利用沉积物粒度特征区分不同级地貌面的方法对比—

引用本文

刘睿, 姜大伟, 李安, 郭长辉, 张世民. 利用沉积物粒度特征区分不同级地貌面的方法对比——以青衣江流域地貌面为例[J]. 地震地质, 2019,41(4): 837-855.
LIU Rui, JIANG Da-wei, LI An, GUO Chang-hui, ZHANG Shi-min. COMPARISON OF METHODS FOR DISTINGUISHING DIFFERENT GRADES OF GEOMORPHOLOGIC SURFACES BASED ON SEDIMENT PARTICLE SIZE FEATURES:TAKING THE QINGYIJIANG RIVER BASIN AS AN EXAMPLE[J]. SEISMOLOGY AND GEOLOGY, 2019,41(4): 837-855. 复制到剪切板

DOI:10.3969/j.issn.0253-4967.2019.04.003
Permissions

《地震地质》编辑部所有

利用沉积物粒度特征区分不同级地貌面的方法对比——以青衣江流域地貌面为例

刘睿^1,²⁾, 姜大伟^1,^*), 李安¹⁾, 郭长辉³⁾, 张世民¹⁾

1) 中国地震局地壳应力研究所, 地壳动力学重点实验室, 北京 100085

2) 中国地震局地质研究所, 活动构造与火山重点实验室, 北京 100029

3) 中国地震局第一监测中心, 天津 300180

*通讯作者: 姜大伟, 助理研究员, 主要从事活动构造与构造地貌等方面的研究, E-mail: jiangdawei12@163.com。

〔作者简介〕刘睿, 男, 1988年生, 中国地震局地质研究所构造地质学专业在读博士研究生, 研究方向为活动构造与地表过程, E-mail: liu369rui@126.com。

收稿日期: 2018-08-15

基金项目: 国家自然科学基金(41802226)和中国地震局地壳应力研究所基本科研业务专项(ZDJ2018-03)共同资助

摘要

利用河流地貌面研究构造变形需要区分不同级地貌面, 这对于侵蚀、风化严重的地区是比较困难的。为此, 文中尝试利用组成地貌面的沉积物特征对其进行区分, 并以青衣江流域地貌面为实例, 对采集于不同地貌面的29个样本分别采用传统粒度分析、自组织特征映射(SOFM)网络分析及系统聚类分析3种方法进行分类。结果表明: 传统粒度分析方法、 SOFM网络方法及聚类分析方法都能够区分不同成因的地貌面, 同时对于成因相同的不同级河流阶地, 能够区分低级阶地(T₁、 T₂)和高级阶地(T₃、 T₄)。对于低级阶地(T₁、 T₂), SOFM网络方法和聚类分析方法能够进行一定的区分, 而传统粒度分析方法的效果较差。整体而言, SOFM网络方法操作简单, 分类结果清晰直白、误差较小, 对于识别不同级地貌面具有更强的适应性。这一研究结果将为区分不同级地貌面提供一种简单、有效的手段。

关键词: 地貌面; 沉积特征; 粒度分析; 自组织人工神经网络; 系统聚类分析

中图分类号:P931.2 文献标志码:A 文章编号:0253-4967(2019)04-0837-19

COMPARISON OF METHODS FOR DISTINGUISHING DIFFERENT GRADES OF GEOMORPHOLOGIC SURFACES BASED ON SEDIMENT PARTICLE SIZE FEATURES:TAKING THE QINGYIJIANG RIVER BASIN AS AN EXAMPLE

LIU Rui^1,²⁾, JIANG Da-wei¹⁾, LI An¹⁾, GUO Chang-hui³⁾, ZHANG Shi-min¹⁾

1) Key Laboratory of Crustal Dynamics, Institute of Crustal Dynamics, China Earthquake Administration, Beijing 100085, China

2) Key Laboratory of Active Tectonics and Volcano, Institute of Geology, China Earthquake Administration, Beijing 100029, China

3) The First Monitoring and Application Center, China Earthquake Administration, Tianjin 300180, China

Abstract

When using river geomorphology to study tectonic deformation, it is often difficult to distinguish the same level geomorphology in areas with severe weathering. In this paper, we take the geomorphologic surfaces of the Qingyijiang river basin as an example and try to distinguish the geomorphic surfaces by the sediment features that make up them. In order to distinguish different geomorphic surfaces, the traditional particle-size analysis method, SOFM network method and system clustering analysis method are taken to classify 29 samples from different geomorphic surfaces. The classification results of the three methods are different to a certain extent. We analyzed and compared the classification results of the three methods in detail. The results show that the traditional particle size analysis method, SOFM network method and cluster analysis method all can distinguish the geomorphic surface of different genesis, besides, they also can distinguish low-level terraces(T₁, T₂)and high-level terraces(T₃, T₄)for different grades of river terraces. Furthermore, the results also show that SOFM network method and cluster analysis method can make a certain distinction for the low-level terraces(T₁, T₂), while the traditional particle size analysis method is difficult to distinguish them.
In addition, we analyzed and compared the three methods from the classification results, the results presentation, the operation process, and the error transmission. The results suggest that the advantages and disadvantages of the three methods are obvious. From the perspective of the classification results, the three methods all can distinguish the river terraces and alluvial fans and can make certain discrimination for different levels of river terraces. From the presentation of the results, the result of SOFM network is simple and clear. From the operation process, the traditional particle-size analysis method is relatively cumbersome, and the SOFM network method and the cluster analysis method are relatively simple to operate. From the perspective of error transmission, the traditional particle-size analysis method calculates the partial particle size feature value of the sample, which has a certain loss for the particle size distribution information of the whole sample. The error of the clustering analysis method has cumulative features and the influence exists consistently. The classification results of the SOFM network are independent of each other, which effectively avoids the problem of such error transmission of clustering analysis method.
Overall, the classification results of the SOFM network method are simple and clear, the operation is simple, and the error is small. It has stronger adaptability to identifying different levels of different geomorphic surfaces. The results of this study will provide a simple and effective means for distinguishing different levels of geomorphic surfaces.

Keyword: geomorphic surfaces; sedimentary characteristics; particle size analysis; Self-Organizing Feature Map(SOFM); artificial neural network; system clustering analysis

文章图片

0 引言

地貌是内外营力共同作用于地表的结果, 其形成和发展过程也是地表物质的运移过程, 地貌处在不同的发育阶段, 其内部结构也有所不同(杨景春等, 2012)。各种类型和成因的地貌都有一定的分布规律, 堆积地貌的形成过程也是组成堆积地貌沉积物的形成过程, 而各种沉积物在形成过程中的特征既可体现在其结构中, 也可体现在其所组成的地貌上(杨景春等, 2012)。同时, 沉积物的沉积过程是在特定的环境中进行并完成的, 因而沉积物本身承载着当时环境中的各种信息, 河流地貌也同理(Whipple et al., 1999)。

河流作用形成的多级地貌面往往是研究区域构造变形的良好载体。前人通过河流阶地、洪积扇等研究了断裂活动、褶皱变形、区域构造隆升以及地壳缩短等地学问题(杨景春等, 1998; 李安等, 2012; Liu et al., 2015; 刘睿等, 2017; 姜大伟等, 2018), 而这些研究的关键是同级地貌面的识别。以往主要利用地貌面拔河高度、空间分布形态、地层标志层等来识别地貌面(潘保田等, 2007; Lu et al., 2014), 然而对于风化、侵蚀严重的地区, 仅凭以上手段难以准确区分不同高度的地貌面。因此, 充分挖掘不同地貌面沉积物的特征和规律十分必要, 而粒度正是能够反映沉积物自身特征的一种重要特征(赵澄林等, 2001)。

目前主要通过粒度分析实验对沉积物的粒度进行研究。随着统计学及地理计算方法的发展, 除传统粒度分析方法外, SOFM网络方法、系统聚类分析方法也能够有效地对所获得的粒度数据进行分析, 并解决相关的数据处理问题(李双成等, 2002; 陈晴等, 2017; 何玉花等, 2018)。传统粒度分析方法主要是利用Folk 等(1957)提出的公式基于粒度资料计算出一些粒度参数, 并对这些参数进行分析对比(赵澄林等, 2001), 由此有效地区分沉积环境(Visher, 1965, 1969), 但所有参数都是通过样本的部分粒度特征数值计算得到的, 这将给样本的信息带来一定的损失。而自组织特征映射模型(Self-Organizing Feature Map, 简称SOFM)是一种非监督型的人工神经网络, 其学习规则是一种与大脑皮层竞争(抑制)相似的算法(冯喆等, 2012), 具有拓扑保持能力和自组织概率分布特性, 并能对输入数据进行聚类和特征提取(叶敏婷等, 2007), 尤其在信息不完备的情况下, 在模式识别、方案决策及知识处理等方面具有很强的能力(李双成等, 2002)。系统聚类方法是一种多元统计分类法, 可根据多种地学要素对地理实体进行类别划分, 无须事先了解分类对象的分类结构, 可自然、客观地将数据按照一定的方法进行分类, 并得到一张完整的分类系统图(陈晴等, 2017)。但系统聚类方法的每一步分类都以上一步分类结果为基础, 若某一步分类存在错误, 将会导致下一步分类继续出现错误。因此, 若使用以上3种方法基于粒度特征数据识别不同级地貌面, 需要对其各自进行甄别。

