岩石学报  2018, Vol. 34 Issue (2): 363-371   PDF    
鄂尔多斯盆地北缘地球化学大数据样本优选分析
曹梦雪1 , 路来君2 , 吕岩2 , 辛双2     
1. 吉林大学地球探测科学与技术学院, 长春 130021;
2. 吉林大学地球科学学院, 长春 130061
摘要:众所周知,地球化学数据携带有众多地质噪音,这些噪音严重影响地球化学数据信息的客观性与可靠性;对于地球化学大数据融合分析而言,确定样品的有效性及变量优选是滤除地质噪音、建立最优样本集合的必要性工作,因而在地球化学大数据处理分析前需首先进行大样本优选,从而更加客观、真实的揭示地球化学大数据信息及相关地质意义。本文以鄂尔多斯盆地北缘1:20万地球化学土壤测量数据为例,考虑元素之间的地球化学亲和力与组合匹配关系,建立非线性大样本优选模型。具体做法是基于优选后的样品矩阵,将39个元素变量分解成若干独立因子向量,将最优独立因子向量作为元素组合,其向量各分量作为元素变量的权重,依权重大小进行变量优选;优选后的样本集合可以作为该区地球化学数据分析与信息识别的有效地学信息集合,运用这种集合可以有效开展鄂尔多斯盆地外围铀地球化学分析,并为盆地铀资源预测奠定基础。
关键词: 地球化学大数据     样本优选     非线性元素亲和模型     鄂尔多斯盆地北缘    
Samples optimum analysis of geochemical big data in the northern margin of Ordos Basin
CAO MengXue1, LU LaiJun2, LV Yan2, XIN Shuang2     
1. College of Geoexploration Science and Technology, Jilin University, Changchun 130021, China;
2. College of Earth Sciences, Jilin University, Changchun 130061, China
Abstract: It is well known that geochemical data carry a large quantity of geological noise, which seriously affect their objectivities and reliabilities. For fusion analysis of geochemical big data, it is the necessity work to filter out geology noise and establish an optimal sample set by determining the effectiveness of the samples and optimizing of the variables. Thus, big sample optimization is needed to carry out before the geochemical data processing analysis, which will more objectively and truly reveal the geochemical data information and geological significance. A set of 1:200, 000 scale geochemical soil measurement data in the northern area of Ordos Basin has been taken as a case study, which considers geochemical affinity between the elements and combination match relationship, then establishes a nonlinear large sample optimization model. The specific approach is based on the sample matrix after optimizing, the 39 element variables has been decomposed into several independent factor vectors, and optimal independent factor vector has been used as the element combination. Each component of the vector has been used as the weights of element variables, then the variables have been selected according to the size of the weight. The samples set after optimizing could be used as the collection with effective geo-information of geochemical data analysis and information identification, and this set could be used effectively to carry out the uranium geochemical analysis for the periphery of Ordos Basin, and lays the foundation for uranium resource prediction in the basin.
Key words: Geochemical big data     Sample optimization     Nonlinear element affinity model     Northern margin of Ordos basin    

目前,大数据被各国认定为是“未来的新石油”,其中的大数据分析则是今后各学科和经济社会领域不可回避的重大课题(郭华东,2014Lake et al., 2015张旗和周永章,2017周永章等,2017)。本文主要涉及到地球化学大数据,它是指由大样本容量构成的对地观测元素数据集合,具有多元性、异构性、周期性及广延性特征(Berger,1993杨学祥,1996Alexander et al., 2011Michael and Miller, 2013路来君等,2012Kambatla et al., 2014Assunção et al., 2015Rajaraman,2016)。一般情况下,在地球化学原始数据中存在大量的无效值或伪值,这是形成地质噪音的主要来源,在一定程度上将严重影响地球化学相关信息的分析与识别(Davis,1973Agterberg,2014刘岳,2015)。

在地球化学大数据样本中,样品及变量各自数量多少对其大数据信息贡献度是有差异性的,大数据样本因其数量大及层次多,内部蕴含的地学信息丰富度通常优于小样本,但由于数量规模较大,必然携带众多地质噪音。因此,在进行地球化学数据分析与信息识别前必须进行样品与变量降噪,即所谓优选。本文在前人研究成果的基础上,按照改进性、普适性及优先性原则,给出大样本优选的非线性模型方法。

