。因此，选择其分类依据为X(Ba)、X(Li)、X(Ti)、碱度、X(CaO)、X(MgO+Fe2O3)等岩石化学参数。

图12 中生代火山岩类(B2)分类图Fig.12 Sample classification of Mesozoic volcanic rocks (B2)

至此，完成了A1、A2、B1、B2样品的进一步分类。但是，在古生代花岗岩(A2)的分类结果(图10)中仅完成了奥陶纪花岗岩和石炭纪花岗岩的时代划分，还需分别进一步分别进行岩石类型划分。将奥陶纪花岗岩类数据保存为A2-O，将石炭纪花岗岩类数据保存为A2-C，分别采用岩石化学参数及微量元素指标：酸度、碱度、X(CaO)、X(Al2O3)、X(B)、X(Be)、X(Ba)、X(Li)、X(V)、X(Ti)、X(Ni)、X(Cr)等进行分类。分类结果如图13、14所示：奥陶纪花岗岩分为奥陶纪正长花岗岩和奥陶纪二长花岗岩；石炭世花岗岩分为石炭纪正长花岗岩和石炭纪二长花岗岩。

图13 奥陶纪花岗岩类(A2-O)分类图Fig.13 Sample classification of Ordovician granite (A2-O)

图14 石炭纪花岗岩类(A2-C)分类图Fig.14 Sample classification of Carboniferous granite (A2-C)

将上述最终分类结果(图9、11、12、13、14)合并到一张图上，得到研究区样品最终分类图(图15)。根据各分类的可能地质体类型进行解译并进行标注，结果如图16所示。

4.4 效果分析

图例同图9—14。图15 研究区样品最终分类图Fig.15 Final sample classification of the study area

从解译图和已知地质信息对比分析来看：1)本文方法是有效的。本文地质体单元划分结果(图16)与已知地质信息(图4)的吻合度较高；且划分结果更详细，能为野外地质路线布置和解释提供较多信息。2)本文方法的分类结果是可靠的。第四系发育的位置基本位于岩性边界附近的薄弱地带，而岩性分类结果与之匹配，印证了分类结果的合理性。对A2类样品进行分类时，图10中浅黄色一类样品始终独立存在。这类样品的分布位置是沉积岩(或火山岩)类和花岗岩类的边界位置，应为深部花岗岩上覆沉积岩(或火山岩)的复合结构。根据物化探特征给出的分类结果与地质现象完全吻合。3)解译图精确度受地球化学样品采样密度的控制，与方法本身无关。本文作为方法验证的地球化学样品的采样密度为1点/(4 km2)，地质体单元解译的精度受限；如果地球化学信息采用的采样密度为8～12点/km2的比例尺为1∶5万的数据，地质体单元解译的精度将会大幅度提高。4)解译成果对于野外调查工作具有明确的指导意义。在类似的浅覆盖区开展填图工作时，建议可以先制作解译图件。野外路线布置时，可以根据分类情况有所侧重，如解译图中新识别出地质体与2类或多类性质相似地质体的边界位置；而对于面积较大、可信度较高的同一地质体内部可以较少安排工作，从而提高效率，节约成本。

5 结论

本文提出了采用逐级分类的思想、基于基岩磁性特征及其风化产物的物质成分特征信息对浅覆盖区基岩岩性进行分类识别的理论和方法，并以黑龙江某典型浅覆盖区的数据为例进行了方法验证，结果表明：

1)将区域物、化探数据通过变换，转化为可以共同使用的特征信息，2类特征指向同一研究单元，有利于降低物探或化探单一方法的多解性，提高地质研究结果的准确度。

2)协同使用物、化探信息，分层次有针对性地选用参数，实现采样单元逐级分类，并应用于浅覆盖区地质体识别中，能提高识别精确度，为这类地区的地质填图提供丰富的信息。

3)本文方法利用已有的区域化探和物探数据，通过数据的二次处理即可得到更多地质信息，经济成本较低，计算方法简单，数据处理效率高。

[1] 马晓阳. 我国东北森林沼泽浅覆盖区化探异常查证方法技术研究[D]. 北京: 中国地质大学(北京), 2006:1-3.