青衣江穿过龙门山逆冲推覆带南段, 横跨后山、中央及前山多条断裂(邓起东等, 1994), 在宝兴、芦山和雅安等多个宽谷内形成多级连续阶地, 并具有全流域的可对比性, 在峡谷段同样存在不同高度的非连续阶地。前人对这些阶地进行了详细的野外调查、测量以及定年等研究工作, 并对阶地级数进行了划分(Liu et al., 2015; 姜大伟等, 2016, 2018; Jiang et al., 2016; 姜大伟, 2017; 李伟等, 2017), 获得了详实的研究基础资料。本文以青衣江流域为研究对象, 采集不同地貌面(阶地和台地)的沉积物基质进行粒度测试, 采用传统粒度分析方法、 SOFM网络方法和系统聚类分析方法对测试结果进行分析, 通过对比各方法的分类结果来评价其优劣。

1 研究方法

1.1 传统粒度分析方法

粒度特征可反映沉积物沉积时的环境, 其包含了沉积时的多种信息, 粒度成分受搬运营力作用所控制, 与沉积环境关系密切。作为沉积物分析的一种主要手段, 粒度分析能够获得大量的粒度数据, 在实际应用中往往通过一些粒度参数来反映沉积物的粒度特征, 如平均粒径(M_Z)、标准偏差(σ ₁)、偏度(SK₁)和峰度(K_G), 这些参数都是利用Folk 等(1957)提出的公式计算而得。

平均粒径(M_Z)是指沉积物颗粒的平均粒度, 代表粒度分布的集中趋势, 可反映物质来源及沉积环境的变化。如果以有效能来表示, 则其代表沉积介质的平均动力能(速度), 表达式为

$M_{Z} = \frac{φ_{16} + φ_{50} + φ_{84}}{3}$ (1)

其中, M_Z代表平均粒径, 这里粗略地将粒度分成3类, φ ₁₆ 代表粒径较大的平均值, φ ₅₀ 代表粒径中等的平均值, φ ₈₄ 代表粒径较小的平均值。

标准差(σ ₁)表示粒度的集中和分散趋势, 即样本对于平均粒径的离散程度, 其与风化作用、物质来源、矿物化学成分以及粒度中值有关, 表达式为

$σ_{1} = \frac{φ_{84} - φ_{16}}{4} + \frac{φ_{95} - φ_{5}}{6.6}$ (2)

式中, 除包含粒级分布的中央部分(16%和84%)外, 也包括了对水动力条件反映最灵敏的粗、细尾部(95%和5%)的分选情况。前人曾分析了大量样本, 制定了用标准差σ ₁确定沉积物分选级别的标准: σ ₁< 0.35, 分选极好; 0.35≤ σ ₁< 0.50, 分选好; 0.50≤ σ ₁< 0.71, 分选较好; 0.71≤ σ ₁< 1.00, 分选中等; 1.00≤ σ ₁< 2.00, 分选较差; 2.00≤ σ ₁< 4.00, 分选差; σ ₁> 4.00, 分选极差(朱筱敏, 2008)。

偏度(SK₁)被用来判别粒度分布的不对称程度, 其计算公式为

$S K_{1} = \frac{φ_{84} + φ_{16} - 2 \times φ_{50}}{2 (φ_{84} - φ_{16})} + \frac{φ_{95} + φ_{5} - 2 \times φ_{50}}{2 (φ_{95} - φ_{5})}$ (3)

频率曲线上对数正态分布左右对称, 则SK₁=0, 但一般碎屑沉积物频率曲线的波峰往往发生偏斜, 并不完全对称(图1)。 SK₁> 0时, 波峰偏向粗粒度一侧, 细粒一侧表现为低的尾部, 说明沉积物以粗组分为主; SK₁< 0时, 波峰偏向细粒度一侧, 粗粒一侧有低的尾部, 说明沉积物以细粒为主。根据偏度值SK₁可将偏度分为5级(Folk, 1966): -1≤ SK₁< -0.3为很负偏态; -03≤ SK₁< -01为负偏态; -01≤ SK₁< 01为近似对称; 01≤ SK₁< 03为正偏态; 03≤ SK₁≤ 1为很正偏态。

	Figure Option View Download New Window
	图 1 不同偏度的频率曲线形态(朱筱敏, 2008)Fig. 1 Frequency curve shape with different skewness(after ZHU Xiao-min, 2008).

峰度, 即粒度分布的中部与两尾端的展形之比, 可用于衡量粒度频率曲线的尖锐程度。粒度频率曲线的峰度如图2所示, 其计算公式为

$K_{G} = \frac{φ_{95} - φ_{5}}{2.44 (φ_{75} - φ_{25})}$ (4)

	Figure Option View Download New Window
	图 2 不同峰度的频率曲线形态(朱筱敏, 2008)Fig. 2 Frequency curve shape with different kurtosis(after ZHU Xiao-min, 2008).

在对称正态粒度频率曲线中, φ ₉₅ 与φ ₅之间的粒度间距是φ ₇₅ 与φ ₂₅ 之间粒度间距的2.44倍, 因此粒度正态分布时K_G=1。 Folk(1966)通过K_G确定了峰值的等级界限: K_G< 0.67为很平坦; 0.67≤ K_G< 0.90为平坦; 0.90≤ K_G< 1.11为中等(正态); 1.11≤ K_G< 1.56为尖锐; 1.56≤ K_G< 3.00为很尖锐; K_G> 3.00为非常尖锐。

通常所说的颗粒大小是指其体积值, 一般以标准直径(d)表示, 取其最长直径进行粒度分析。在实际工作中, 粒径往往很小, 大多碎屑样本的粒径< 1mm。为了便于运算, 目前广泛采用φ 值代替d值, 其转换关系由Krumbein(1934)根据伍登-温德华(Udden-Wentworth)粒级标准经对数变换得出, 该表达式定义为

$φ = - lo g_{2} d$ (5)

其中, d是颗粒直径, 单位为mm。

利用式(5)将29个样本的粒度d值变换为特征值φ (表1), 然后计算得到样本粒度参数值(表2)。样本的粒度测试在中国地震局地壳应力研究所沉积环境实验室完成。

表1 沉积物样本特征值φ Table1 Characteristic values of the sediment samples

表2 样本粒度参数值 Table2 Particle size parameter values of the samples

1.2 SOFM网络方法

SOFM网络由芬兰学者Kohonen(1987)提出, 其网络模式结构由输入层和自组织特征映射层构成(图3), 拓扑结构只有2层, 即输入层和竞争层。如图 3所示, 所有输入层都与网格的每一节点相连, 每一网格节点都是输出节点, 其只与相邻的节点相连, 即每个神经元接收的外部输入都是相同的。 SOFM网络有2种权重: 一种是神经元对外部输入响应的权值; 另一种是神经元之间的连接强度, 该强度控制着神经元之间相互作用的大小, 其值可以为零。

	Figure Option View Download New Window
	图 3 SOFM网络拓扑结构(李双成等, 2002)Fig. 3 SOFM network topology structure(after LI Shuang-cheng et al., 2002).