对于地球化学大数据样本优选,并非所有原始取样均可进入大样本集合,需根据研究目标以确定样本数量、取样间隔、变量参数选择、变量量纲及变量测试质量等若干指标,在大数据全面优选条件下,构建最佳样本空间,最终以大样本数据矩阵形式表达并用于计算分析。

鄂尔多斯大型沉积盆地地处华北克拉通北缘,为中国最稳定的构造单元之一,其浅部为叠加在华北克拉通基底上的一个稳定沉降、凹陷迁移、扭动明显的多旋回克拉通含油气盆地,具有复杂的构造及沉积演化历史,其天然气、煤层气、煤炭、石油等资源探明储量均居全国前列(Min et al., 2005邓军等,2005李新玉和鹿爱莉,2005Cheng and Zhang, 2014王毅等,2014)。此外,还含有水资源、地热、油页岩、褐铁矿等其他矿产资源(潘爱芳,2005杨伟利等,2010蔡煜琦等,2015)。有机矿产包括煤、油气、煤层气等,分布于盆地内部,无机矿产以铀矿为主,处于盆-山转换部位(邓军等,2005)。盆地北缘铀矿矿集区包括大营铀矿、纳岭沟铀矿、皂火壕铀矿、罕台庙铀矿等,已成为我国重要的铀矿产地(Tuo et al., 2007)。盆地北缘地球化学元素空间分布是揭示盆地铀源特征的直接地学信息(曾敏等,2011刘汉彬等,2012聂兰仕,2012李程,2015刘岳,2015)。盆地外围含铀母岩供铀能力与表生铀地球化学元素组合分析是砂岩型铀矿资源潜力评价的关键内容之一(刘埃平和钟子川,1999Yang et al., 2009柳益群等, 2009Chen et al., 2014)。而表生地球化学大数据融合分析的前提是建立最优样本集合,本文基于鄂尔多斯盆地北缘地区1:20万地球化学土壤测量大数据,建立大样本(样品及变量)优选模型,进行地球化学大数据样本的优选分析,作为后续区域地球化学大数据分析与信息识别的数据基础,为鄂尔多斯盆地外围铀地球化学分析及铀资源预测奠定基础。

1 地球化学大数据样本优选方法

地球化学原始数据存在大量的无效值或“高值”,这是形成地质噪音的主要源头,在一定程度上将影响地球化学相关信息的分析与识别,因此在进行地球化学大数据分析前首先需进行样本优选(样品及变量优选),其中样品优选又包括样品数据无效值与“高值”的剔除两部分。

1.1 样品优选方法

地球化学原始数据无论其分布形式如何,总存在某些单元上的个别数据偏离点群较远的情况,即某一点出现相对含量特高值,这种现象的出现可能是因为当时非自然或环境因素引起的“噪音”干扰,例如水资源污染,矿区矿石“干扰”等非自然形成的原因;这种“高值”实际上属于“伪值”。针对这种“高值”干扰的情况,计算前需要进行高值剔除。在高值剔除过程除需考虑将具有干扰的“高值”数据点剔除外,还需考虑不损失其他数据的关联信息,也就意味着剔除过程应遵守保留的样品点能够尽量客观地反映原始大数据的地球化学信息。本文所用的“高值”剔除标准与传统地球化学处理剔除不同:传统方法一般是对原始数据采用>X+3S迭代剔除,直至无“高值”点可剔除为止;而本文综合考虑所有待分析元素变量数据的X+3SX+3.5SX+5S和10X(X代表样本均值,S代表样本标准离差)等统计参数,并结合各元素变量数据的直方图及Q-Q点图来观察数据分布在各区间范围内的情况。

在地球化学原始数据获取过程中,每一样品均包含多变量参数,而无效值的剔除原则主要是确保每一样品点所包含的待分析变量均为有效值。如Ag元素变量在3312个样品中第10个样品测得无效值则需将第10个样品舍去。

1.2 变量优选方法

对于特定的数据矩阵,元素变量与变量之间亲和力构成了地球化学元素的动力学基础,我们认为这种亲和力与它们之间相关关系或匹配关系成正比,而与它们之间的差异或距离成反比,将变量之间的这种亲和力表达成下式:

(1)

其中,dij表示为距离,i, j=1, 2, …, m,对于度量距离,距离度量方法有很多种,常用方法主要有欧氏距离、闵氏距离、马氏距离,在应用时需根据地球化学大数据的实际结构进行方法的选择。

