胡　昊，許　冬，龍江平*,2，周勐佳，唐　博，金　路

(1. 國家海洋局 第二海洋研究所,浙江 杭州 310012；2. 浙江大學(xué) 地球科學(xué)學(xué)院,浙江 杭州 310007)

?

北部灣海底沉積物稀土元素與影響因子關(guān)系的BP神經(jīng)網(wǎng)絡(luò)定量分析

胡昊1，許冬1，龍江平*1,2，周勐佳1，唐博1，金路1

(1. 國家海洋局 第二海洋研究所,浙江 杭州 310012；2. 浙江大學(xué) 地球科學(xué)學(xué)院,浙江 杭州 310007)

摘要:海底沉積物中稀土元素的分布特征受多種影響因子的影響，很難定量分析。北部灣沉積物稀土元素(∑REE)與物源、水動力、沉積物粒度和黏土礦物百分比等關(guān)系定性分析顯示，本區(qū)∑REE的物源主要由陸源巖石控制，弱水動力和細(xì)顆粒度都對應(yīng)較高含量的∑REE。結(jié)合北部灣海底沉積物的位置、礫石含量、砂含量、粉砂含量、黏土含量和黏土礦物含量訓(xùn)練出來的BP神經(jīng)網(wǎng)絡(luò)在控制變量的情況下定量分析各影響因子與∑REE的關(guān)系，獲得單個(gè)影響因子與∑REE的關(guān)系曲線。這些關(guān)系曲線揭示了北部灣沉積物中稀土元素與各影響因子的聯(lián)系，所獲結(jié)果與定性分析結(jié)果基本一致，該方法能夠通過自主學(xué)習(xí)，自動判斷并定量計(jì)算，有助于識別每一個(gè)因子對稀土元素含量影響的大小，是如何控制∑REE的分布，從而根據(jù)曲線的變化規(guī)律結(jié)合實(shí)際情況去推斷區(qū)域的環(huán)境變化及地質(zhì)演變，對稀土元素的富集和分散分析提供有益的理論指導(dǎo)。

關(guān)鍵詞:稀土元素；影響因子；定量分析；BP神經(jīng)網(wǎng)絡(luò)；北部灣

0引言

北部灣是位于中國南海西北部的一個(gè)半封閉型港灣，東部和南部分別有雷州半島和海南島，西部緊鄰越南，北部背靠廣西。瓊州海峽與南部開闊海域是其進(jìn)行水循環(huán)的重要通道。北部灣沿岸有南流江、紅河流入，河流較少，因而攜帶的泥沙有限。其平均水深為45 m，最深達(dá)100 m以上[1]。

稀土元素(Rare earth elements，REE)是一組具有相似地球化學(xué)行為的特殊示蹤元素[2]。它們在地球化學(xué)演化中扮演重要的示蹤作用[2-3]，因此它們常常被用于探索地球化學(xué)分異過程、地球化學(xué)環(huán)境變化[4]、巖石演化和沉積物物源指示[5]。在海底環(huán)境中，稀土元素的化學(xué)性質(zhì)相對比較穩(wěn)定，且其分布主要受物源影響，因此它們對海底沉積物物源具有很強(qiáng)的示蹤作用[5]。由于海洋環(huán)境的特殊性質(zhì)，沉積物中稀土元素的分布還受沉積物粒度、礦物分布和海水動力等因素的影響。

稀土元素獨(dú)特的示蹤作用使得研究其分布和影響因子之間的關(guān)系具有重要意義。然而大多數(shù)的研究分析都是定性的、基于統(tǒng)計(jì)的和線性化的，定量化分析難度比較大。BP神經(jīng)網(wǎng)絡(luò)[6-7](即反向傳播神經(jīng)網(wǎng)絡(luò))可以在任意精度上擬合任何非線性連續(xù)函數(shù)[8-9]。其原理是通過計(jì)算輸入的樣本值會不斷地調(diào)整各神經(jīng)元的連接權(quán)值，從而使得輸入的信息可以得到預(yù)期的輸出信息[8]。另外，多層神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)可以在樣本的訓(xùn)練下自動學(xué)習(xí)，擬合出最佳的關(guān)系曲線[7-8]。因此，本研究利用BP神經(jīng)網(wǎng)絡(luò)來定量分析北部灣海底沉積物中稀土元素分布與影響因子之間的關(guān)系，以期為研究區(qū)稀土元素的富集和分散、區(qū)域的環(huán)境變化和地質(zhì)演變提供科學(xué)依據(jù)。