SOFM网络在接受输入样本之后进行竞争学习, 功能相同的输入距离较近, 不同的距离较远。如果样本足够多, 则权值分布可近似为输入样本的概率密度, 在输出神经元上也反映了这种分布, 即概率大的样本集中在输出空间的某一个区域。如果输入的样本有几种分布类型, 则它们会各自根据其概率分布集中于输出空间的各个不同的区域。无论是几维的输入样本, 都可投影到某个低维的数据空间上。在高维空间中比较相近的样本, 投影到低维空间中也比较相近。自组织特征映射网络是非监督的分类方法, 与传统分类方法相比, 其所形成的分类中心能映射到一个曲面或平面上, 并且保持拓扑结构不变。

SOFM网络是通过竞争学习来实现的, 其激活函数是二值型函数, 学习过程一般由以下几步构成:

(1)初始化。对i个输入神经元到输出神经元的权值都进行随机初始化, 为W_ij(t)赋予较小的随机初始值。为任意一个节点j(0≤ j≤ n)设置一个初始邻域, 其半径在开始阶段可以稍大一些。

(2)提供一个新的输入向量模式x, 于各输入节点上输入x₀(t), x₁(t), x₂(t), …, x_n_-1(t)。

(3)选定获胜输出单元为所有权向量w_i和输入向量x之间具有最大相似性度量(或最小不相似性度量)的单元。如果选择欧几里德距离作为不相似性度量, 则获胜单元x满足:

$‖ x - w_{c} ‖ = \min ‖ x - w_{c} ‖$ (6)

式中, 下标c表示获胜单元。

(4)用N_c表示对应于获胜单元c周围邻域的一组下标。获胜单元及其邻域单元的权值按照式(7)进行更新:

$Δ w_{i} = η (x - w_{i}), i \in N_{c}$ (7)

式中, η 是一个正的学习率, 其随时间递减。为了实现较好的收敛性能, 获胜节点的邻域半径应逐步变小, 直至学习终结时只包含获胜节点本身。

(5)进行下一次学习, 直到形成有意义的映射图(李双成等, 2002)。

本文使用的SOFM非线性分类器是在MATLAB8.5中实现的。 MATLAB的神经网络工具箱(Neural Network Toolbox)提供了初始化权值、学习和训练、竞争激活等函数, 可以很方便地构建任意输入和输出神经元的SOFM网络。利用net=selforgmap([ $2^{}$ 1])创建一个自组织特征映射, 其中[ $2^{}$ 1]表示所训练SOFM的网络维数。然后利用函数train()进行训练, 设定最大循环次数为 $1^{}$ 000次, 输出29× 1的一维阵列。由于粒度参数值都是通过粒度特征值φ 计算得出, 故采用最基础的数据作为训练数据(表1)。利用φ ₁、 φ ₅、 φ ₁₆、 φ ₂₅、 φ ₅₀、 φ ₇₅、 φ ₈₄、 φ ₉₅和φ ₉₉ 这9个指标将29个样本分为2~12类, 其分类结果见表3。

表3 基于SOFM网络的粒度分类结果(训练

1^{}

000次) Table3 The classification results of the granularity based on SOFM network

网络维数	分类数	样本序号
[2 1]	2	( $1^{} 2^{} 3^{} 4^{} 5^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 1 $3^{}$ 1 $4^{}$ 15)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 1 $9^{}$ 2 $0^{}$ 2 $1^{}$ 2 $2^{}$ 2 $3^{}$ 2 $4^{}$ 2 $5^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[3 1]	3	( $1^{} 4^{} 5^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $2^{} 3^{} 9^{}$ 1 $4^{}$ 1 $5^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 1 $9^{}$ 2 $0^{}$ 2 $2^{}$ 23)(2 $1^{}$ 2 $4^{}$ 2 $5^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[4 1]	4	( $1^{} 4^{} 5^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $2^{} 3^{}$ 1 $4^{}$ 15)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 1 $9^{}$ 2 $0^{}$ 2 $2^{}$ 23)(2 $1^{}$ 2 $4^{}$ 2 $5^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[5 1]	5	( $1^{}$ 5)( $2^{} 3^{}$ 1 $4^{}$ 15)( $4^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 1 $9^{}$ 2 $0^{}$ 2 $2^{}$ 23)(2 $1^{}$ 2 $4^{}$ 2 $5^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[6 1]	6	( $1^{}$ 5)( $2^{} 3^{}$ 1 $4^{}$ 15)( $4^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)(9)(1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 1 $9^{}$ 2 $0^{}$ 2 $2^{}$ 23)(2 $1^{}$ 2 $4^{}$ 2 $5^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[7 1]	7	( $1^{}$ 5)( $2^{} 3^{}$ 1 $4^{}$ 15)( $4^{} 6^{} 7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 2 $2^{}$ 23)(19)(25)(2 $1^{}$ 2 $4^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[8 1]	8	( $1^{}$ 5)( $2^{} 3^{}$ 1 $4^{}$ 15)( $4^{}$ 6)( $7^{} 8^{}$ 1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 2 $2^{}$ 23)(19)(25)(2 $1^{}$ 2 $4^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[9 1]	9	( $1^{}$ 5)( $2^{} 3^{}$ 1 $4^{}$ 15)( $4^{}$ 6)( $7^{}$ 10)( $8^{}$ 1 $1^{}$ 1 $2^{}$ 13)( $9^{}$ 1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 2 $2^{}$ 23)(19)(25)(2 $1^{}$ 2 $4^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)
[10 1]	10	( $1^{} 4^{} 5^{} 6^{} 7^{}$ 11)( $2^{} 3^{} 8^{}$ 1 $2^{}$ 1 $3^{}$ 14)(10)(15)(16)( $9^{}$ 1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 2 $2^{}$ 29)(1 $9^{}$ 2 $1^{}$ 23)(24)(2 $5^{}$ 27)(2 $6^{}$ 28)
[11 1]	11	( $1^{} 4^{} 5^{} 6^{}$ 7)( $2^{} 3^{} 8^{}$ 1 $2^{}$ 1 $3^{}$ 14)( $9^{}$ 29)(10)(11)(15)(16)(1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 22)(1 $9^{}$ 2 $1^{}$ 2 $3^{}$ 24)(2 $5^{}$ 27)(2 $6^{}$ 28)
[12 1]	12	( $1^{}$ 5)( $2^{}$ 1 $4^{}$ 15)(3)( $4^{}$ 6)( $7^{}$ 8)(9)(1 $0^{}$ 1 $1^{}$ 1 $2^{}$ 13)(1 $6^{}$ 1 $7^{}$ 1 $8^{}$ 2 $0^{}$ 2 $2^{}$ 23)(19)(21)(2 $4^{}$ 2 $6^{}$ 2 $7^{}$ 2 $8^{}$ 29)(25)

表3 基于SOFM网络的粒度分类结果(训练

1^{}

000次) Table3 The classification results of the granularity based on SOFM network

1.3 Ward系统聚类方法

聚类分析是研究分类问题的一种多元统计方法, 其中的类就是指相似元素的集合(杨志恒, 2010)。 Ward系统聚类方法是目前比较成熟的聚类方法, 又称为离差平方和法(项晓敏等, 2015), 其能够突出同类事物之间的相似性和不同类事物之间的差异性, 充分体现研究对象之间的综合差异性, 适用于多因素、多指标的分类问题(何玉花等, 2018)。 Ward法的具体原理为以平方欧氏(Euclidean)距离作为2类之间的距离, 首先将分析的所有样本或指标各自视为一类, 然后计算类重心间的方差并进行合并, 首先将离差平方和增加幅度最小的2类合并, 再依次将所有类别逐级合并, 之后重复这一过程, 直至将所有的样本或指标合并为一类。

本文在IBM SPSS Statistics 19软件中输入表1数据, 选用Ward聚类方法(Euclidean距离)进行聚类分析。

2 数据来源及处理

2.1 青衣江区域背景

龙门山断裂带经历了元古代基底形成、晚元古代至三叠纪拉张作用和中新生代逆冲推覆造山作用, 相应地形成了海相碳酸盐、陆相碎屑岩以及新生代陆源碎屑沉积(邓起东等, 1994)。青衣江为该区域的一条大河, 自西向东穿越整个龙门山构造带南段及其前陆区, 地形高差达6i000多m。其上游发源于宝兴、天全和荥经一带(袁俊杰, 2008), 有周公河、荥经河、天全河及玉溪河等支流, 在雅安出山口处向SE流经洪雅、夹江, 在乐山市汇入岷江(图4), 总长达250km。龙门山南段前陆区, 围绕熊坡背斜与三苏场背斜(图4)发育了保存较好的废弃古洪积扇, 分布于现代青衣江河道与岷江河道之间(张倬元等, 2000)。前人的研究表明, 洪积扇为古青衣江的沉积物, 后因青衣江多次改道而废弃, 在熊坡背斜两侧形成2片较完整的洪积台地面(崔志强等, 2009)。现代青衣江在宝兴、芦山、雅安等多个宽谷内形成多级连续阶地, 并具有全流域的可对比性, 在峡谷段同样发育不同高度的非连续阶地。

	Figure Option View Download New Window
	图 4 青衣江河流地貌面分布范围Fig. 4 Distribution range of fluvial landforms in the Qingyijiang River.

