大西洋中脊13°～14°S热液沉积区地形统计分类及勘探靶区初选

梁娟娟，杨耀民，朱志伟，杜德文＊，王春娟，叶 俊，闫仕娟，杨 刚

（1.国家海洋局 第一海洋研究所，山东 青岛266061；2.国家深海基地管理中心，山东 青岛266061）

多波束测深数据是获取海底微地形地貌的主要手段［1］。它相对重力、磁力、地震等地球物理勘探手段，数据覆盖率更高、获取速度更快、预算成本更低，并能生成高精度的数字高程模型（DEM），提取地形特征，进行海底地形分类。

基于DEM提取地形特征是遥感信息进入地学数据库的关键技术之一［2］。1964年，Hammond［3］提出通过DEM统计单元内的坡度、相对起伏度来划分地形类型的想法，之后由Dikau等［4］、Brabyn［5］、Morgan和Lesh［6］、Dragut和 Blaschke［7］、Prima等［8］、Iwahashi和 Pike［9］进行了实现、发展、修正以及完善。Buea等［10］也曾基于DEM提取地形特征对火星地形进行过非监督分类。

前人对海底地形地貌也做过诸多研究。耿秀山［11］、林美华［12］、潘定安等［13］对近海及海湾地形进行了深入研究；陶春辉［14］用分形技术对多波束测量的南海大陆坡海底火山地形进行了研究；王英等［15］从多波束资料提取水深和坡度信息，探讨地形与海底多金属结核的分布关系；刘忠臣等［16］根据多波束调查对东海的地形进行了研究；杨刚等［17］提出了基于多波束测量数据进行海底地形分割的“三态值模型”法，可对数字海底地形进行快速准确地分割。Herzfeld和Higginson［18］利用统计学方法对大西洋中部海脊进行分类，建立了一套海底地形自动分类系统。Bishwajit［19］基于多波束原始水深数据，利用神经网络对海底的海脊、裂谷和平原地形进行分类。这说明，基于DEM对海底进行地形统计分类是学者们认可的方法。前人工作多单纯针对地形分类，少有利用地形分类技术进行矿产资源勘探靶区的圈定。

本文基于DEM的地形统计分类，将南大西洋中脊示范区进行地形分类，并将分类结果与热液硫化物航次调查信息进行关联，寻找见矿大概率地形区，将其作为下一步找矿详查区域，实现找矿勘探靶区逐步缩小的目的。

选取南大西洋中脊13°～14°S区段，针对每个水深点提取地形特征；划分统计单元，提取每个单元地形特征的统计参数；然后对这些统计单元进行非监督分类；将地形类型图层与硫化物矿点进行关联，筛选出热液硫化物矿点的大概率地形单元，并将其视为后继调查工作的重点靶区。

1 区域概况及数据来源

1.1 区域概况

南大西洋中脊是慢速扩张洋脊，构造地质背景与北大西洋脊较为相似。我国在13°S，15°S和26°S附近发现并成功抓取了热液硫化物，表明南大西洋中脊具有极大的成矿潜力。选取南大西洋13°～14°S脊段作为研究区（图1），该区域位于洋中脊两组转换断层之间，南侧是洋中脊与转换断层的交界地带，北端位于非转换偏移区域，区域整体位于洋中脊裂谷东侧。

图1 研究区地理位置Fig.1 Location of the study area

1.2 数 据

多波束测深数据：主要来源于“大洋一号”科学考察船22航次（2012－12－2011－12）调查多波束全覆盖声纳测深数据，文中所用数据是由随船科学家对现场实测多波束数据插值所得的GRD数据，精度约为0.001°×0.001°。文中基于GRD数据生成同精度的DEM图层和网格化的水深点图层。

站位调查数据：我国在本研究区31个地质站位进行了取样，其中有7站取到硫化物样品，24站未取到硫化物样品，调查工作主要由“大洋一号”科学考察船21航次（2009－07－2010－05），22航次（2010－12－2011－12）和26航次（2012－04－2012－12）完成。国外报道中未见有本研究区取样记录。