1數(shù)據(jù)與方法

1.1數(shù)據(jù)來源

實(shí)驗(yàn)所用的312個(gè)表層沉積物樣品數(shù)據(jù)和35個(gè)柱狀沉積物樣品數(shù)據(jù)均是國家海洋局第二海洋研究所2007年908-01-CJ16項(xiàng)目在北部灣采集，樣品采集站位如圖1所示。采集區(qū)域范圍為20°0′3.3984″～21°21′28.2984″N，108°4′10.9992″～110°26′19.2588″E。表層樣用蚌式采樣器和箱式采樣器采集，柱狀樣用重力采樣器采集。數(shù)據(jù)分析在國土資源部地球化學(xué)勘查監(jiān)督檢測中心根據(jù)相關(guān)規(guī)定和標(biāo)準(zhǔn)進(jìn)行。

1.2數(shù)據(jù)處理

人工神經(jīng)網(wǎng)絡(luò)是通過大規(guī)模的有向加權(quán)處理單元來模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，使得人工神經(jīng)網(wǎng)絡(luò)能夠像生物神經(jīng)系統(tǒng)一樣可以處理來自外界的信息并做出反饋[11]，其結(jié)構(gòu)如圖2所示。

圖1　采樣站位及其周邊環(huán)境Fig.1　The stations and the neighboring enviroment綠色圓圈表示表層沉積物樣品站位；紅色三角表示柱狀沉積物樣品站位；藍(lán)色箭頭表示北部灣環(huán)流[10]；紅色實(shí)線代表中越北部灣海上界線Green circles represent surface sediment samples; red trianglesrepresent sediment cores; blue arrows represent circulating current[10];red solid line is the national boundaries between China and Vietnamin Beibu Gulf

圖2　人工神經(jīng)元(a)和人工神經(jīng)網(wǎng)絡(luò)(b)示意圖Fig.2　Sketch map of artificial neuron (a) and artificial neural network (b)

圖2a中變量Xi表示外界的刺激信息，其功能相當(dāng)于生物神經(jīng)網(wǎng)絡(luò)的樹突；Wi表示輸入信息與神經(jīng)元作用的強(qiáng)度；θ表示神經(jīng)元的閾值；Yi表示神經(jīng)元對輸入信息反應(yīng)后的輸出信息，其作用相當(dāng)于軸突。大規(guī)模的神經(jīng)元以多層形式組織起來就可以模擬神經(jīng)系統(tǒng)，如圖2b所示。BP神經(jīng)網(wǎng)絡(luò)是眾多神經(jīng)網(wǎng)絡(luò)模型中的1種，通過最速下降的學(xué)習(xí)規(guī)則，按誤差逆?zhèn)鞯姆椒ㄓ?xùn)練各層網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值，使得網(wǎng)絡(luò)的誤差平方和達(dá)到最小[9,12]。其優(yōu)點(diǎn)在于自主學(xué)習(xí)，可以在無監(jiān)督模式的情況下做到比較好的智能判斷。

BP神經(jīng)網(wǎng)絡(luò)分析過程主要分成4步：(1)構(gòu)建相應(yīng)的神經(jīng)網(wǎng)絡(luò)；(2)用所準(zhǔn)備的樣本數(shù)據(jù)訓(xùn)練建立的神經(jīng)網(wǎng)絡(luò)；(3)檢驗(yàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的質(zhì)量；(4)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)通過控制變量法來評價(jià)各影響因子。

本研究將采集樣品的經(jīng)度、緯度、礫石含量、沙含量、粉砂含量、黏土含量以及黏土礦物含量等數(shù)據(jù)作為輸入層，∑REE的含量數(shù)據(jù)作為輸出層表征受到各因素的影響大小，以此來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后通過控制變量的方法來對比各個(gè)影響因子對稀土元素含量的影響。若想BP神經(jīng)網(wǎng)絡(luò)收斂較快，采集的數(shù)據(jù)在做訓(xùn)練和分析之前首先應(yīng)經(jīng)過適當(dāng)?shù)念A(yù)處理，否則很難達(dá)到理想的效果。本文所使用的方法是將相關(guān)的訓(xùn)練因子歸一化到0～1之間[13]：

(1)

式中：Gi表示歸一化處理后的值，Pi表示沒有歸一化處理的值，maxP表示影響因子P的最大值，minP表示影響因子P的最小值。

在BP神經(jīng)網(wǎng)絡(luò)分析過程中，選取樣本312個(gè)，將選取的樣本隨機(jī)分成訓(xùn)練樣本281個(gè)和測試樣本31個(gè)，通過L-M優(yōu)化算法用訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)參數(shù)如表1所示。

表1　神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

2結(jié)果與討論

2.1定性分析

圖3　北部灣海底沉積物中∑REE分布圖Fig.3　The distribution of ∑REE in the bottom sediments in Beibu Gulf

圖4　稀土元素球粒隕石標(biāo)準(zhǔn)化圖Fig.4　The chondrite normalized patterns of REE distribution