为优选变量,设D=(dij)m×mD为距离矩阵,对(1)式中的变量xj赋予变量权向量βj。为度量变量间亲和力,仿经典力学原理(万有引力定律),亲和力应与承载的两两样本乘积成正比,与两者距离平方成反比,可表达为如下:

(2)

而对于标准化数据而言,R=XX为相关矩阵,则(2)式可表达为

(3)

而对于样本实现而言,理想情形的F应取最大值,即max(F),则必有

(4)

这是一个分离变量型的非线性微分方程,整理为

(5)
(6)
(7)

这是一个广义特征值问题,于是可化为普通特征值问题。业已证明,m阶实对称矩阵必有m个非负特征值,可依次求取m个非负特征值λ1λ2≥…≥λm≥0,从而可获得m个对应的特征向量。

(8)

在这里,由于R的特征值λj对应特征向量之间的正交性,可知:βλj=(β1j, β2j, …, βmj)′,j=1, 2, …m之间相互独立,我们称βλj为独立因子,βλj是变量整体亲和性最大前提下提取的具有特定地质内容的变量组配关系集合,可依其中变量的权重大小,判定其为主矿化元素(权重最大的变量),其他则为辅。这种度量过程也可称为是在最大相关准则下的非线性度量。

根据定理,恰为R的最大特征值λ1,也是二次型F的最大值,则λ1的特征向量β=(β11, β12, …, β1m)′,即为所求变量的权重。最终可依变量权向量绝对值大小优选变量。

上述F还可有第二种形式,即将F中的分母二次型转换成全部样品变量间距离的平方和,则有

(9)

其中,有:

(10)

而对于样本实现而言,理想情形的F应取最大值,即max(F)。

2 研究区地质

研究区地理坐标为40°30′~41°00′N、108°30′~111°30′E,行政区划属包头市、呼和浩特市、伊克昭盟、巴彦淖尔盟和乌兰察布盟。研究区地处早前寒武变质老基底的华北克拉通北缘(图 1),横跨三个不同的构造单元:北部为阴山中生界板内造山带,主要由早前寒武变质岩系组成,是华北克拉通高级变质岩最发育区域之一;中部为河套中新生界断陷盆地,北邻阴山山脉,南接鄂尔多斯盆地北缘隆起带,为一狭长东西方向展布的断陷盆地;南部为鄂尔多斯盆地北缘隆起带,主要由古生界、中生界构成。区内断裂构造发育,见有近东西向、北西向及北东向三组,以前两组为主,后一组较少。出露地层有显生宙地层,包括古生代、中生代和新生代地层,具体可分为太古界(早前寒武)地层、中元古界渣尔泰山群、古生界、中生界和新生界地层等(图 2);区内前寒武纪变质地层十分发育。岩浆岩在区内发育程度中等,主要出露于北部,可划分为太古界变质深成岩、元古界岩浆岩、古-中生界岩浆岩和岩脉(Fan et al., 2003Jaireth et al., 2016Xu et al., 2016)。

图 1 华北克拉通北缘构造纲要图 Fig. 1 Structure outline map of northern margin of North China craton