2 基于DEM的地形类型分类

2.1 地形特征图层的生成

通过地形特征的定性分析，选取水深、坡度、坡度变率、总曲率等微观地形特征以及地形起伏度、地表切割度、高程变异系数等宏观地形特征，在ArcGIS中基于DEM提取各地形特征并生成对应的特征图层。将网格化的水深点图层与各特征图层叠加并提取各特征值。

2.2 统计单元的划分

统计单元划分是矿产资源定量评价工作的重要步骤之一，按照不同矿种、不同调查数据精度，确定统计单元的划分方案，地质体单元和网格单元是最常用的划分方法［20］。针对海底多金属硫化物勘探实际工作，无法选择地质体单元。结合多波束地形勘测精度，选择拥有适当数目网格的网格组作为统计单元。

2.2.1 统计单元划分的依据

本文划分统计单元的目的是为了将点参数转化为统计单元参数，优点是增加了变量，降低了以点参数进行分类造成的随机性；缺点是降低了数据精度。统计单元大小取决于所获取数据资料的精度，关系到潜在矿产资源的空间位置和数量的估计精度。统计单元越小，分类精度越高，但统计参数的代表性越弱；统计单元越大，分类精度越低，但统计参数的代表性越强［21］。所以，划分统计单元时要考虑2点：1）统计单元有足够多的数据，保证统计参数具有代表性；2）统计单元的规格要尽量小，保证地形分类的精度。

2.2.2 统计单元的划分

1）研究区网格整体划分

考虑到研究区的实际情况以及所获取数据的精度（0.001°×0.001°），设定该区统计单元大小为近似0.01°×0.01°的正方形区域，将其划分为8 475个统计单元，每个统计单元包含100个网格单元。

2）选取有点参数的统计单元

划分统计单元时是将研究区作为规则的矩形区，但是由于研究区的不规则性，在区域外围有很多统计单元内没有水深数据点，因此我们要选取包含水深数据点的统计单元。

3）选取有效的统计单元

在筛选出来包含水深数据点的统计单元中，为了削弱边界统计单元数据点太少对统计结果的影响，剔除点参数不足（少于10个点）的统计单元，最后运用ArcGIS的空间分析选取了符合统计条件的4 267个统计单元。

2.3 统计参数提取

每个统计单元包含约100个网格化水深数据点（不考虑边界效应），对每个统计单元中的7个地形特征进行统计参数提取，主要包括平均值、方差、最大值、最小值。最后得到每个统计单元中水深、坡度、坡度变率、总曲率、地表切割深度、地表起伏度、高程变异系数七个地形特征的平均值、方差、最大值、最小值，共计28个变量。

2.4 变量选取

因涉及的变量较多，数据处理麻烦且会造成较大的误差，因此要对变量进行筛选，去除相关性较强以及对分析结果贡献不大的变量［22］。为了消除量纲的影响，首先将28个变量进行标准化。传统选取变量的方法是因子分析和相关分析相结合，但由此方法筛选出的变量分类结果并不理想，因此作者采用不同因子组合的方法选取最佳的变量组合。

经过反复验证变量组合并与研究区实际海底地形相对比，最终得到水深与坡度的统计变量组合分类效果最佳，因此，最终参与地形分类的变量为水深均值、方差、最大值、最小值，坡度均值、方差、最大值、最小值，共8个变量。

2.5 地形分类

由于相同地形类型实体具有最大的相似性、最小的差异性，不同地形类型实体具有最小的相似性、最大的差异性［23］，因此从相同地形类型所提取的同种变量参数，其值也更为接近，而从不同类型的地形实体提取的地形因子则存在较大的差异。这种相似性和差异性即是地形形态类型划分的依据［23］。

根据这种划分依据，我们将筛选出的8个变量在统计软件SPSS中实现非监督分类，运用的方法是K－均值聚类，设置迭代次数为10次，聚类数为5类，得到的分类结果如表1。从表1可知，地形5只包含一个统计单元，因此忽略。