Ma Xiaoyang. Study on the Techniques and Methods for the Geochemical Anomaly Verification in Swamp-Forest Areas, Northeast China[D]. Beijing: China University of Geosciences (Beijing), 2006: 1-3.

[2] 周飞飞,杨健. 现代地质填图，走向特殊地质地貌区[N]. 中国国土资源报, 2016-01-26(6).

Zhou Feifei, Yang Jian. Modern Geological Mapping, Towards Special Geological Landform [N]. China Land and Resources News, 2016-01-26](6).

[3] 王涛,计文化,胡建民,等. 专题地质填图及有关问题讨论[J].地质通报,2016,35(5):633-641.

Wang Tao, Ji Wenhua, Hu Jianmin, et al. Geological Mapping for Special Issues and a Discussion on Related Topics [J]. Geological Bulletin of China, 2016, 35(5): 633-641.

[4] Green P M. Digital Image Processing of Integrated Geochemical and Geological Information[J]. Journal of the Geological Society of London, 1984, 141(5): 941-949.

[5] 郝立波,陆继龙,李龙. 区域化探数据在浅覆盖区地质填图中的应用方法研究[J]. 中国地质, 2007, 34(4): 710-715.

Hao Libo, Lu Jilong, Li Long. Method of Using Regional Geochemical Data in Geological Mapping in Shallow Overburden Areas[J]. Geology in China, 2007, 34(4): 710-715.

[6] 徐国志,徐锦鹏,段玲玲.化探资料在地质填图中的应用[J]. 物探与化探, 2015, 39(3): 450-455.

Xu Guozhi, Xu Jinpeng, Duan Lingling. The Application of Geochemical Data in Geological Mapping [J]. Geophysical and Geochemical Exploration, 2015, 39(3): 450-455.

[7] Kirkwood C, Everett P, Ferreira A, et al. Stream Sediment Ggeochemistry as a Tool for Enhancing Geological Understanding: An Overview of New Data from South West England[J]. Journal of Geochemical Exploration, 2016, 163: 28-40.

[8] 戴慧敏，金鑫，孙中任，等. 大比例尺地球化学方法在地质填图中的应用[J]. 地质与资源, 2015, 24(1): 33-38.

Dai Huimin, Jin Xin, Sun Zhongren, et al. The Application of Large Scale Geochemical Mapping Method[J]. Geology and Resources, 2015, 24(1): 33-38.

[9] 时艳香，郝立波，陆继龙，等. 因子分类法在黑龙江塔河地区地质填图中的应用[J]. 吉林大学学报(地球科学版)，2008, 38(5): 899-903.

Shi Yanxiang, Hao Libo, Lu Jilong, et al. Application of Factor Classification in Geological Mapping in Tahe Area, Heilongjiang Province[J]. Journal of Jilin University (Earth Science Edition), 2008, 38(5): 899-903.

[10] 翁仕明，汤正江，张雷. 用多元素背景值法进行地质单元划分[J]. 物探与化探, 2006, 30(1): 38-40.

Weng Shiming, Tang Zhengjiang, Zhang Lei. The Application of Multi-Element Background Value Method to the Division of Geological Units[J]. Geophysical and Geochemical Exploration, 2006, 30(1): 38-40.

[11] 刘菁华,王祝文. 地面综合物探方法在浅覆盖区地质填图单元的划分研究[J].中国地质, 2005, 32(1): 162-167.

Liu Jinghua, Wang Zhuwen. Division Scheme of the Geological Mapping Units in Shallow Cover Areas Based on Ground Integrated Geophysical Methods [J]. Geology in China, 2005, 32(1): 162-167.

[12] 赵玉岩,吴燕冈,郝立波,等. 利用航磁数据识别浅覆盖区地质体的方法研究[J]. 物探化探计算技术，2008, 30(2): 125-127.

Zhao Yuyan, Wu Yangang, Hao Libo, et al. A Study on Lithologic Identification in Shallow Cover Areas from Aeromagnetic[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2008, 30(2): 125-127.

[13] 孙中任，赵雪娟，贾立国，等. 地面高精度磁测数据在区域地质填图中应用研究[J]. 地质与资源, 2010, 19(2): 173-179.

