北部湾海底沉积物稀土元素与影响因子关系的BP神经网络定量分析

胡　昊，许　冬，龙江平*,2，周勐佳，唐　博，金　路

(1. 国家海洋局 第二海洋研究所,浙江 杭州 310012；2. 浙江大学 地球科学学院,浙江 杭州 310007)



北部湾海底沉积物稀土元素与影响因子关系的BP神经网络定量分析

胡昊1，许冬1，龙江平*1,2，周勐佳1，唐博1，金路1

(1. 国家海洋局 第二海洋研究所,浙江 杭州 310012；2. 浙江大学 地球科学学院,浙江 杭州 310007)

摘要:海底沉积物中稀土元素的分布特征受多种影响因子的影响，很难定量分析。北部湾沉积物稀土元素(∑REE)与物源、水动力、沉积物粒度和黏土矿物百分比等关系定性分析显示，本区∑REE的物源主要由陆源岩石控制，弱水动力和细颗粒度都对应较高含量的∑REE。结合北部湾海底沉积物的位置、砾石含量、砂含量、粉砂含量、黏土含量和黏土矿物含量训练出来的BP神经网络在控制变量的情况下定量分析各影响因子与∑REE的关系，获得单个影响因子与∑REE的关系曲线。这些关系曲线揭示了北部湾沉积物中稀土元素与各影响因子的联系，所获结果与定性分析结果基本一致，该方法能够通过自主学习，自动判断并定量计算，有助于识别每一个因子对稀土元素含量影响的大小，是如何控制∑REE的分布，从而根据曲线的变化规律结合实际情况去推断区域的环境变化及地质演变，对稀土元素的富集和分散分析提供有益的理论指导。

关键词:稀土元素；影响因子；定量分析；BP神经网络；北部湾

0引言

北部湾是位于中国南海西北部的一个半封闭型港湾，东部和南部分别有雷州半岛和海南岛，西部紧邻越南，北部背靠广西。琼州海峡与南部开阔海域是其进行水循环的重要通道。北部湾沿岸有南流江、红河流入，河流较少，因而携带的泥沙有限。其平均水深为45 m，最深达100 m以上[1]。

稀土元素(Rare earth elements，REE)是一组具有相似地球化学行为的特殊示踪元素[2]。它们在地球化学演化中扮演重要的示踪作用[2-3]，因此它们常常被用于探索地球化学分异过程、地球化学环境变化[4]、岩石演化和沉积物物源指示[5]。在海底环境中，稀土元素的化学性质相对比较稳定，且其分布主要受物源影响，因此它们对海底沉积物物源具有很强的示踪作用[5]。由于海洋环境的特殊性质，沉积物中稀土元素的分布还受沉积物粒度、矿物分布和海水动力等因素的影响。

稀土元素独特的示踪作用使得研究其分布和影响因子之间的关系具有重要意义。然而大多数的研究分析都是定性的、基于统计的和线性化的，定量化分析难度比较大。BP神经网络[6-7](即反向传播神经网络)可以在任意精度上拟合任何非线性连续函数[8-9]。其原理是通过计算输入的样本值会不断地调整各神经元的连接权值，从而使得输入的信息可以得到预期的输出信息[8]。另外，多层神经元组成的神经网络可以在样本的训练下自动学习，拟合出最佳的关系曲线[7-8]。因此，本研究利用BP神经网络来定量分析北部湾海底沉积物中稀土元素分布与影响因子之间的关系，以期为研究区稀土元素的富集和分散、区域的环境变化和地质演变提供科学依据。

1数据与方法

1.1数据来源

实验所用的312个表层沉积物样品数据和35个柱状沉积物样品数据均是国家海洋局第二海洋研究所2007年908-01-CJ16项目在北部湾采集，样品采集站位如图1所示。采集区域范围为20°0′3.3984″～21°21′28.2984″N，108°4′10.9992″～110°26′19.2588″E。表层样用蚌式采样器和箱式采样器采集，柱状样用重力采样器采集。数据分析在国土资源部地球化学勘查监督检测中心根据相关规定和标准进行。

1.2数据处理

人工神经网络是通过大规模的有向加权处理单元来模拟生物神经系统的结构和功能，使得人工神经网络能够像生物神经系统一样可以处理来自外界的信息并做出反馈[11]，其结构如图2所示。