图 2 鄂尔多斯盆地北缘地质图 1-中太古代变质深成侵入体:灰色片麻岩、紫苏花岗岩;2-古元古代石英闪长岩;3-泥盆纪辉石岩;4-中太古代集宁岩群、乌拉山岩群;5-新太古代色尔腾山岩群;6-二叠纪老窝铺组;7-闪长玢岩脉;8-震旦纪什那干群;9-花岗岩脉;10-石炭纪闪长岩、二叠纪正长岩;11-第四纪更新统黄土、冲洪积、湖积砂泥;12-中元古代花岗岩、石英闪长岩;13-中元古代闪长岩;14-第四纪中更新统;15-第四纪全新统湖积层;16-石炭纪石英闪长岩;17-二叠纪花岗岩;18-三叠纪花岗岩;19-侏罗纪花岗岩;20-侏罗纪正长斑岩;21-中元古代查尔泰山群;22-寒武纪色麻沟组、老孤山组并层;23-奥陶纪山黑拉组、二哈公组、乌兰胡洞组;24-石炭纪栓马桩组;25-二叠纪杂怀沟组、石叶湾组、脑包沟组;26-二叠纪脑包沟组;27-侏罗纪石拐群、五当沟组;28-侏罗纪长汉沟组、大青山组;29-白垩纪金家窑子组、李三沟组;30-第四纪全新统冲洪积层;31-第四纪全新统风积;32-第四系水体;33-实测整合岩层界线;34-推测整合岩层界线;35-角度不整合界线;36-性质不明断层;37-实测逆断层;38-实测正断层;39-实测逆冲推覆断层 Fig. 2 Geological map of northern margin of Ordos Basin 1-Mesoarchaean metamorphic plutonic intrusive: grey gneiss, charnockite; 2-Paleoproterozoic quartz diorite; 3-Devonian pyroxenite; 4-Mesoarchaean Jining rock group and Wulashan rock group; 5-Neoarchean Sertengshan rock group; 6-Permian Laowopu Formation; 7-diorite porphyrite dyke; 8-Sinian Shinagan Group; 9-granitic vein; 10-Carboniferous diorite and Permian syenite; 11-Quaternary Pleistocene loess, flood alluvial soil and lake sediments; 12-Mesoproterozoic granite and quartz diorite; 13-Mesoproterozoic diorite; 4-Quaternary Middle Pleistocene; 15-Quaternary Holocene lake sediments; 16-Carboniferous quartz diorite; 17-Permian granite; 18-Triassic granite; 19-Jurassic granite; 20-Jurassic orthophyre; 21-Mesoproterozoic Zhaertaishan Group; 22-Cambrian Semagou Formation; 23-Ordovician Shanheila, Erhagong Formation and Wulanhudong formations; 24-Carboniferous Shuanmazhuang Formation; 25-Permian Zahuaigou, Shiyewan and Naobaogou formations; 26-Permian Naobaogou Formation; 27-Jurassic Shiguai Group and Wudanggou Formation; 28-Jurassic Changhangou and Daqingshan formations; 29-Cretaceous Jinjiayaozi and Lisangou formations; 30-Quaternary Holocene flood alluvial soil; 31-Quaternary Holocene aeolian accumulation; 32-Quaternary water; 33-Measurement conformity lithostratigraphic boundary; 34-inference conformity lithostratigraphic boundary; 35-angle unconformity boundary; 36-uncertainty fault; 37-measurement reverse fault; 38-measurement normal fault; 39-measurement overthrust ault
3 地球化学大数据样本优选分析

本文地球化学数据来源于国家重点基础研究发展规划“基于大数据的铀资源潜力评价”课题,采用的是鄂尔多斯盆地北缘40°30′00″~41°00′00″N、108°30′00″~111°30′00″E区域内的1:20万地球化学土壤测量数据,取样位置如图 3。区域内共采集到3312个样品,每个样品测得39个元素变量。

图 3 地球化学土壤测量数据取样位置 Fig. 3 Sampling location map of geochemical soil measurement data

首先,对区域内地球化学数据3312个原始样品进行无效值的剔除,以保证每一样品点所包含的39个元素变量值均为有效值。具体做法是:首先,将39个变量中存在无效值的样品进行剔除,再选取均包含39个变量的样品作为有效样品,对不满足条件的样品进行二次剔除,通过两次剔除,最终获得3296个有效样品数据,具体统计参数如表 1;保留数据的样品位置如图 4

表 1 地球化学数据无效值剔除统计参数 Table 1 Statistical parameters of primary and valid sample numbers after rejection of the geochemical data

图 4 地球化学土壤测量3296个有效样品数据取样位置图 Fig. 4 Sampling location map of 3296 valid samples of geochemical soil measurement data

针对于“高值”的剔除,本文综合考虑39个元素变量数据的多个统计参数(见表 2),并结合各元素变量数据的直方图及Q-Q点图来观察数据分布在各区间范围内的情况,以39个变量中的U(铀)元素为例,结果见表 3图 5图 6,最终得到剔除高值后的3293个样品,保留数据的样品位置如图 7

表 2 鄂尔多斯盆地北缘39个地球化学元素变量数据统计参数 Table 2 Statistical parameters of 39 geochemical element variables data in northern margin of Ordos Basin

表 3 地球化学U元素变量数据统计参数 Table 3 Statistical parameters of variable data of element U in northern margin of Ordos Basin

图 5 地球化学U元素变量剔除高值前直方图及Q-Q分布图 Fig. 5 Histogram and Q-Q distribution map of variable U in the soil geochemical data before rejecting high values

图 6 地球化学U元素变量剔除高值后直方图及Q-Q分布图 Fig. 6 Histogram and Q-Q distribution map of variable U in the soil geochemical data after rejecting high values