表1 最终聚类中心Table 1 The final clustering center based on cluster analysis

1）地形1 水深最大值、最小值与均值都比较高，水深的方差较小；坡度的最大值、最小值、方差、均值都比较低。说明这一类地形总体水深值较大，水深变化起伏小；坡度值较小，起伏也较小。结合实际海底地形，可推知此类地形属于“裂谷”。

2）地形2 坡度最大值、均值和方差都较高，坡度最小值较小；水深最大值、最小值为4类地形中最低的，水深的均值较小，方差的相对较大。可看出此类地形地势相对较高，坡度起伏较大，坡度高值相对较多。结合实际海底地形，可推知此类地形属于“裂谷壁”。

3）地形3 坡度最大值、最小值、均值都比较高，尤其是坡度最小值相比其他3类地形高出许多，但坡度的方差不是很大；水深方差相比其他地形高出很多，最大值、最小值和均值都相对较小。结合海底地形，可推知此类地形属于“内角高地斜坡”。

4）地形4 8个变量的值都比较平均，没有很高或很低的值，水深最大值、最小值以及均值较地形1小，地形2、3大，水深方差较小；坡度各项变量值都较小，水深变化不大，地形起伏度较小，整体趋势较平坦。对比实际海底地形，可推知此类地形属于“高地”。

通过研究区实际海底地形与分类结果对比（图2），分类结果具有一定的可信度，但地形4分类效果不好，结果具有一定的误差，因此单独将地形4取出重新选取变量进行分类。地形4整体地势较高，但粗糙度却有所差异，因此，在水深－坡度的基础上再引入粗糙度进行二次分类。综合第一次分类结果，最终分类结果如图3a。这样将地形4分成2类：地形4和地形5。二次分类后的地形4共1 052个统计单元，为“洋中脊高粗糙度的高地地形”；地形5共1 093个统计单元，为“洋中脊低粗糙度的高地地形”。

综上所述，我们将大西洋中脊研究区地形整体分为5类：地形1为“裂谷”，地形2为“裂谷壁”，地形3为“内角高地斜坡”，地形4为“高粗糙度的高地”，地形5为“低粗糙度的次高地”。

图3 调查数据与二次地形分类结果关联及远景区Fig.3 Relationship between the survey data and secondary landform classification results and proposed prospecting target area

3 地形类型与热液硫化物调查结果的关联

3.1 调查信息与地形类型的初步关联

将本区所做的航次调查结果与最终所得的地形类型图层叠加，如图3a。

为寻找大概率地形，统计了本区各类地形的航次调查的结果（表2）。表2中站位数＝地质取样站位数；见矿数＝地质取样取得硫化物样品的站位数；未见矿数＝地质取样未取得硫化物样品的站位；见矿概率＝（见矿数／站位数）×100%；未见矿概率＝（未见矿数／站位数）×100%；100网格见矿率系数＝（见矿数／单元数）×100。

表2 各类地形调查结果Table 2 Survey results for all landform types in the study area

分析表2可知，地形5“低粗糙度的次高地”见矿概率为28.6%，在5类地形中最高，其次是地形3“内角高地斜坡”和地形4“高粗糙度的高地”。

各类地形的面积差异很大，为了标度单位面积见矿率，引入100网格见矿率系数。统计单元的精度为0.01°×0.01°，每个统计单元的面积约为1.21km2，100网格见矿率系数即面积为121km2范围内硫化物的产出概率。结果显示地形3“内角高地斜坡”100网格见矿率系数为2.00，为5类地形中最高；地形4“高粗糙度的高地”与地形5“低粗糙度的次高地”分别为0.19和0.18。表明研究区相同面积区域内“内角高地斜坡”发育热液硫化物的概率最大，为硫化物产出的大概率地形，如图3b黑线圈定区域。考虑到地质调查站位并不是随机分布于各地形类型内，100网格见矿率系数在指示各地形类型的成矿概率方面也只能作为参考指标。