海底沉積物大多是陸地巖石風(fēng)化剝蝕作用后被各種營力搬運(yùn)到海洋并沉積，因此海底沉積物中的稀土元素主要來源應(yīng)與陸源物質(zhì)一致。圖3為北部灣海底沉積物中∑REE的分布圖，由圖可知，在雷州半島西南端相對其他地方∑REE含量呈現(xiàn)最高值；而在北海市西南和防城港以南海域，∑REE含量呈現(xiàn)最低值；在研究區(qū)的左下方含量呈現(xiàn)較低值。分析∑REE的分布特點(diǎn)并對比圖1可知，形成研究海域∑REE分布狀況最可能的原因是海流的強(qiáng)弱。從圖1可見，防城港南端有眾多河流匯入北部灣，按照河口沉積規(guī)律，防城港以南海域稀土元素含量應(yīng)該較高，然而從環(huán)流示意圖可以看到環(huán)流剛好流經(jīng)該海域，破環(huán)了沉積環(huán)境，因此該海域∑REE含量最低；其次北部灣環(huán)流中心位于中越北部灣界線以西，而研究區(qū)左下方∑REE含量相對較低的區(qū)域正好位于主流和中心的過渡區(qū)域，這里水流相對較緩，有利于一部分物質(zhì)沉積，因此形成了次低值分布區(qū)域。在雷州半島西南端海域發(fā)育有淺灘[14],∑REE含量最高的位置剛好對應(yīng)該區(qū)域，因此推斷穿過瓊州海峽的水流流經(jīng)雷州半島西南端時(shí)，由于空間開闊，水流速度變緩，并與南部海域的逆時(shí)針環(huán)流在淺灘處相遇，海水混合絮凝產(chǎn)生了大量的沉積物質(zhì)[4]，加上水流流速的物理因素，最終導(dǎo)致該處呈現(xiàn)出∑REE含量的最高值。本文用SUN et al[15]提出的球粒隕石的含量值來對表層樣和柱狀樣樣品中稀土元素的分析數(shù)據(jù)標(biāo)準(zhǔn)化,結(jié)果如圖4所示。Eu在圖4中顯示出一致性的負(fù)值，且配份模式呈現(xiàn)出負(fù)斜率，這表明沉積物來源主要是大陸物質(zhì)[2，5，16-22]，北部灣沿岸大型河流較少，陸源物質(zhì)主要通過南流江、紅河及其他河流攜帶而來，其次是地表徑流[3]。由表2可知，北部灣表層沉積物中各稀土元素含量與中國土壤[23]、世界土壤[24]和地殼[25]中的含量相比各有高低，其中輕稀土元素比重稀土元素富集。表層樣和柱狀樣中∑LREE/∑HREE的值已經(jīng)接近10，與中國土壤中的比值接近，高于世界土壤和地殼中的比值，LREE的富集模式表明中國大陸物質(zhì)中這些元素的含量較世界土壤和地殼的高，并由此推斷沉積物中的稀土元素主要來源可能是中國大陸。特別指出的是∑LREE和∑REE的含量無論是表層樣的還是柱狀樣的都明顯高出中國土壤、世界土壤和地殼中的含量，尤其是柱狀樣的分別高出(40.98～55.5)×10-6和(44.14～57.32)×10-6，這表明北部灣沉積物中的輕稀土元素富集，其原因可能是因?yàn)殚L時(shí)間堆積富含輕稀土的陸源物質(zhì)以及南方潮濕溫暖的環(huán)境氣候條件[26-28]。

表2　表層樣、柱狀樣、中國土壤、世界土壤和地殼中稀土元素含量對比

表層沉積物中各稀土元素間及其與黏土礦物和沉積物粒度的相關(guān)性分析表明，表層沉積物中各稀土元素表現(xiàn)出一致的強(qiáng)正相關(guān)性，Eu與La和Ce的相關(guān)性相對其他幾種元素較弱；黏土礦物中伊利石與各稀土元素都有較弱的正相關(guān)性，蒙脫石與全部LREE有較弱的相關(guān)性，而與HREE呈負(fù)相關(guān)性。高嶺石和綠泥石與REE則呈負(fù)相關(guān)或弱正相關(guān)。一般來說，黏土礦物能夠攜帶一定量的稀土元素[29]。本研究中礫石和砂對于REE的相關(guān)性表現(xiàn)出一致性的負(fù)相關(guān)，相關(guān)性最好的是粉砂，而與黏土的相關(guān)性次之，這表明稀土元素能在細(xì)顆粒沉積物中更好地富集[30-32]。

表3　表層沉積物中稀土元素與黏土礦物和沉積物粒度的相關(guān)性

稀土元素的分布與北部灣長期的環(huán)流系統(tǒng)有著千絲萬縷的關(guān)系，夏華永 等[10]在使用casulli差分格式計(jì)算海洋物理模型時(shí)表明，北部灣環(huán)流終年按照逆時(shí)針方向流動。海流沿著海南島西南沿岸向北與穿過瓊州海峽的海流相遇，然后沿大陸岸邊逆時(shí)針流動,這一因素將有利于環(huán)流的中心地帶和環(huán)流沿岸較細(xì)粒度的沉積物沉積下來。從圖3中也可以看出，∑REE的分布與環(huán)流形成的粒度分布相一致。