2.2 样本采集

本文样本采集于青衣江流域的洪积台地与河流阶地(图5), 包括灵关河谷的T₁— T₃阶地、芦山河谷的T₁— T₄阶地、雅安河谷的T₁— T₄阶地以及名邛洪积台地和丹思洪积台地的沉积物基质, 共29个样本。地貌面表层的沉积物土壤化严重, 而埋藏太深的沉积物由于隔水等原因风化速度很慢(Nesbitt et al., 1982, 1989), 因此本研究的取样深度约2m, 该深度的沉积物能够反映地貌面自身的沉积特征。下面分别以芦山河谷和名邛洪积台地为例介绍阶地和洪积台地的发育情况、沉积特征以及取样位置。

	Figure Option View Download New Window
	图 5 不同地貌面采样位置及河流阶地特征 a 芦山河谷地貌形态及阶地分布范围; b 名邛洪积台地地貌形态及台地分布范围; c 河流地貌照片; d 各级阶地的实测剖面。S1— S4、Fs1及Fs2为采样点Fig. 5 Sampling locations on different geomorphic surfaces and characteristics of fluvial terrace.

芦山河谷发育连续4级阶地, 其中T₁、 T₂面积较大, 连续性最好, T₃与T₄阶地在河流右岸保存最好(图5a, c)。 T₁— T₄阶地均为基座阶地(图5d), 各级阶地的剖面特征有很明显的差别, 其砾石表面的光滑程度、基质颜色等有一定的渐变特征(图6)。 T₁沉积物较松散, 砾石表面光滑, 砾石间的基质填充物主要为粗砂— 中砂, 呈灰黑色。 T₂沉积物稍松散, 砾石表面仍然较光滑, 砾石间填充的基质主要为中砂— 细砂, 普遍呈棕灰色。 T₃沉积物稍有胶结, 砾石中石英岩、斜长岩等表面光滑, 灰岩、砂岩和花岗岩等表面则偏粗糙, 砾石间填充的基质主要为细砂、黏土质细砂, 普遍呈棕色。 T₄沉积物胶结程度偏高, 砾石中石英岩、斜长岩等表面仍然光滑, 灰岩、砂岩和花岗岩等表面粗糙程度高, 砾石间填充的基质基本全部为黏土, 但形态上仍保持颗粒状, 表明其风化程度很高, 普遍呈红棕色。

	Figure Option View Download New Window
	图 6 采样点沉积特征Fig. 6 Deposition feature of sampling sites.

洪积台地沉积物普遍风化严重, 砾石中石英岩的表面仍较光滑, 斜长岩、灰岩表面普遍较粗糙, 花岗岩、砂岩等易风化岩石都已失去原有的结构和硬度, 很容易粉碎, 较潮湿的位置已风化成泥。砾石之间填充的砂已风化为黏土或砂质黏土, 颜色普遍为红褐色(图6)。

2.3 沉积物粒度特征分析

根据成因可将29个沉积样本分为2类: 河流相沉积(1~23)和洪积相沉积(24~29)。根据样本所处的地貌面可以分为5类。下文将基于粒度资料, 利用数学方法计算出平均粒径(M_Z)、标准差(σ ₁)、偏度(SK₁)和峰度(K_G)等粒度参数并对其进行分析, 以探寻粒度特征的规律。

(1)1~6号样本为青衣江一级阶地(T₁)的沉积物, 其中2号样本采自灵关河段T₁阶地, 另外5个样本采自雅安河段T₁阶地, 平均粒径(M_Z)为0.01~4.97; 标准差(σ ₁)为0.82~1.95, 分选为中等到较差; 偏度(SK₁)为-0.65~-0.27, 属于很负偏态; 峰度(K_G)为0.69~2.48, 属于平坦、中等(正态)、尖锐和很尖锐峰态并存的情况。沉积物基质主要为砂类, 从粗砂到细砂的成分均有, 粗砂占80%以上; 粉砂黏土的含量较低, 不到10%(图7a)。

	Figure Option View Download New Window
	图 7 不同地貌面沉积物典型样本的粒度分布Fig. 7 Particle size distribution of typical samples from sediments on different geomorphic surfaces.

(2)7~13号样本为青衣江二级阶地(T₂)的沉积物, 其中7号样本采自庐山河段T₂阶地, 9号样本采自灵关河段T₂阶地, 其余采自雅安河段T₂阶地。由粒度参数可知, 除9号样本外, 其余样本的参数较相近。平均粒径(M_Z)为2.36~3.04, 为中砂; 标准差(σ ₁)为1.16~1.86, 分选较差; 偏度(SK₁)为-0.76~-0.70, 属于很负偏态; 峰度(K_G)为1.43~2.47, 属于尖锐和很尖锐峰态。沉积物基质以砂为主, 从粗砂到细砂的成分均有, 粗砂占60%以上, 粉砂黏土的含量有所增加, 约占20%(图7b)。

(3)14~19号样本为青衣江三级阶地(T₃)的沉积物, 其中15号样本采自庐山河段T₃阶地, 其余采自雅安河段T₃阶地。平均粒径(M_Z)为4.87~7.11; 标准差(σ ₁)为1.54~4.02, 分选较差到差; 偏度(SK₁)为-0.61~0.19, 属于很负偏态、近对称和正偏态共存; 峰度(K_G)为0.66~1.06, 属于很平坦、平坦和中等(正态)峰态。该组沉积物基质中砂组分有所降低, 约占55%, 粉砂组分含量增加, 约占30%, 黏土含量明显增加, 占15%以上(图7c)。

(4)20~23号样本为青衣江四级阶地(T₄)的沉积物, 其中21号样本采自庐山河段T₄阶地, 其余采自雅安河段T₄阶地。平均粒径(M_Z)为6.94~7.14; 标准差(σ ₁)为4.26~6.01, 分选极差; 偏度(SK₁)为-14~0.01, 近对称; 峰度(K_G)为0.67~0.93, 属于平坦和中等(正态)峰态。该组沉积物基质主要以粉砂组分为主, 占45%以上, 黏土组分进一步增加, 达到35%, 而中细砂组分较少, 不到20%(图7d)。

(5)24~29号样本采自丹思和名邛洪积台地, 其平均粒径(M_Z)为8.58~10.04; 标准差(σ ₁)为6.43~8.23, 分选极差; 偏度(SK₁)为-0.08~0.13, 近对称; 峰度(K_G)为0.90~1.14, 属于中等(正态)峰态。该组沉积物基质主要是粉砂和黏土, 黏土含量达55%以上, 粉砂含量占42%以上, 砂组成分极少, 占比不到3%(图7e)。

2.4 SOFM网络分类结果分析

对表3中基于SOFM网络的粒度分类结果进行分析总结, 分别以3类和5类为例进行分析。

当分为3类时:

(1)样本1、 4、 5、 6、 7、 8、 10、 11、 12、 13号为一类, 包含一级阶地(T₁)和二级阶地(T₂)的样本, 全部为河流相沉积。

(2)样本2、 3、 9、 14、 15、 16、 17、 18、 19、 20、 22、 23号为一类, 除2、 3、 9号3个样本外, 其余均为三级阶地(T₃)和四级阶地(T₄)的样本, 全部为河流相沉积。

(3)样本21、 24、 25、 26、 27、 28、 29号为一类, 除21号样本外, 其余均为洪积相沉积, 包括丹思台地和名邛台地的所有样本。

从分为3类的结果来看, 该方法对于沉积物的成因分类非常准确, 除21号样本外, 第一、二类均属于河流相沉积, 并且第一类主要为低级阶地(T₁、 T₂)的沉积物, 而第二类主要为高级阶地(T₃、 T₄)的沉积物, 这可能是由于低级阶地和高级阶地形成的时间不同, 风化作用也不尽相同, 因此其沉积物的粒度特征有所差别。

当分为5类时:

(1)样本1、 5号为一类, 是雅安河段一级阶地(T₁)的沉积物, 属于河流相沉积。

(2)样本2、 3、 14、 15号为一类, 包含2个雅安河段一级阶地(T₁)与1个三级阶地(T₃)的样本和1个庐山河段三级阶地(T₃)的样本, 均属于河流相沉积。

(3)样本4、 6、 7、 8、 10、 11、 12、 13号为一类, 除4、 6号2个为雅安河段一级阶地(T₁)的样本外, 其余6个全部为二级阶地(T₂)的沉积物样本, 并且包含了所有雅安河段的二级阶地(T₂)样本, 属于河流相沉积。

	Figure Option View Download New Window
	图 8 Ward聚类结果Fig. 8 Ward clustering method classification results.