图 7 地球化学土壤测量3293个保留样品数据取样位置图 Fig. 7 Sampling location map of 3293 reserved samples of geochemical soil measurement data

图 5图 6展示了研究区内U元素含量分布图,通过图 5图 6的显示及表 3统计可知,U元素原始数据所体现的含量变化较大,在U元素变量数据中均存在具有干扰影响的“高值”数据点。为了不影响同一变量在其他样品上的数据功能,需对此类干扰数据点进行剔除。从剔除后的样品数据直方图分布及Q-Q分布图(图 6)可以看出,“高值”的干扰影响被大大削弱,这时保留下来的样本数据可以更好的反映原始地球化学元素间的关联信息。

4 结论与建议

本文基于鄂尔多斯盆地北缘地区1:20万地球化学土壤测量数据,建立大样本(样品及变量)优选模型,进行地球化学大数据的优选分析,作为后续区域地球化学大数据分析与信息识别的数据基础。取得的主要研究结论有:

(1) 在地球化学大数据处理分析前必须对原始数据进行降噪,即大样本优选,使之建立最优样本计算集合,从而可更加客观、真实的揭示地球化学大数据自然属性及相关地学信息;

(2) 地球化学样品优选需首先进行无效值与“高值”剔除,为了不影响同一变量在其他样品上的数据功能,需对此类干扰数据点进行剔除,这样原始大数据的干扰影响被大大削弱,保留下来的样本数据可以更好的反映原始地球化学大数据间关联信息;

(3) 本文所建立的地球化学元素变量优选模型属于非线性模型,不仅考虑了地球化学元素的亲和力联系,而且充分考虑了元素间的组合匹配关系,将众多元素变量分解成若干独立因子;选取最大相关独立因子作为变量优选的依据;

(4) 鄂尔多斯盆地北缘的地球化学大数据优选后的样本集合可以作为该区地球化学数据分析与信息识别的有效地学信息集合,运用这种集合可以有效开展鄂尔多斯盆地外围铀地球化学分析,并为盆地铀资源预测奠定基础。