2.2定量分析

影響稀土元素分布的因子多種多樣，復(fù)雜的海洋自然環(huán)境中，每一個(gè)環(huán)境過程都可能對其造成影響，本文根據(jù)稀土元素的地球化學(xué)特點(diǎn)，選取相關(guān)性較強(qiáng)的水動力狀況作定性研究，選取物源、沉積物粒度和礦物分布百分比來作定量研究。物源造成海底沉積物中稀土元素含量分布和變化的因素很復(fù)雜，本文選用樣本的經(jīng)緯度坐標(biāo)來表征物源的影響，因?yàn)樵胤植荚诤艽蟪潭壬弦蕾囉谒幍奈恢?，而?jīng)緯度恰好可以做到定量描述，因此用經(jīng)緯度表征物源是比較合理的；水動力因子與粒度的分布息息相關(guān)，密不可分，選取粒度因素作分析，則同時(shí)包含了稀土元素隨水文條件和粒度的變化關(guān)系；礦物分布百分比則在一定程度上反應(yīng)稀土元素對礦物的親疏特性和地球化學(xué)活動性。

神經(jīng)網(wǎng)絡(luò)的質(zhì)量需要通過測試樣本來控制，如果測試樣本的仿真值與實(shí)際值差距較小則神經(jīng)網(wǎng)絡(luò)訓(xùn)練較好，相反，若仿真值與實(shí)際值相差較大則表明訓(xùn)練是失敗的，因而對于神經(jīng)網(wǎng)絡(luò)的測試是每次仿真都必須要做的環(huán)節(jié)。對上述訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的測試結(jié)果可以看到31個(gè)測試樣本，大多數(shù)仿真結(jié)果都在原始數(shù)據(jù)的附近，有一部分甚至與原始數(shù)據(jù)重合或接近重合(圖5a)，仿真數(shù)據(jù)與原始數(shù)據(jù)的歸一化值誤差低于0.1的個(gè)數(shù)是24個(gè)，比例為77.42%，超過0.1的個(gè)數(shù)是7個(gè)，比例為22.58%(圖5b)，從仿真的誤差比例來看，神經(jīng)網(wǎng)絡(luò)效果比預(yù)想的要好很多。

分析其誤差來源主要有以下幾點(diǎn)：(1)原始數(shù)據(jù)不夠多，不能對神經(jīng)網(wǎng)絡(luò)進(jìn)行比較好的訓(xùn)練；其次，樣本采集的區(qū)域較為廣闊，而采集密度相對較低，在很大程度上，各采樣點(diǎn)的影響因子和元素含量的相關(guān)性不能得到較好的保證。鑒于此，對于不同區(qū)域，用神經(jīng)網(wǎng)絡(luò)來分析時(shí)要保證訓(xùn)練的數(shù)據(jù)基本來自本區(qū)域采集。(2)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值設(shè)置是隨機(jī)的非0小量，每次仿真對結(jié)果的不確定造成一定的影響。(3)神經(jīng)網(wǎng)絡(luò)的層數(shù)和各層的神經(jīng)元個(gè)數(shù)不一樣也會對仿真結(jié)果產(chǎn)生較大偏差。因此，在實(shí)際仿真過程中，需要不斷嘗試，反復(fù)推敲，調(diào)節(jié)各種參數(shù)來訓(xùn)練出更好的神經(jīng)網(wǎng)絡(luò)。

圖5　仿真結(jié)果與實(shí)際值比較(a)和仿真誤差(b)Fig.5　The comparison between simulation result and origin result (a) and the errors of simulation(b)

圖6　稀土元素含量隨影響因子含量變化關(guān)系仿真Fig.6　The simulation of ∑REE content corresponding with the variation of the impact factors

本文通過控制變量法的思想，用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來推演各影響因子與稀土元素含量之間的關(guān)系，圖6中各條曲線表示在其它因子為0.5時(shí)，各因子增加對稀土元素含量的影響?？梢钥闯觯?1)礫石歸一化含量在0～0.3之間增加時(shí)，稀土元素歸一化含量由0.67左右逐漸增加到最大值，因?yàn)槌跏紩r(shí)礫石含量最低，稀土元素的含量取決于其他各個(gè)影響因子，當(dāng)?shù)[石含量在此區(qū)間增加時(shí)，有可能因?yàn)榈[石的增加給稀土元素富集提供了物理?xiàng)l件，固含量相對增高；之后在0.3～0.5之間由于富集條件已經(jīng)穩(wěn)定，稀土元素含量基本保持不變；在0.5～0.7時(shí)由于礫石含量已經(jīng)在沉積物中占據(jù)了主要部分，而礫石本身不利于稀土元素的富集，因此稀土元素含量驟減,隨著礫石繼續(xù)增加，其他影響因子的含量已經(jīng)十分稀少，故在0.7～1.0區(qū)間稀土元素已經(jīng)趨于最小值，并保持穩(wěn)定。