(4)样本9、 16、 17、 18、 19、 20、 22、 23号为一类, 除9号为灵关河段二级阶地(T₂)的样本外, 全部为雅安河段三级阶地(T₃)和四级阶地(T₄)的沉积物样本, 属于河流相沉积。

(5)样本21、 24、 25、 26、 27、 28、 29号为一类, 除21号为庐山河段四级阶地(T₄)的样本外, 其余全部为洪积相沉积, 均为洪积台地面沉积物样本, 包括全部丹思台地和名邛台地的样本。

整体而言, 分5类的结果基本上是在分3类的基本格局之上作进一步细分, 很清楚地分出了台地的沉积物和河流阶地的沉积物, 第三类主要为二级阶地(T₂)的样本, 第四类主要为三级阶地(T₃)和四级阶地(T₄)的样本, 第五类主要为丹思台地和名邛台地的样本。

2.5 系统聚类结果分析

对图 8中基于Ward聚类的粒度分类结果进行分析总结。下文分别以分为3类和5类为例进行分析。

当分为3类时:

(1)样本1、 4、 5、 6、 7、 8、 10、 11、 12、 13号为一类, 包含一级阶地(T₁)和二级阶地(T₂)的样本, 全部为河流相沉积。

(2)样本2、 3、 9、 14、 15、 16、 17、 18、 19、 20、 22、 23号为一类, 除2、 3号2个样本外, 其余均为三级阶地(T₃)和四级阶地(T₄)的样本, 全部为河流相沉积。

(3)样本21、 24、 25、 26、 27、 28、 29号为一类, 除21号样本外, 其余均为洪积相沉积, 包括丹思台地和名邛台地的所有样本。

当分为5类时:

(1)样本1、 5号为一类, 是雅安河段一级阶地(T₁)的沉积物, 属于河流相沉积。

(2)样本2、 3、 14、 15号为一类, 包含2个雅安河段一级阶地(T₁)与1个三级阶地(T₃)的样本和1个庐山河段三级阶地(T₃)的样本, 均属于河流相沉积。

(3)样本4、 6、 7、 8、 10、 11、 12、 13号为一类, 除4、 6号2个为雅安河段一级阶地(T₁)的样本外, 其余6个样本全部为二级阶地(T₂)的沉积物样本, 并且包含了所有雅安河段的二级阶地(T₂)的样本, 属于河流相沉积。

(4)样本9、 16、 17、 18、 19、 20、 22、 23号为一类, 全部为雅安河段三级阶地(T₃)和四级阶地(T₄)的沉积物样本, 属于河流相沉积。

3 讨论

根据粒度参数分析, 不同地貌面的沉积物粒度特征具有一定的规律, 但并非一一对应。一、二级阶地沉积物的平均粒径相近, 范围相互重合; 三、四级阶地沉积物的平均粒径相近, 范围相互重合。而一、二级阶地, 三、四级阶地和洪积台地的平均粒径相互区分明显, 范围无交集, 并呈现出由粗变细的规律, 基质分别为砂、粉砂和黏土。一、二级阶地沉积物样本粒度分选分别为中等到较差、较差; 三、四级阶地沉积物分选分别为较差到差、极差; 洪积台地分选极差。总体上从低级阶地、高级阶地至洪积台地, 分选越来越差。一、二级阶地沉积物样本粒度偏度均为很负偏态; 三、四级阶地沉积物偏度分别为很负偏态、近对称和正偏态共存以及近对称; 洪积台地沉积物粒度偏度近对称。从低级阶地、高级阶地至洪积台地, 偏度总体上由极负偏态逐渐变为近对称。一、二级阶地沉积物样本粒度峰度呈平坦、中等(正态)、尖锐和很尖锐峰态并存; 三、四级阶地沉积物粒度峰度呈很平坦、平坦和中等(正态)峰态; 洪积台地沉积物粒度峰度呈中等(正态)峰态。从低级阶地、高级阶地至洪积台地, 沉积物粒度峰态总体上由多种形式并存逐渐减少到只有中等(正态)峰态。通过上述分析可知, 不同阶地沉积物特性总体上具有一定的规律, 一、二级阶地, 三、四级阶地和洪积台地的沉积物具有明显的差异, 但是相邻的一级和二级阶地、三级和四级阶地的沉积物粒度之间没有明确的界线。

传统的粒度参数分析能很好地区分不同沉积环境形成的地貌面, 如河流阶地和洪积台地等, 同时对于不同级河流阶地也有一定的区分度, 能够区分高级阶地与低级阶地。由SOFM网络方法将样本分为3类时, 低级阶地、高级阶地和洪积台地各自分别为一类, 这与实际的粒度特征较为一致。当分为5类时, 实际相当于在原有的3类基础上继续进行细分, 洪积台地的分类不变, 高级阶地类别中原本不属于高级阶地的2个样本被分离出去, 并对低级阶地进行了分解, 说明低级阶地沉积物的粒度差异比高级阶地更显著。当分为3个类别和5个类别时, Ward聚类分析方法与SOFM网络方法的结果完全一致, 但当分类数继续增加时, 结果出现差异, SOFM网络方法对于每一个类别数目分类都可得到结果, 而Ward聚类分析方法的分类数量有限, 例如类别数目为6时没有结果, 对29个样本最多可分为7类。

从分类结果来看, 3种方法都区分了河流相沉积形成的河流阶地和洪积相沉积形成的洪积台地, 对于不同级河流阶地具有一定的区分度, 能够区分一、二级阶地和三、四级阶地; 从结果来看, SOFM网络给出的结果清晰直白。从操作过程来看, 传统粒度参数分析相对繁琐, 而SOFM网络方法和聚类分析方法操作相对简单。从误差传递来看, 传统粒度参数分析方法基于样本的部分粒度特征数值进行计算, 将会为整个样本的粒度分布信息带来一定的损失; 聚类分析方法分类是在前一次分类结果的基础上对具有相似性质的数据组进行再分类, 若此前的分类存在不合理性, 则这种不合理性将一直存在于此后的分类结果中, 导致其它分类结果不合理; 而SOFM网络方法每一次都是基于全体样本数据进行分类, 故每次分类结果都是相互独立的, 有效避免了聚类分析方法存在的误差传递的问题。

粒度特征与地貌面有一定的对应关系, 特别是形成年代跨度较大的地貌面之间, 其沉积物的粒度特征差别更加突出, 但利用粒度特征对地貌进行分类并不一定总能得到理想的结果, 即能够与不同的地貌面一一对应, 这可能是由于粒度分布是环境流体动力因素的产物, 再加上物源差异、构造条件不同, 情况往往十分复杂。因此, 只有综合粒度资料与沉积物的颜色、成分、结构特征、构造沉积特征、沉积韵律特征以及生物特征等多种地貌面特征进行识别, 才能更加准确、可靠地区分不同地貌面的对应关系, 为研究相关的构造变形提供可靠的依据。

4 结论与认识

本文尝试利用沉积物特征来区分不同地貌面, 采用了传统粒度分析方法、自组织特征人工神经网络(SOFM网络)方法及传统聚类分析方法, 基于粒度数据对不同地貌面沉积物进行了分类, 结果表明:

(1)传统粒度分析方法、 SOFM网络方法和聚类分析方法都能够区分不同成因的地貌面, 同时, 对于同类成因的不同级河流阶地, 能够区分低级阶地(T₁、 T₂)和高级阶地(T₃、 T₄)。对于低级阶地(T₁、 T₂), SOFM网络方法和聚类分析方法能够进行一定的区分, 但传统粒度分析方法的分类效果较差。