Sun Zhongren, Zhao Xuejuan, Jia Liguo, et al. Application of Ground High-Precision Magnetic Measurement in Regional Geological Mapping [J]. Geology and Resources, 2010, 19(2): 173-179.

[14] 赖月荣,韩磊,杨树生. 高精度磁测在阿勒泰冰碛物覆盖区地质填图中的应用[J]. 物探与化探, 2014, 38(6): 1181-1185.

Lai Yuerong, Han Lei, Yang Shusheng. The Rffects of Applying High Precision Magnetic Survey to Geological Mapping in Altay Glacial till Covering Area[J]. Geophysical and Geochemical Exploration,2014,38(6):1181-1185.

[15] 祁光. 重力反演在立体地质填图中的应用[D]. 长春：吉林大学, 2009:15-22.

Qi Guang. Application of Gravity Inversion for Spatial Geological Mapping [D]. Changchun: Jilin University, 2009: 15-22.

[16] 马超飞,马建文,韩秀珍,等. 应用多元数据提取高植被覆盖地区岩性信息：以湖南黔阳地区为例[J]. 地质科学,2002, 37(3): 365-371.

Ma Chaofei, Ma Jianwen, Han Xiuzhen, et al. Extraction of Lithological Information Using Multi-Data in Densely Vegetated Area: An Example from Qianyang, Hunan[J]. Chinese Journal of Geology, 2002, 37(3): 365-371.

[17] 郭奎成,马江水,孙广瑞,等. 浅覆盖区多源数据融合整合的技术方法[J]. 地质通报，2008, 27(7): 1097-1102.

Guo Kuicheng, Ma Jiangshui, Sun Guangrui, et al. Multi- Source Data Integration Technique in Shallow Cover Areas[J]. Geological Bulletin of China, 2008, 27(7):1097-1102.

[18] 徐世哲,张研,文百红,等.切割法在路东地区磁异常解释中的应用[J]. 石油物探，2006,45(3):316-318.

Xu Shizhe, Zhang Yan, Wen Baihong, et al. The Application of Cutting Method to Interpretation of Magnetic Anomaly in Region of Ludong[J]. Geophysical Prospecting for Petroleum, 2006, 45(3): 316-318.

[19] El-Ata A S, EI-Khafeef A A, Ghoneimi A E, et al. Applications of Aeromagnetic Data to Detect the Basement Tectonics of Eastern Yemen Region[J]. Egyptian Journal of Petroleum, 2013, 22(2): 277-292.

[20] 尚世贵.小波变换在磁异常分离中的应用：以安徽庐枞矿集区小包庄铁矿床为例[J]. 物探与化探, 2014, 38(6): 1119-1123.

Shang Shigui. The Application of Wavelet Transform in the Separation of Magnetic Anomaly: A Case Study of the Lu-Zong Ore District Xiaobaozhuang Iron Deposit, Anhui Province[J]. Geophysical and Geochemical Exploration, 2014, 38(6): 1119-1123.

[21] 文百红,程方道. 用于划分磁异常的新方法：插值切割法[J]. 中南矿冶学院学报,1990, 21(3): 229-235.

Wen Baihong, Cheng Fangdao. A New Interpolating Cut Method for Identifying Regional and Local Fields of Magnetic Anomaly[J]. J Cent South Inst Min Metall, 1990, 21(3): 229-235.

[22] 赵玉岩. 区域地球物理地球化学数据在浅覆盖区地质填图中的应用[D]. 长春: 吉林大学, 2009:6-11.

Zhao Yuyan. Application of Regional Geophysical and Geochemical Data to Geological Survey in Shallow Overlay Area[D]. Changchun: Jilin University, 2009: 6-11

[23] Xie X, Mu X, Ren T. Geochemical Mapping in China[J]. Journal of Geochemical Exploration, 1990, 60: 99-113.

[24] 黑龙江省地矿局物探大队. 塔河县幅1/5万航磁编图[R]. 哈尔滨：黑龙江省地矿局物探大队，1980.

Geophysical Team of Geological and Mineral Bureau of Heilongjiang Province. Aeromagnetic Map of Tahe County at 1∶50 000-Scale[R]. Harbin: Geophysical Team of Geological and Mineral Bureau of Heilongjiang Province, 1980.