(2)砂含量在0～5.5之間變化時(shí)，由于稀土元素含量在一開始是由其他各影響因子決定的，砂含量的增加一方面會使得像礫石一類的影響因子減少，另一方面會增加沉積物之間的混合均勻度，因此稀土元素含量增加；然而在5.5～1.0之間時(shí)，由于砂的含量逐漸占據(jù)主要成分，其他能夠富含稀土元素的沉積物占據(jù)的成分變得很少，因此稀土元素逐漸降到最小值。

(3)粉砂含量在0～0.6之間增加時(shí)，稀土元素含量也在增加，這是由于粉砂細(xì)膩且均勻，容易攜帶稀土元素；而超過0.6以后，粉砂的含量占據(jù)主要成分，像礫石這一類能夠給粉砂提供沉積環(huán)境的因子減少，此時(shí)粉砂在海底中沉積不集中等因素，造成了稀土元素含量漸漸開始減少。粉砂影響稀土元素含量的曲線大致與礫石相反，說明粒徑對稀土元素含量影響很大。

(4)黏土含量只在0～0.2之間增加時(shí)稀土元素含量有所增加，隨后漸漸減少。黏土含量的曲線在0～0.8之間與粉砂變化的曲線基本是一個(gè)相反的趨勢，可能是黏土含量與粉砂含量在沉積物中保持有一定的比例，黏土的增加可能影響粉砂的含量，從而影響稀土元素的含量。

(5)蒙脫石在0～1.0之間變化時(shí)稀土元素含量總體呈增加趨勢，但是在0～0.1和0.4～0.6之間稀土含量是隨之減少的。蒙脫石是一種細(xì)顆粒含水硅酸鹽的層狀礦物，其結(jié)構(gòu)有利于稀土元素的富集。

(6)伊利石是主要由白云母和鉀長石風(fēng)化而來的層狀礦物，其結(jié)構(gòu)有利于稀土元素的富集，因此伊利石含量在0～0.6之間增加時(shí)，稀土元素含量也有所增加，但是當(dāng)其含量占據(jù)主要成分時(shí)，可能稀土元素富集的物理?xiàng)l件變得很弱，因此其含量降低。

(7)高嶺石在0～0.38之間變化時(shí)，稀土元素含量減少，而在0.38～0.6之間逐漸增加，然后保持穩(wěn)定。這可能主要與高嶺石的理化性質(zhì)有關(guān)。

(8)綠泥石在0～0.3之間變化時(shí)，稀土元素含量隨之增加，然而超過0.3，稀土含量則開始減少。該關(guān)系曲線與蒙脫石的趨勢相反，這有可能是因?yàn)榫G泥石的理化性質(zhì)和蒙脫石的相反。

除此之外，從各關(guān)系曲線也可以看出影響因子之間聯(lián)系也十分密切，黏土和綠泥石，砂和伊利石等曲線幾乎一致或具有一定延后，因此可推斷它們可能具有相似的理化性質(zhì)。礫石和粉砂，黏土和粉砂，綠泥石和粉砂等曲線趨勢相反，因此推斷它們的理化性質(zhì)可能是相反的。

從神經(jīng)網(wǎng)絡(luò)定量分析的結(jié)果中不僅可以直觀地分析出影響因子與元素含量的關(guān)系是正相關(guān)還是負(fù)相關(guān)，而且還得出了是在哪個(gè)具體的區(qū)間內(nèi)呈正相關(guān)或負(fù)相關(guān)，并且得出了具體的含量，而這些值經(jīng)檢驗(yàn)大部分在合理的范圍之內(nèi)。北部灣稀土元素與各影響因子含量變化規(guī)律的關(guān)系，與∑REE含量分布以及相關(guān)系數(shù)矩陣得到的推斷基本相符。

相對于稀土元素的標(biāo)準(zhǔn)化模式、元素含量對比、相關(guān)系數(shù)矩陣、元素分布等值線等方法而言，BP神經(jīng)網(wǎng)絡(luò)分析能夠更加直接地計(jì)算出影響因子與稀土元素含量的定量關(guān)系，由影響因子的數(shù)值直接得到稀土元素含量的值。

3小結(jié)

對北部灣沉積物稀土元素的定性分析表明，其受到了物源、水動力、粒度、礦物分布等因素的影響，分布大致有沿陸緣性；弱水動力和Eu負(fù)值表明其來源主要是陸源；大部分稀土元素的平均含量都比中國土壤、世界土壤和地殼中稀土元素的平均含量高；輕稀土元素比重稀土元素富集。