(2)SOFM网络分类方法操作简单, 结果清晰直白、误差较小。整体而言, SOFM网络方法对于识别不同级地貌面具有更强的适应性。

参考文献

文献列表

[1]	陈晴, 陈沈良, 刘付程, 等. 2017. 对数比转换与系统聚类方法应用于北黎湾沉积环境分区[J]. 海洋通报, 36(2): 143—150. CHEN Qing, CHEN Shen-liang, LIU Fu-cheng, et al. 2017. Classification of sedimentary environment based on logratio transformation and system cluster: A case study of the Beili Bay[J]. Marine Science Bulletin, 36(2): 143—150(in Chinese). [本文引用:2]
[2]	崔志强, 刘登忠, 孟庆敏. 2009. 川西凹陷地区更新统砾石层沉积成因探讨[J]. 中国地质, 36(5): 1065—1078. CUI Zhi-qiang, LIU Deng-zhong, MENG Qing-min. 2009. The origin of the Pleistocene gravel in western Sichuan depression[J]. Geology in China, 36(5): 1065—1078(in Chinese). [本文引用:1]
[3]	邓起东, 陈社发, 赵小麟. 1994. 龙门山及其邻区的构造和地震活动及动力学[J]. 地震地质, 16(4): 389—403. DENG Qi-dong, CHEN She-fa, ZHAO Xiao-lin. 1994. Tectonics, seismicity and dynamics of Longmenshan Mountains and its adjacent regions[J]. Seismology and Geology, 16(4): 389—403(in Chinese). [本文引用:2]
[4]	冯喆, 吴健生, 高阳, 等. 2012. 基于SOFM网络的景观功能分类: 以北京及周边地区为例[J]. 地球信息科学学报, 14(6): 799—806. FENG Zhe, WU Jian-sheng, GAO Yang, et al. 2012. Classification of land scape functions using SOFM neural network: A case study from Beijing and its peripheral area[J]. Journal of Geo-Information Science, 14(6): 799—806(in Chinese). [本文引用:1]
[5]	何玉花, 张东水, 韩用顺, 等. 2018. 基于Ward系统聚类方法的黄河上游干流地区滑坡分类及其特征分析[J]. 中国地质灾害与防治学报, 29(1): 46—53. HE Yu-hua, ZHANG Dong-shui, HAN Yong-shun, et al. 2018. Classification of the land slides and analysis of their development characteristics in the upper reaches of the Yellow River based on Ward system clustering method[J]. The Chinese Journal of Geological Hazard and Control, 29(1): 46—53(in Chinese). [本文引用:2]
[6]	姜大伟. 2017. 龙门山南段及其前陆区晚第四纪构造变形的河流地貌研究 [D]. 北京: 中国地震局地质研究所. JIANG Da-wei. 2017. A fluvial geomorphology research about the Late Quaternary deformation of the southern Longmen Shan and its foreland basin[D]. Institute of Geology, China Earthquake Administration, Beijing(in Chinese). [本文引用:1]
[7]	姜大伟, 张世民, 丁锐, 等. 2016. 龙门山南段前陆区古冲积扇分析及河流地貌面序列的建立: 基于地貌面的测年数据、野外地貌分析与调查[J]. 第四纪研究, 36(5): 1263—1279. JIANG Da-wei, ZHANG Shi-min, DING Rui, et al. 2016. A fluvial morphologic surface sequence based on the research of alluvial fans in the foreland region of southern Longmen Shan: According to the dating methods, field survey, and geomorphological analysis[J]. Quaternary Sciences, 36(5): 1263—1279(in Chinese). [本文引用:1]
[8]	姜大伟, 张世民, 李伟, 等. 2018. 龙门山南段前陆区晚第四纪构造变形样式[J]. 地球物理学报, 61(5): 1949—1969. doi: 10.6. 38/cjg2018M0253. JIANG Da-wei, ZHANG Shi-min, LI Wei, et al. 2018. Foreland deformation pattern of the southern Longmen Shan in Late Quaternary[J]. Chinese Journal of Geophysics, 61(5): 1949—1969(in Chinese). [本文引用:2]
[9]	李安, 杨晓平, 黄伟亮, 等. 2012. 焉耆盆地北缘和静逆断裂-褶皱带第四纪变形[J]. 地震地质, 34(2): 240—253. doi: 10.3969/j. issn. 0253-4967. 2012. 02. 004. LI An, YANG Xiao-ping, HUANG Wei-liang, et al. 2012. Quaternary deformation of the Hejing thrust-fold belt on northern margin of the Yanqi Basin, southern Tianshan[J]. Seismology and Geology, 34(2): 240—253(in Chinese). [本文引用:1]
[10]	李双成, 郑度, 张镱锂. 2002. 青藏高原生态资产地域划分中的SOFM网络技术[J]. 自然资源学报, 17(6): 750—756. LI Shuang-cheng, ZHENG Du, ZHANG Yi-li. 2002. Application of SOFM neural network to ecological assets regionalization in Qinghai-Tibet Plateau[J]. Journal of Natural Resources, 17(6): 750—756(in Chinese). [本文引用:3]
[11]	李伟, 张世民, 姜大伟, 等. 2017. 龙门山南段晚第四纪逆冲活动的河流地貌研究[J]. 地震地质, 39(6): 1213—1236. doi: 10.3969/j. issn. 0253-4967. 2017. 06. 009. LI Wei, ZHANG Shi-min, JIANG Da-wei, et al. 2017. Thrust of the southern Longmen Shan Fault in the late Quaternary revealed by river land forms[J]. Seismology and Geology, 39(6): 1213—1236(in Chinese). [本文引用:1]
[12]	刘睿, 李安, 张世民, 等. 2017. 白杨河阶地揭示的北祁连山西段晚第四纪构造变形[J]. 地震地质, 39(6): 1237—1255. doi: 10.3969/j. issn. 0253-4967. 2017. 06. 010. LIU Rui, LI An, ZHANG Shi-min, et al. 2017. The late Quaternary tectonic deformation revealed by the terraces on the Baiyang River in the northern Qilian Mountains[J]. Seismology and Geology, 39(6): 1237—1255(in Chinese). [本文引用:1]
[13]	潘保田, 苏怀, 刘小丰, 等. 2007. 兰州东盆地最近1. 2Ma的黄河阶地序列与形成原因[J]. 第四纪研究, 27(2): 172—180. PAN Bao-tian, SU Huai, LIU Xiao-feng, et al. 2007. River terraces of the Yellow River and their genesis in eastern Lanzhou Basin during last 1. 2Ma[J]. Quaternary Sciences, 27(2): 172—180(in Chinese). [本文引用:1]
[14]	项晓敏, 金晓斌, 杜心栋, 等. 2015. 基于Ward系统聚类的中国农用地整治实施状况分析[J]. 农业工程学报, 31(6): 257—265. XIANG Xiao-min, JIN Xiao-bin, DU Xin-dong, et al. 2015. Analysis of farmland consolidation implementation status in China based on Ward hierarchical clustering[J]. Transactions of the Chinese Society of Agricultural Engineering, 31(6): 257—265(in Chinese). [本文引用:1]
[15]	杨景春, 谭利华, 李有利, 等. 1998. 祁连山北麓河流阶地与新构造演化[J]. 第四纪研究, 18(3): 229—237. YANG Jing-chun, TAN Li-hua, LI You-li, et al. 1998. River terraces and neotectonic evolution at north margin of the Qilianshan Mountains[J]. Quaternary Sciences, 18(3): 229—237(in Chinese). [本文引用:1]
[16]	杨景春, 李有利. 2012. 地貌学原理 [M]. 第3版. 北京: 北京大学出版社. YANG Jing-chun, LI You-li. 2012. Principle of Geomorphology [M]. Third edition. Peking University Press, Beijing. [本文引用:1]
[17]	杨志恒. 2010. 基于Ward法的区域空间聚类分析[J]. 中国人口资源与环境, 20(3): 382—386. YANG Zhi-heng. 2010. Region spatial cluster algorithm based on Ward method[J]. China Population Resources and Environment, 20(3): 382—386(in Chinese). [本文引用:1]
[18]	叶敏婷, 王仰麟, 彭建, 等. 2007. 基于SOFM网络的云南省土地利用程度类型划分研究[J]. 地理科学进展, 26(2): 97—106. YE Min-ting, WANG Yang-lin, PENG Jian, et al. 2007. Classification of land use degree in Yunnan Province based on SOFM networks[J]. Progress in Geography, 26(2): 97—106(in Chinese). [本文引用:1]
[19]	袁俊杰. 2008. 四川雅安地区第四纪以来活动构造及青衣江水系演化 [D]. 成都: 成都理工大学. YUAN Jun-jie. 2008. The neotectonic movement from the Quaternary period and the water system evolvement of the Qingyijiang river valley in Sichuan[D]. Chengdu University of Technology, Chengdu(in Chinese). [本文引用:1]
[20]	张倬元, 陈叙伦, 刘世青, 等. 2000. 丹棱-思濛砾石层成因与时代[J]. 山地学报, 18(S1): 8—16. ZHANG Zhuo-yuan, CHEN Xu-lun, LIU Shi-qing, et al. 2000. Origin and geological age of the Danleng-Simeng gravel bed[J]. Journal of Mountain Science, 18(Sl): 8—16(in Chinese). [本文引用:1]
[21]	赵澄林, 朱筱敏. 2001. 沉积岩石学 [M]. 第3版. 北京: 石油工业出版社. ZHAO Cheng-lin, ZHU Xiao-min. 2001. Sedimentary Petrology [M]. Third edition. Petroleum Industry Press, Beijing(in Chinese). [本文引用:2]
[22]	朱筱敏. 2008. 沉积岩石学 [M]. 第四版. 北京: 石油工业出版社. ZHU Xiao-min. 2008. Sedimentary Petrology [M]. Fourth edition. Petroleum Industry Press, Beijing(in Chinese). [本文引用:1]
[23]	Folk R L. 1966. A review of grain-size parameters[J]. Sedimentology, 6(2): 73—93. [本文引用:2]
[24]	Folk R L, Ward W C. 1957. Brazos river bar: A study in the significance of grain size parameters[J]. Journal of Sedimentary Research, 27(1): 3—26. [本文引用:2]
[25]	Jiang D W, Zhang S M, Li W. 2016. Research on the Quaternary fluvial geomorphological surface sequence of the foreland region in southern Longmen Shan, eastern Tibet[J]. Geomorphology, 269: 133—148. [本文引用:1]
[26]	Kohonen T. 1987. Self-Organization and Associative Memory, 2nd Edition[M]. Springer-Verlag, Berlin. [本文引用:1]
[27]	Krumbein W C. 1934. Size frequency distributions of sediments[J]. Journal of Sedimentary Research, 4(2): 65—77. [本文引用:1]
[28]	Liu S, Zhang S M, Ding R, et al. 2015. Upper crustal folding of the 2013 Lushan earthquake area in southern Longmen Shan, China: Insights from Late Quaternary fluvial terraces[J]. Tectonophysics, 639: 99—108. [本文引用:2]
[29]	Lu H H, Zhang T Q, Zhao J X, et al. 2014. Late Quaternary alluvial sequence and uplift-driven incision of the Urumqi River in the north front of the Tian Shan, northwestern China[J]. Geomorphology, 219: 141—151. [本文引用:1]
[30]	Nesbitt H W, Young G M. 1982. Early Proterozoic climates and plate motions inferred from major element chemistry of lutites[J]. Nature, 299: 715—717. [本文引用:1]
[31]	Nesbitt H W, Young G M. 1989. Formation and diagenesis of weathering profiles[J]. The Journal of Geology, 97(2): 129—147. [本文引用:1]
[32]	Visher G S. 1965. Use of vertical profile in environmental reconstruction[J]. American Association of Petroleum Geologists Bulletin, 49(1): 41—61. [本文引用:1]
[33]	Visher G S. 1969. Grain size distributions and depositional processes[J]. Journal of Sedimentary Research, 39(3): 1074—1106. [本文引用:1]
[34]	Whipple K X, Kirby E, Brocklehurst S H. 1999. Geomorphic limits to climate-induced increases in topographic relief[J]. Nature, 401: 39—43. [本文引用:1]