参考文献
Agterberg F. 2014. Geomathematics:Theoretical Foundations, Applications and Future Developments. Cham: Springer: 553.
Alexander FJ, Hoisie A and Szalay A. 2011. Big data. Computing in Science & Engineering, 13(6): 10-13.
Assunção MD, Calheiros RN, Bianchi SC, Netto MAS and Buyya R. 2015. Big Data computing and clouds:Trends and future directions. Journal of Parallel and Distributed Computing, 79-80: 3-15. DOI:10.1016/j.jpdc.2014.08.003
Berger A. 1993. The stability of astronomical period in the paleoclimate study of Geological period. In: Wu ZY (trans. ). Progress in Geophysics, 8(3): 149-158 (in Chinese)
Cai YQ, Zhang JD, Li ZY, Guo QY, Song JY, Fan HH, Liu WS, Qi FC and Zhang ML. 2015. Outline of uranium resources characteristics and metallogenetic regularity in China. Acta Geologica Sinica, 89(6): 1051-1069.
Chen L, Li YF, Tan KX, Hu Y, Xie YS, Huang W and Wang ZQ. 2014. Chemical speciations of uranium of a sandstone uranium deposit and their effects to in situ leaching, Northwest China. Advanced Materials Research, 953-954: 597-600. DOI:10.4028/www.scientific.net/AMR.953-954
Cheng X and Zhang M. 2014. Geochemical characteristics of Lower Permian coal-measure source rocks in Northeast Ordos Basin. Chinese Journal of Geochemistry, 33(4): 411-418. DOI:10.1007/s11631-014-0706-y
Davis JC. 1973. Statistics and Data Analysis in Geology. London, New York: John Wiley and Sons: 1-492.
Deng J, Wang QF, Gao BF, Huang DH, Yang LQ, Xu H and Zhou YH. 2005. Evolution of Ordos Basin and its distribution of various energy resources. Geoscience, 19(4): 538-545.
Fan JX, Ma J and Gan WJ. 2003. Movement of Ordos block and alternation of activity along its boundaries. Science in China (Series D), 46(2): 168-180. DOI:10.1360/03ye9018
Guo HD. 2014. Big data, big science, big discovery:Review of CODATA workshop on big data for international scientific programmes. Bulletin of Chinese Academy of Sciences, 29(4): 500-506.
Jaireth S, Roach IC, Bastrakov E and Liu SF. 2016. Basin-related uranium mineral systems in Australia:A review of critical features. Ore Geology Reviews, 76: 360-394. DOI:10.1016/j.oregeorev.2015.08.006
Kambatla K, Kollias G, Kumar V and Grama A. 2014. Trends in big data analytics. Journal of Parallel and Distributed Computing, 74(7): 2561-2573. DOI:10.1016/j.jpdc.2014.01.003
Lake BM, Salakhutdinov R and Tenenbaum JB. 2015. Human-level concept learning through probabilistic program induction. Science, 350(6266): 1332-1338. DOI:10.1126/science.aab3050
Li C. 2015. Based on cloud model of 3D primary halos geochemical studies spatial distribution. Master Degree Thesis. Chengdu:Chengdu University of Technology: 1-58.
Li XY and Lu AL. 2005. Discussion on comprehensive exploration and utilization of energy in Ordos Basin. Natural Resource Economics of China, 18(2): 10-12, 46.
Liu AP and Zhong ZC. 1999. Geochemical characteristics of uranium and the application to oil & gas exploration. Acta Petrolei Sinica, 20(6): 32-37, 106.
Liu HB, Li ZY, Qin MK, Sun Y, Han J, Jin GS and Li JJ. 2012. Progress in geochemistry of sandstone-type uranium deposit in North Ordos Basin. Earth Science Frontiers, 19(3): 139-146.
Liu Y. 2015. The study of regional geochemistry data analysis and metallogenic information fusion models-take the Nanling Metallogenic Belt as an example. Ph. D. Dissertation. Wuhan: China University of Geosciences, 1-123 (in Chinese with English summary)
Liu YQ, Li JH, Feng Q, Chen FZ, Xing XJ and Fan AP. 2009. Diagenesis with its responsivity of ore-forming on Triassic and Jurassic in Ordos basin. Acta Petrologica Sinica, 25(10): 2331-2339.
Lu LJ, Zhang JT, Chen GQ, Cao MX and Yang C. 2012. Preliminary study of geological space triple divided theory. Journal of Jilin University (Earth Science Edition), 42(Suppl.3): 279-284.
Michael K and Miller KW. 2013. Big Data: New opportunities and new challenges[Guest editors' introduction]. Computer, 46(6): 22-24