用采集的北部灣表層沉積物數(shù)據(jù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，進(jìn)而通過神經(jīng)網(wǎng)絡(luò)來仿真各影響因子變化對稀土元素含量的影響，得出了它們之間的定量關(guān)系，所獲結(jié)果與定性分析結(jié)果基本一致。該方法為解釋研究區(qū)稀土元素在沉積物中的富集和貧瘠與其他因子之間的關(guān)系提供了理論基礎(chǔ)，同時(shí)也有利于對研究區(qū)有更好地認(rèn)識。

致謝誠摯感謝李正剛博士和楊偉芳博士對本文提出了重要建議；感謝國家海洋局第二海洋研究所所有參與908-01-CJ16項(xiàng)目的職工和同學(xué)為本文提供了樣品和數(shù)據(jù)！

參考文獻(xiàn)(References)：

[1] ZHAO Chang, Lü Xin-gang, QIAO Fang-li. Numerical study of the tidal waves in the Gulf of Tonkin[J]. Acta Oceanologlca Sinica,2010,32(4):1-11.

趙昌,呂新剛,喬方利.北部灣潮波數(shù)值研究[J].海洋學(xué)報(bào):中文版,2010,32(4):1-11.

[2] CHEN Zhi-hua, GAO Ai-guo, LIU Yan-guang, et al. REE geochemistry of surface sediments in the Chukchi sea[J]. Science in China Series D:Earth Sciences,2003,46(6):603-611.

[3] SONG Yun-ho，CHOI M S. REE geochemistry of fine-grained sediments from major rivers around the Yellow Sea[J]. Chemical Geology, 2009,266(s3-4):328-342.

[4] LI Jun, GONG Zhen-bin, LI Yun-chun, et al. Marine geochemistry approaches of rare earth elements in coastal and eatuarial areas[J]. Advance in Earth Sciences,2005,20(1):64-73.

李俊，弓振斌，李云春，等.近岸和河口地區(qū)稀土元素地球化學(xué)研究進(jìn)展[J].地球科學(xué)進(jìn)展，2005，20(1):64-73.

[5] LAN Xian-hong, WANG Hong-xia, ZHANG Zhi-xun, et al. Distributions of rare earth elements and provenance relations in the surface sediments of the south Yellow Sea[J]. Journal of the Chinese Rare Earth Society,2006,24(6):745-749.

藍(lán)先洪，王紅霞，張志珣，等.南黃海表層沉積物稀土元素分布與物源關(guān)系[J].中國稀土學(xué)報(bào)，2006，24(6)：745-749.

[6] RUMELHART D E, HINTONT G E, WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature,1988,5(3):1.

[7] Lü Bai-qian, LI Tian-duo, Lü Chong-de. An improvement in BP algorithm[J]. Acta Simulata Systematica Sinica,1997,9(3):84-87.

呂伯權(quán)，李天鐸，呂崇德.一種改進(jìn)的BP算法[J].系統(tǒng)仿真學(xué)報(bào)，1997,9(3)：84-87.

[8] HU Shang-wei, LIU Qiong-sun, LIU Jia-lu, et al. New learning algorithm of neural network based on modified error function[J]. Acta Simulata Systematica Sinica,2007,19(19):4 591-4 593.

胡上尉，劉瓊蓀，劉佳璐，等.基于修改誤差函數(shù)新的BP學(xué)習(xí)算法[J].系統(tǒng)仿真學(xué)報(bào)，2007，19(19):4 591-4 593.

[9] WANG Zi-cai, SHI Yun-hui, CUI Ming-gen. Back propagation algorithm using dynamic optimal learning rate[J]. Acta Simulata Systematica Sinica,2001,13(6):775-776.

王子才，施云惠，崔明根.一種具有動態(tài)最優(yōu)學(xué)習(xí)率的BP算法[J].系統(tǒng)仿真學(xué)報(bào)，2001，13(6):775-776.

[10] XIA Hua-yong, LI Shu-hua, SHI Mao-chong. A 3-D numerical simulation of wind-driven currents in the Beibu Gulf[J]. Acta Oceanologica Sinica,2001,23(6):11-23.

夏華永，李樹華，侍茂崇.北部灣三維風(fēng)生流及密度流模擬[J].海洋學(xué)報(bào)，2001，23(6)：11-23.

[11] QIAO Bing-qin, CHANG Xiao-ming. Application of improved PSO in fitting nonlinear function by the BP neural network[J]. Journal of Taiyuan University of Technology,2012,43(5):558-563.

喬冰琴，常曉明.改進(jìn)粒子群算法在BP神經(jīng)網(wǎng)絡(luò)擬合非線性函數(shù)方面的應(yīng)用[J].太原理工大學(xué)學(xué)報(bào)，2012，43(5):558-563.