本文综合考虑见矿概率和100网格见矿率系数，姑且将“内角高地斜坡”作为首选后继勘探靶区。随着调查认识的深入，会有更完善的指标，圈定的后继重点勘探靶区也会更合理。

3.2 矿点漏判与靶区缩小

本区共7个热液硫化物站位，其中3个位于本文方法圈定出的远景区内，4个热液硫化物站位处于漏判状态。漏判率＝（漏判热液硫化物站位／热液硫化物总站位）×100%＝57%。因此漏判率超过一半。

研究区共4 267个统计单元，总面积为5 163.07km2，其中圈定出的硫化物发育的大概率地形“内角高地斜坡”有150个统计单元，总面积为181.5km2。靶区缩小倍数：靶区缩小率＝（勘探区域面积／总区域面积）×100%＝3.5%。

地形分类与已知矿点关联的目的是为了缩小勘探靶区，以圈定热液硫化物的后继勘探区。缩小靶区的过程不可避免会造成矿点的漏判。虽然漏判率超过50%，但是我们却将靶区缩小到3.5%，即我们用超过一半的漏判率换回了3.5%的靶区缩小率。

4 结论

将大西洋中脊划分为5类地形：“裂谷”、“裂谷壁”、“内角高地斜坡”、“高粗糙度的高地”和“低粗糙度的次高地”。各地形见矿概率：“裂谷”为0，“裂谷壁”为0，“内角高地斜坡”为27.3%，“高粗糙度的高地”为20%，“低粗糙度的次高地”为28.6%；各地形的100网格见矿率系数：“裂谷”为0，“裂谷壁”为0，“内角高地斜坡”为2.0，“高粗糙度的高地”为0.19，“低粗糙度的高地”为0.18。其中，“内角高地斜坡”100网格见矿率系数最大，将其认定为发育硫化物的大概率地形，建议作为下一步的重点勘探区域。虽然该方法矿点漏判率高达57%，却获得了将靶区缩小到3.5%的效果。

研究区调查程度低，地质调查站位少，已知硫化物矿点亦少，本方法基于这些有限数据信息建立起来的认识，为热液硫化物后继勘探靶区的选择提供一种思路，并不能排除其他地形类型也可能是热液硫化物矿点产出的有利区域。

（References）：

［1］YANG S J.Linear structural interpretation of Mid－Atlantic ridge and associate with hydrothermal mineralization［J］.Acta Mineralogica Sinica，2011，（Suppl.1）：706－707.闫仕娟.大西洋中脊区线性构造解译及热液成矿关联［J］.矿物学报，2011，（增刊1）：706－707.

［2］LÜ G N，QIAN Y D，CHEN Z M.Automated extraction of the characteristics of topography from grid digital elevation data［J］.Journal of Geographical Sciences，1998，53（6）：562.闾国年，钱亚东，陈钟明.基于栅格数字高程模型提取特征地貌技术研究［J］.地理学报，1998，53（6）：562.

［3］HAMMOND E H.Analysis of properties in landform geography：an application to broad－scale landform mapping［J］.Annals of Association of American Geographers，1964，54（1）：11－19.

［4］DIKAU R，BRABB E E，MARK R M.Landform classification of New Mexico by computer［C］.U.S.Geological Survey，Open－file Report，1991，26：91－634.

［5］BRABYN L.GIS analysis of macro landform［C］∥The 10th Colloquium of the Spatial Information Research Centre.New Zealand，1998：35－48.

［6］MORGAN J M，LESH A M.Developing landform maps using ESRI＇S Model Builder［EB／OL］.［2014－05－20］.http：∥gis.esri.com／library／userconf／froc05／papers／pap2206.pdf，2005.

［7］DRAGUT L，BLASCHKE T.Automated classification of landform elements using object－based image analysis［J］.Geomorphology，2006，81（3－4）：330－344.

［8］PRIMA O D A，ECHIGO A，YOKOYAMA R，et a1.Supervised landform classification of Northeast Honshu from DEM derived the matic maps［J］.Geomorphology，2006，78（3－4）：373－386.

［9］IWAHASHI J，PIKE R J.Automated classifications of topography from DEMs by an unsupervised nested－means algorithm and a threepart geometric signature［J］.Geomorphology，2007，86（3－4）：409－440.