Min MZ, Xu HF, Chen J and Fayek M. 2005. Evidence of uranium biomineralization in sandstone-hosted roll-front uranium deposits, northwestern China. Ore Geology Reviews, 26(3-4): 198-206. DOI:10.1016/j.oregeorev.2004.10.003
Nie LS. 2012. Elemental abundances and distribution in China, Europe and North America continents. Ph. D. Dissertation. Beijing: China University of Geosciences, 1-166 (in Chinese with English summary)
Pan AF. 2005. Some geochemical studies related to energy minerals in Ordos Basin. Ph. D. Dissertation. Xi'an: Northwest University, 1-175 (in Chinese)
Rajaraman V. 2016. Big data analytics. Resonance, 21(8): 695-716. DOI:10.1007/s12045-016-0376-7
Tuo JC, Ma WY, Zhang MF and Wang XB. 2007. Organic geochemistry of the Dongsheng sedimentary uranium ore deposits, China. Applied Geochemistry, 22(9): 1949-1969. DOI:10.1016/j.apgeochem.2007.03.060
Wang Y, Yang WL, Deng J, Wu BL, Li ZY and Wang MZ. 2014. Accumulation system of cohabitating multi-energy minerals and their comprehensive exploration in sedimentary basin:A case study of Ordos Basin, NW China. Acta Geologica Sinica, 88(5): 815-824.
Xu DY, Song AL, Tong HF, Ren HY, Hu YF and Shao QQ. 2016. A spatial system dynamic model for regional desertification simulation:A case study of Ordos, China. Environmental Modelling & Software, 83: 179-192.
Yang WL, Wang Y, Wang CG and Sun YP. 2010. Distribution and co-exploration of multiple energy minerals in Ordos Basin. Acta Geologica Sinica, 84(4): 579-586.
Yang XX. 1996. Geological cycles and astronomical periods. Seismological Research of Northeast China, 12(2): 24-30.
Yang XY, Ling MX, Sun WD, Luo XD, Lai XD, Liu CY, Miao JY and Sun W. 2009. The genesis of sandstone-type uranium deposits in the Ordos Basin, NW China:Constraints provided by fluid inclusions and stable isotopes. International Geology Review, 51: 422-455. DOI:10.1080/00206810902757339
Zeng M, Peng HX and Liu FM. 2011. Application of geochemical elements distribution characteristics in prospecting:A case for Jinkeng gold mine in Suichuan, Jiangxi. Nonferrous Metals, 63(2): 225-229.
Zhang Q and Zhou YZ. 2017. Big data will lead to a profound revolution in the field of geological science. Chinese Journal of Geology, 52(3): 637-648.
Zhou YZ, Li PX, Wang SG, Xiao F, Li JZ and Gao L. 2017. Research progress on big data and intelligent modelling of mineral deposits. Bulletin of Mineralogy, Petrology and Geochemistry, 36(2): 327-331, 344.
Berger A. 1993. 地质时期古气候研究中的天文周期的稳定性. 见: 吴智勇译. 地球物理学进展, 8(3): 149-158
蔡煜琦, 张金带, 李子颖, 郭庆银, 宋继叶, 范洪海, 刘武生, 漆富成, 张明林. 2015. 中国铀矿资源特征及成矿规律概要. 地质学报, 89(6): 1051-1069.
邓军, 王庆飞, 高帮飞, 黄定华, 杨立强, 徐浩, 周应华. 2005. 鄂尔多斯盆地演化与多种能源矿产分布. 现代地质, 19(4): 538-545.
郭华东. 2014. 大数据、大科学、大发现——大数据与科学发现国际研讨会综述. 中国科学院院刊, 29(4): 500-506.
李程. 2015. 基于云模型的三维原生晕地球化学空间分布研究. 硕士学位论文. 成都: 成都理工大学, 1-58
李新玉, 鹿爱莉. 2005. 鄂尔多斯盆地能源的综合开发利用. 中国国土资源经济, 18(2): 10-12, 46.
刘埃平, 钟子川. 1999. 铀的地球化学特征及其在油气勘探中的应用. 石油学报, 20(6): 32-37, 106. DOI:10.7623/syxb199906006
刘汉彬, 李子颖, 秦明宽, 孙晔, 韩娟, 金贵善, 李军杰. 2012. 鄂尔多斯盆地北部砂岩型铀矿地球化学研究进展. 地学前缘, 19(3): 139-146.
刘岳. 2015. 区域地球化学数据分析及成矿信息融合模型研究——以南岭成矿带为例. 博士学位论文. 武汉: 中国地质大学, 1-123
柳益群, 李继红, 冯乔, 陈法正, 邢秀娟, 樊爱萍. 2009. 鄂尔多斯盆地三叠-侏罗系的成岩作用及其成藏成矿响应. 岩石学报, 25(10): 2331-2339.
路来君, 张嘉桐, 陈国强, 曹梦雪, 杨晨. 2012. 地质空间三重划分理论初探. 吉林大学学报(地球科学版), 42.
聂兰仕. 2012. 中国、欧洲与北美大陆地球化学元素分布特征及对比研究. 博士学位论文. 北京: 中国地质大学, 1-166
潘爱芳. 2005. 鄂尔多斯盆地与能源矿产有关的一些地球化学研究. 博士学位论文. 西安: 西北大学, 1-175
王毅, 杨伟利, 邓军, 吴柏林, 李子颖, 王明镇. 2014. 多种能源矿产同盆共存富集成矿(藏)体系与协同勘探——以鄂尔多斯盆地为例. 地质学报, 88(5): 815-824.
杨伟利, 王毅, 王传刚, 孙宜朴. 2010. 鄂尔多斯盆地多种能源矿产分布特征与协同勘探. 地质学报, 84(4): 579-586.
杨学祥. 1996. 地质旋回与天文周期. 东北地震研究, 12(2): 24-30.
曾敏, 彭红霞, 刘凤梅. 2011. 地球化学元素分布特征分析在找矿中的应用——以江西省遂川县金坑金矿为例. 有色金属, 63(2): 225-229.
张旗, 周永章. 2017. 大数据正在引发地球科学领域一场深刻的革命——《地质科学》2017年大数据专题代序. 地质科学, 52(3): 637-648. DOI:10.12017/dzkx.2017.041
周永章, 黎培兴, 王树功, 肖凡, 李景哲, 高乐. 2017. 矿床大数据及智能矿床模型研究背景与进展. 矿物岩石地球化学通报, 36(2): 327-331, 344.