[12] CHEN Cheng, LIAO Gui-ping, LI Jin-wei, et al. Integration algorithm based on genetic algorithm, BP neural network and multiple regressions[J]. Computing Technology and Automation,2011,30(2):89-95.

陳誠，廖桂平，李錦衛(wèi)，等.基于GA、BP神經(jīng)網(wǎng)絡(luò)和多元回歸的集成算法研究[J].計(jì)算技術(shù)與自動化，2011，30(2):89-95.

[13] CAI Xiao-na, HUANG Da-zhuang, SHEN Zuo-rui, et al. Research on artificial neural network method used for insects classification and identification: Principal component analysis and mathematical modeling[J]. Journal of Biomathematics,2013,28(1):23-33.

蔡小娜，黃大莊，沈佐銳，等.用于昆蟲分類鑒定的人工神經(jīng)網(wǎng)絡(luò)方法研究:主成分分析與數(shù)學(xué)建模[J].生物數(shù)學(xué)學(xué)報(bào)，2013，28(1)：23-33.

[14]ZHAO Huan-ting, WANG Li-rong, YUAN Jia-yi. Origin and time of Qiongzhoustrait[J]. Marine Geology & Quaternary Geology,2007,27(2):33-40.

趙煥庭,王麗榮,袁家義.瓊州海峽成因與時(shí)代[J].海洋地質(zhì)與第四紀(jì)地質(zhì),2007,27(2):33-40.

[15] SUN S S, MCDONOUGH W F. Chemical and isotopic systematics of oceanic basalts: implications for mantle composition and processes[J]. Geological Society, London, Special Publications,1989,42(1):313-345.

[16] PIPER D Z. Rare earth elements in the sedimentary cycle: A summary[J]. Chemical Geology,1974,14(4):285-304.

[17] ZHAO Yi-yang, WANG Jin-tu, QIN Zhao-yang, et al. Rare earth elements in continental shelf sediments of the China seas[J]. Acta Sedimentologica Sinica,1990,8(1):37-43.

趙一陽,王金土,秦朝陽,等.中國大陸架海底沉積物中的稀土元素[J].沉積學(xué)報(bào),1990,8(1):37-43.

[18] SHOLKOVITZ E R . Rare earth elements in marine sediments and chemical standards[J]. Chemical Geology,1990,88(90):333-347.

[19] WANG Jin-tu. REE geochemistry of surficial sediments from the Yellow Sea of China[J]. Geochimica,1990(1)：44-53.

王金土.黃海表層沉積物稀土元素地球化學(xué)[J].地球化學(xué)，1990(1):44-53.

[20] SHOLKOVITZ E R. Rare earth elements in the sediments of the North Atlantic Ocean, Amazon Delta, and East China Sea; reinterpretation of terrigenous input patterns to the oceans[J]. American Journal of Science,1988,288(1):236-281.

[21] MEI Xi, ZHANG Xun-hua, LI Ri-hui. REE of DLC70-3 core sediments from mud areas in the central south Yellow Sea and its environmental significance[J]. Geological Science and Technology Information,2011,30(4):21-28.

梅西，張訓(xùn)華，李日輝.南黃海中部泥質(zhì)沉積區(qū)DLC70-3孔稀土元素及環(huán)境意義[J].地質(zhì)科技情報(bào)，2011，30(4):21-28.

[22] SONG Jin-ming. Vertical transformation processes of rare earth elements in the coral reef ecosystem of Nansha Islands waters, South China Sea[J]. Studia Marina Sinica,1998(40):125-130.

宋金明.南沙群島珊瑚礁生態(tài)系中稀土元素的垂直轉(zhuǎn)移過程研究[J].海洋科學(xué)集刊，1998(40):125-130.

[23] China National Environmental Monitoring Center. Soil element background values of China[M]. Beijing: China Environmental Science Press,1990.

中國環(huán)境監(jiān)測總站.中國土壤元素背景值[M].北京：中國環(huán)境科學(xué)出版社，1990.

[24] WANG Zhong-gang, YU Xue-yuan, ZHAO Zhen-hua. Geochemistry of rare earth elements[M]. Beijing: Science Press,1989.

王中綱，于學(xué)元，趙振華.稀土元素地球化學(xué)[M].北京：科學(xué)出版社，1989.

[25] SONG Yun-hua, SHEN Li-pu, WANG Xian-jue. Preliminary investigations on the behavior of REE in crusts of weathering of some rocks[J]. Chinese Science Bulletin,1988,33(15):1 279-1 283.

[26] SHOLKOVITZ E R, LANDING W M, LEWIS B L. Ocean particle chemistry: The fractionation of rare earth elements between suspended particles and seawater[J]. Geochimica et Cosmochimica Acta,1994,58(6):1 567-1 579.