2017

0.0

陈晴, 陈沈良, 刘付程, 等. 2017. 对数比转换与系统聚类方法应用于北黎湾沉积环境分区[J]. 海洋通报, 36(2): 143—150.

CHEN

Qing

, CHEN

Shen-liang

, LIU

Fu-cheng

, et al. 2017. Classification of sedimentary environment based on logratio transformation and system cluster: A case study of the Beili Bay[J]. Marine Science Bulletin, 36(2): 143—150(in Chinese).

... 陈晴等, 2017 ...

... 系统聚类方法是一种多元统计分类法, 可根据多种地学要素对地理实体进行类别划分, 无须事先了解分类对象的分类结构, 可自然、客观地将数据按照一定的方法进行分类, 并得到一张完整的分类系统图(陈晴等, 2017) ...

2009

0.0

崔志强, 刘登忠, 孟庆敏. 2009. 川西凹陷地区更新统砾石层沉积成因探讨[J]. 中国地质, 36(5): 1065—1078.

CUI

Zhi-qiang

, LIU

Deng-zhong

, MENG

Qing-min

. 2009. The origin of the Pleistocene gravel in western Sichuan depression[J]. Geology in China, 36(5): 1065—1078(in Chinese).

... 前人的研究表明, 洪积扇为古青衣江的沉积物, 后因青衣江多次改道而废弃, 在熊坡背斜两侧形成2片较完整的洪积台地面(崔志强等, 2009) ...

1994

0.0

邓起东, 陈社发, 赵小麟. 1994. 龙门山及其邻区的构造和地震活动及动力学[J]. 地震地质, 16(4): 389—403.

DENG

Qi-dong

, CHEN

She-fa

, ZHAO

Xiao-lin

. 1994. Tectonics, seismicity and dynamics of Longmenshan Mountains and its adjacent regions[J]. Seismology and Geology, 16(4): 389—403(in Chinese).

... 青衣江穿过龙门山逆冲推覆带南段, 横跨后山、中央及前山多条断裂(邓起东等, 1994), 在宝兴、芦山和雅安等多个宽谷内形成多级连续阶地, 并具有全流域的可对比性, 在峡谷段同样存在不同高度的非连续阶地 ...

... 1 青衣江区域背景龙门山断裂带经历了元古代基底形成、晚元古代至三叠纪拉张作用和中新生代逆冲推覆造山作用, 相应地形成了海相碳酸盐、陆相碎屑岩以及新生代陆源碎屑沉积(邓起东等, 1994) ...

2012

0.0

冯喆, 吴健生, 高阳, 等. 2012. 基于SOFM网络的景观功能分类: 以北京及周边地区为例[J]. 地球信息科学学报, 14(6): 799—806.

FENG

Zhe

, WU

Jian-sheng

, GAO

Yang

, et al. 2012. Classification of land scape functions using SOFM neural network: A case study from Beijing and its peripheral area[J]. Journal of Geo-Information Science, 14(6): 799—806(in Chinese).

... 而自组织特征映射模型(Self-Organizing Feature Map, 简称SOFM)是一种非监督型的人工神经网络, 其学习规则是一种与大脑皮层竞争(抑制)相似的算法(冯喆等, 2012), 具有拓扑保持能力和自组织概率分布特性, 并能对输入数据进行聚类和特征提取(叶敏婷等, 2007), 尤其在信息不完备的情况下, 在模式识别、方案决策及知识处理等方面具有很强的能力(李双成等, 2002) ...

2018

0.0

何玉花, 张东水, 韩用顺, 等. 2018. 基于Ward系统聚类方法的黄河上游干流地区滑坡分类及其特征分析[J]. 中国地质灾害与防治学报, 29(1): 46—53.

Yu-hua

, ZHANG

Dong-shui

, HAN

Yong-shun

, et al. 2018. Classification of the land slides and analysis of their development characteristics in the upper reaches of the Yellow River based on Ward system clustering method[J]. The Chinese Journal of Geological Hazard and Control, 29(1): 46—53(in Chinese).

... 何玉花等, 2018) ...

... Ward系统聚类方法是目前比较成熟的聚类方法, 又称为离差平方和法(项晓敏等, 2015), 其能够突出同类事物之间的相似性和不同类事物之间的差异性, 充分体现研究对象之间的综合差异性, 适用于多因素、多指标的分类问题(何玉花等, 2018) ...

2017

0.0

姜大伟. 2017. 龙门山南段及其前陆区晚第四纪构造变形的河流地貌研究 [D]. 北京: 中国地震局地质研究所.

JIANG

Da-wei

. 2017. A fluvial geomorphology research about the Late Quaternary deformation of the southern Longmen Shan and its foreland basin[D]. Institute of Geology, China Earthquake Administration, Beijing(in Chinese).

... 姜大伟, 2017 ...

2016

0.0

姜大伟, 张世民, 丁锐, 等. 2016. 龙门山南段前陆区古冲积扇分析及河流地貌面序列的建立: 基于地貌面的测年数据、野外地貌分析与调查[J]. 第四纪研究, 36(5): 1263—1279.

JIANG

Da-wei

, ZHANG

Shi-min

, DING

Rui

, et al. 2016. A fluvial morphologic surface sequence based on the research of alluvial fans in the foreland region of southern Longmen Shan: According to the dating methods, field survey, and geomorphological analysis[J]. Quaternary Sciences, 36(5): 1263—1279(in Chinese).

... 姜大伟等, 2016, 2018 ...

2018

0.0

姜大伟, 张世民, 李伟, 等. 2018. 龙门山南段前陆区晚第四纪构造变形样式[J]. 地球物理学报, 61(5): 1949—1969. doi: 10.6. 38/cjg2018M0253.

JIANG

Da-wei

, ZHANG

Shi-min

, LI

Wei

, et al. 2018. Foreland deformation pattern of the southern Longmen Shan in Late Quaternary[J]. Chinese Journal of Geophysics, 61(5): 1949—1969(in Chinese).