［10］BUEA B D，STEPINSKIB T F.Automated classification of landforms on Mars［J］.Computers and Geosciences，2006，30（5）：604－614.

［11］GENG X S.The geomorphic classification in the East China Sea［J］.Transactions of Oceanology and Limnology，1980，2（3）：32－37.耿秀山.东中国海的地貌分类［J］.海洋湖沼通报，1980，2（3）：32－37.

［12］LIN M H.The submarine geomorphological zones and geomorphological types in the Huanghai Sea［J］.Marine Sciences，1989，13（6）：7－15.林美华.黄海海底地貌分区及地貌类型［J］.海洋科学，1989，13（6）：7－15.

［13］PAN D A，WANG S M，SHEN H T.Approach to the formation cause of the central deep channel and the Beiniu sands in Meizhou bay［J］.Acta Geographica Sinica，1994，49（1）：55－63.潘定安，汪思明，沈焕庭.湄洲湾中央深槽及白牛浅滩的成因探讨［J］.地理学报，1994，49（1）：55－63.

［14］TAO C H.The application of the fractal geometry in the study of submarine volcano［J］.Donghai Marine Science，2000，18（2）：9－14.陶春辉.分形几何在海底火山地形中的应用［J］.东海海洋，2000，18（2）：9－14.

［15］WANG Y，LI J B，HAN X Q，et al.The influence of terrain slope on the distribution of poly metallic nodules［J］.Acta Oceanologica Sinica，2001，23（1）：60－64.王英，李家彪，韩喜球，等.地形坡度对海底多金属结核的分布控制作用［J］.海洋学报，2001，23（1）：60－64.

［16］LIU Z C，CHE Y L，ZHOU X H，et al.Study on zoned characteristics and formation cause of the East China Sea submarine topography［J］.Advances in Marine Science，2003，21（2）：160－173.刘忠臣，陈义兰，周兴华，等.东海海底地形分区特征和成因研究［J］.海洋科学进展，2003，21（2）：160－173.

［17］YANG G，DU D W，LÜ H L.Segmentation algorithm for digital sea－floor terrain［J］.Advances in Marine Science，2004，22（2）：204－209.杨刚，杜德文，吕海龙.数字海底地形分割算法［J］.海洋科学进展，2004，22（2）：204－209.

［18］HERZFELD U C，HIGGINSON C A.Automated Geostatistical seafloor classification－principles，parameters，feature vectors，and discrimination criteria［J］.Computer and Geosciences，1996，22（1）：35－52.

［19］BISHWAJIT C.Application of artificial netural network to segmentation and classification of topographic profiles of ridge－flank seafloor［J］.Current Science，2003，85（3）：306－312.

［20］ZHANG F Y，ZHANG W Y，ZHU K C，et al.Principle of resource evaluation and technique of mining area delineate for ocean polymetallic crust［M］.Beijing：China Ocean Press，2001：1－150.张福元，章伟艳，朱克超，等.大洋多金属结壳资源评价原理和矿区圈定方法［M］.北京：海洋出版社，2001：1－150.

［21］LIU Y G，DU D W，LI Z S，et al.Estimation of polymetallic nodule distribution and resource quantity in the CC zone and its adjacent areas of the Pacific Ocean［J］.Advances in Marine Science，2009，27（3）：342－349.刘永刚，杜德文，李钟山，等.太平洋 CC区及周边多金属结核分布及资源量预测［J］.海洋科学进展，2009，27（3）：342－349.

［22］WANG C J，DU D W，MENG X W，et al.Mineral resources prediction model and its application about gas hydrate in the Gulf of Mexico［J］.Acta Oceanologica Sinica，2009，31（3）：67－71.王春娟，杜德文，孟宪伟，等.墨西哥湾天然气水合物矿产资源预测模型及其应用［J］.海洋学报，2009，31（3）：67－71.

［23］LIU A L，TANG G A.DEM based auto－classification of Chinese landform［J］.Geo－information Science，2006，8（4）：8－16.刘爱利，汤国安.中国地貌基本形态 DEM 的自动划分研究［J］.地球信息科学，2006，8（4）：8－16.