[27] ZHU Wei-huang, YANG Yuan-gen, BI Hua, et al. The concentrations and distribution characteristics of the Rare Earth Elements (REES) in soils of Hainan Province[J]. Geology Geochemistry,2004,32(2):20-25.

朱維晃，楊元根，畢華，等.海南土壤中稀土元素含量及分布特征[J].地球與環(huán)境，2004，32(2):20-25.

[28] SHOLKOVITZ E R, ELDERFIELD H, SZYMCZAK R , et al. Island weathering: River sources of rare earth elements to the Western Pacific Ocean[J]. Marine Chemistry,1999,68(s1-2):39-57.

[29] CHI Ru-an, WANG Dian-zuo. Research on quantum chemistry calculate the absorption properties of clay minerals and enrichment of REEs[J]. Journal of the Chinese Rare Earth Society,1993,11(3):201-20.

池汝安，王淀佐.量子化學(xué)計(jì)算黏土礦物的吸附性能和富集稀土的研究[J].中國稀土學(xué)報(bào)，1993,11(3)：201-203.

[30] MARCHANDISE S, ROBIN E, AYRAULT S, et al. U-Th-REE-Hf bearing phases in Mediterranean Sea sediments: Implications for isotope systematics in the ocean[J]. Geochimica et Cosmochimica Acta,2014,131:47-61.

[31] ZHAO Yi-yang, YAN Ming-cai. Geochemistry of sediments in Chinese shallow seas[M]. Beijing: Science Press,1994:130-150.

趙一陽，鄢明才.中國淺海沉積物地球化學(xué)[M].北京：科學(xué)出版社，1994:130-150.

[32] WU Ming-qing. REE geochemistry of sea-floor sediments from the Taiwan shallow, China[J]. Geochemica,1983(3):303-313.

吳明清.我國臺灣淺灘海底沉積物稀土元素地球化學(xué)[J].地球化學(xué)，1983(3)：303-313.

Quantitative analysis of BP neural network on the relationships between ∑REE content and impact factors in Beibu Gulf

HU Hao1, XU Dong1,LONG Jiang-ping*1, 2, ZHOU Meng-jia1,TANG Bo1, JIN Lu1

(1.TheSecondInstituteofOceanography,SOA,Hangzhou310012,China; 2.SchoolofEarthSciences,ZhejiangUniversity,Hangzhou310007,China)

Abstract:The distribution characteristics of ∑REE in the bottom sediments are influenced by many factors, so they are too difficult to analyze quantitatively. From qualitative analysis of the relationship between ∑REE content and its provenance, hydrodynamics, grain size and mineral distribution in Beibu Gulf, it is revealed that the main ∑REE composition is controlled by terrestrial rock. Both weaker hydrodynamics and the finer grain lead to the higher ∑REE content. Combined with the quantitative analysis of BP neural network which trained by the position of samples, gravel content, sand content, silt content, clay content and clay mineral content, the relative curves of individual impact factor with ∑REE content were achieved. These relative curves reveal the relationship between the ∑REE content and various impact factors, and the results are consistent with those of qualitative analysis. The method can study by itself, determine automatically and calculate quantitatively. It is helpful for identification of the impact related to each factor and ∑REE and to know how it is controlled the ∑REE distribution. So according to the curve variation and actual situation, environmental changes and geological evolution of the region can be inferred. This also provides a useful theoretical guidance for the analysis of the enrichment and dispersion for the rare earth elements.

Key words:REE; impact factors; quantitative analysis; BP neural network; Beibu Gulf

Doi:10.3969/j.issn.1001-909X.2016.01.003

中圖分類號:P595

文獻(xiàn)標(biāo)識碼:A

文章編號:1001-909X(2016)01-0018-09

作者簡介:胡昊(1990-)，男，貴州印江縣人，主要從事海洋地質(zhì)科學(xué)方面的研究。E-mail:hhshiyi@gmail.com*通訊作者:龍江平(1958-)，男，研究員，主要從事海洋地球化學(xué)方面的研究。E-mail:hangzhow@126.com

基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目資助(40776037)；國家海洋公益性科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目資助(201105003，201205008)

收稿日期:2014-11-18修回日期:2014-12-03

胡昊，許冬，龍江平，等.北部灣海底沉積物稀土元素與影響因子關(guān)系的BP神經(jīng)網(wǎng)絡(luò)定量分析[J].海洋學(xué)研究,2016,34(1):18-26,doi:10.3969/j.issn.1001-909X.2016.01.003.

HU Hao, XU Dong, LONG Jiang-pin，et al. Quantitative analysis of BP neural network on the relationships between ΣREE content and impact factors in Beibu Gulf[J]. Journal of Marine Sciences, 2016,34(1):18-26, doi:10.3969/j.issn.1001-909X.2016.01.003.