... 姜大伟等, 2018), 而这些研究的关键是同级地貌面的识别 ...

... 姜大伟等, 2016, 2018 ...

2012

0.0

李安, 杨晓平, 黄伟亮, 等. 2012. 焉耆盆地北缘和静逆断裂-褶皱带第四纪变形[J]. 地震地质, 34(2): 240—253. doi: 10.3969/j. issn. 0253-4967. 2012. 02. 004.

, YANG

Xiao-ping

, HUANG

Wei-liang

, et al. 2012. Quaternary deformation of the Hejing thrust-fold belt on northern margin of the Yanqi Basin, southern Tianshan[J]. Seismology and Geology, 34(2): 240—253(in Chinese).

... 李安等, 2012 ...

2002

0.0

李双成, 郑度, 张镱锂. 2002. 青藏高原生态资产地域划分中的SOFM网络技术[J]. 自然资源学报, 17(6): 750—756.

Shuang-cheng

, ZHENG

, ZHANG

Yi-li

. 2002. Application of SOFM neural network to ecological assets regionalization in Qinghai-Tibet Plateau[J]. Journal of Natural Resources, 17(6): 750—756(in Chinese).

... 随着统计学及地理计算方法的发展, 除传统粒度分析方法外, SOFM网络方法、系统聚类分析方法也能够有效地对所获得的粒度数据进行分析, 并解决相关的数据处理问题(李双成等, 2002 ...

... (5)进行下一次学习, 直到形成有意义的映射图(李双成等, 2002) ...

2017

0.0

李伟, 张世民, 姜大伟, 等. 2017. 龙门山南段晚第四纪逆冲活动的河流地貌研究[J]. 地震地质, 39(6): 1213—1236. doi: 10.3969/j. issn. 0253-4967. 2017. 06. 009.

Wei

, ZHANG

Shi-min

, JIANG

Da-wei

, et al. 2017. Thrust of the southern Longmen Shan Fault in the late Quaternary revealed by river land forms[J]. Seismology and Geology, 39(6): 1213—1236(in Chinese).

... 李伟等, 2017), 获得了详实的研究基础资料 ...

2017

0.0

刘睿, 李安, 张世民, 等. 2017. 白杨河阶地揭示的北祁连山西段晚第四纪构造变形[J]. 地震地质, 39(6): 1237—1255. doi: 10.3969/j. issn. 0253-4967. 2017. 06. 010.

LIU

Rui

, LI

, ZHANG

Shi-min

, et al. 2017. The late Quaternary tectonic deformation revealed by the terraces on the Baiyang River in the northern Qilian Mountains[J]. Seismology and Geology, 39(6): 1237—1255(in Chinese).

... 刘睿等, 2017 ...

2007

0.0

潘保田, 苏怀, 刘小丰, 等. 2007. 兰州东盆地最近1. 2Ma的黄河阶地序列与形成原因[J]. 第四纪研究, 27(2): 172—180.

PAN

Bao-tian

, SU

Huai

, LIU

Xiao-feng

, et al. 2007. River terraces of the Yellow River and their genesis in eastern Lanzhou Basin during last 1. 2Ma[J]. Quaternary Sciences, 27(2): 172—180(in Chinese).

... 以往主要利用地貌面拔河高度、空间分布形态、地层标志层等来识别地貌面(潘保田等, 2007 ...

2015

0.0

项晓敏, 金晓斌, 杜心栋, 等. 2015. 基于Ward系统聚类的中国农用地整治实施状况分析[J]. 农业工程学报, 31(6): 257—265.

XIANG

Xiao-min

, JIN

Xiao-bin

, DU

Xin-dong

, et al. 2015. Analysis of farmland consolidation implementation status in China based on Ward hierarchical clustering[J]. Transactions of the Chinese Society of Agricultural Engineering, 31(6): 257—265(in Chinese).

1998

0.0

杨景春, 谭利华, 李有利, 等. 1998. 祁连山北麓河流阶地与新构造演化[J]. 第四纪研究, 18(3): 229—237.

YANG

Jing-chun

, TAN

Li-hua

, LI

You-li

, et al. 1998. River terraces and neotectonic evolution at north margin of the Qilianshan Mountains[J]. Quaternary Sciences, 18(3): 229—237(in Chinese).

... 前人通过河流阶地、洪积扇等研究了断裂活动、褶皱变形、区域构造隆升以及地壳缩短等地学问题(杨景春等, 1998 ...

2012

0.0

... 0 引言地貌是内外营力共同作用于地表的结果, 其形成和发展过程也是地表物质的运移过程, 地貌处在不同的发育阶段, 其内部结构也有所不同(杨景春等, 2012) ...

2010

0.0

杨志恒. 2010. 基于Ward法的区域空间聚类分析[J]. 中国人口资源与环境, 20(3): 382—386.

YANG

Zhi-heng

. 2010. Region spatial cluster algorithm based on Ward method[J]. China Population Resources and Environment, 20(3): 382—386(in Chinese).

... 3 Ward系统聚类方法聚类分析是研究分类问题的一种多元统计方法, 其中的类就是指相似元素的集合(杨志恒, 2010) ...

2007

0.0

叶敏婷, 王仰麟, 彭建, 等. 2007. 基于SOFM网络的云南省土地利用程度类型划分研究[J]. 地理科学进展, 26(2): 97—106.

Min-ting

, WANG

Yang-lin

, PENG

Jian

, et al. 2007. Classification of land use degree in Yunnan Province based on SOFM networks[J]. Progress in Geography, 26(2): 97—106(in Chinese).

2008

0.0

袁俊杰. 2008. 四川雅安地区第四纪以来活动构造及青衣江水系演化 [D]. 成都: 成都理工大学.

YUAN

Jun-jie

. 2008. The neotectonic movement from the Quaternary period and the water system evolvement of the Qingyijiang river valley in Sichuan[D]. Chengdu University of Technology, Chengdu(in Chinese).

... 其上游发源于宝兴、天全和荥经一带(袁俊杰, 2008), 有周公河、荥经河、天全河及玉溪河等支流, 在雅安出山口处向SE流经洪雅、夹江, 在乐山市汇入岷江(图4), 总长达250km ...

2000

0.0

... 龙门山南段前陆区, 围绕熊坡背斜与三苏场背斜(图4)发育了保存较好的废弃古洪积扇, 分布于现代青衣江河道与岷江河道之间(张倬元等, 2000) ...

2001

0.0

... 因此, 充分挖掘不同地貌面沉积物的特征和规律十分必要, 而粒度正是能够反映沉积物自身特征的一种重要特征(赵澄林等, 2001) ...

... 传统粒度分析方法主要是利用Folk 等(1957)提出的公式基于粒度资料计算出一些粒度参数, 并对这些参数进行分析对比(赵澄林等, 2001), 由此有效地区分沉积环境(Visher, 1965, 1969), 但所有参数都是通过样本的部分粒度特征数值计算得到的, 这将给样本的信息带来一定的损失 ...

2008

0.0

... 00, 分选极差(朱筱敏, 2008) ...

1966

0.0

... 根据偏度值SK₁可将偏度分为5级(Folk, 1966): -1#cod#x02264 ...

... Folk(1966)通过K_G确定了峰值的等级界限: K_G#cod#x0003C ...

1957

0.0

... ₁)、偏度(SK₁)和峰度(K_G), 这些参数都是利用Folk 等(1957)提出的公式计算而得 ...

2016

0.0

... Jiang et al ...

1987

0.0

... 2 SOFM网络方法SOFM网络由芬兰学者Kohonen(1987)提出, 其网络模式结构由输入层和自组织特征映射层构成(图3), 拓扑结构只有2层, 即输入层和竞争层 ...

1934

0.0

... 值代替d值, 其转换关系由Krumbein(1934)根据伍登-温德华(Udden-Wentworth)粒级标准经对数变换得出, 该表达式定义为 ...

2015

0.0

... Liu et al ...

... 前人对这些阶地进行了详细的野外调查、测量以及定年等研究工作, 并对阶地级数进行了划分(Liu et al ...

2014

0.0

... Lu et al ...

1982

0.0

... 地貌面表层的沉积物土壤化严重, 而埋藏太深的沉积物由于隔水等原因风化速度很慢(Nesbitt et al ...

1989

0.0

... , 1982, 1989), 因此本研究的取样深度约2m, 该深度的沉积物能够反映地貌面自身的沉积特征 ...

1965

0.0

1969

0.0

1999

0.0

... 同时, 沉积物的沉积过程是在特定的环境中进行并完成的, 因而沉积物本身承载着当时环境中的各种信息, 河流地貌也同理(Whipple et al ...