图1　采样站位及其周边环境Fig.1　The stations and the neighboring enviroment绿色圆圈表示表层沉积物样品站位；红色三角表示柱状沉积物样品站位；蓝色箭头表示北部湾环流[10]；红色实线代表中越北部湾海上界线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

图2　人工神经元(a)和人工神经网络(b)示意图Fig.2　Sketch map of artificial neuron (a) and artificial neural network (b)

图2a中变量Xi表示外界的刺激信息，其功能相当于生物神经网络的树突；Wi表示输入信息与神经元作用的强度；θ表示神经元的阈值；Yi表示神经元对输入信息反应后的输出信息，其作用相当于轴突。大规模的神经元以多层形式组织起来就可以模拟神经系统，如图2b所示。BP神经网络是众多神经网络模型中的1种，通过最速下降的学习规则，按误差逆传的方法训练各层网络节点的权值，使得网络的误差平方和达到最小[9,12]。其优点在于自主学习，可以在无监督模式的情况下做到比较好的智能判断。

BP神经网络分析过程主要分成4步：(1)构建相应的神经网络；(2)用所准备的样本数据训练建立的神经网络；(3)检验神经网络训练的质量；(4)用训练好的神经网络通过控制变量法来评价各影响因子。

本研究将采集样品的经度、纬度、砾石含量、沙含量、粉砂含量、黏土含量以及黏土矿物含量等数据作为输入层，∑REE的含量数据作为输出层表征受到各因素的影响大小，以此来训练神经网络，最后通过控制变量的方法来对比各个影响因子对稀土元素含量的影响。若想BP神经网络收敛较快，采集的数据在做训练和分析之前首先应经过适当的预处理，否则很难达到理想的效果。本文所使用的方法是将相关的训练因子归一化到0～1之间[13]：

(1)

式中：Gi表示归一化处理后的值，Pi表示没有归一化处理的值，maxP表示影响因子P的最大值，minP表示影响因子P的最小值。

在BP神经网络分析过程中，选取样本312个，将选取的样本随机分成训练样本281个和测试样本31个，通过L-M优化算法用训练样本训练BP神经网络，神经网络参数如表1所示。

表1　神经网络参数设置

2结果与讨论

2.1定性分析

图3　北部湾海底沉积物中∑REE分布图Fig.3　The distribution of ∑REE in the bottom sediments in Beibu Gulf

图4　稀土元素球粒陨石标准化图Fig.4　The chondrite normalized patterns of REE distribution

海底沉积物大多是陆地岩石风化剥蚀作用后被各种营力搬运到海洋并沉积，因此海底沉积物中的稀土元素主要来源应与陆源物质一致。图3为北部湾海底沉积物中∑REE的分布图，由图可知，在雷州半岛西南端相对其他地方∑REE含量呈现最高值；而在北海市西南和防城港以南海域，∑REE含量呈现最低值；在研究区的左下方含量呈现较低值。分析∑REE的分布特点并对比图1可知，形成研究海域∑REE分布状况最可能的原因是海流的强弱。从图1可见，防城港南端有众多河流汇入北部湾，按照河口沉积规律，防城港以南海域稀土元素含量应该较高，然而从环流示意图可以看到环流刚好流经该海域，破环了沉积环境，因此该海域∑REE含量最低；其次北部湾环流中心位于中越北部湾界线以西，而研究区左下方∑REE含量相对较低的区域正好位于主流和中心的过渡区域，这里水流相对较缓，有利于一部分物质沉积，因此形成了次低值分布区域。在雷州半岛西南端海域发育有浅滩[14],∑REE含量最高的位置刚好对应该区域，因此推断穿过琼州海峡的水流流经雷州半岛西南端时，由于空间开阔，水流速度变缓，并与南部海域的逆时针环流在浅滩处相遇，海水混合絮凝产生了大量的沉积物质[4]，加上水流流速的物理因素，最终导致该处呈现出∑REE含量的最高值。本文用SUN et al[15]提出的球粒陨石的含量值来对表层样和柱状样样品中稀土元素的分析数据标准化,结果如图4所示。Eu在图4中显示出一致性的负值，且配份模式呈现出负斜率，这表明沉积物来源主要是大陆物质[2，5，16-22]，北部湾沿岸大型河流较少，陆源物质主要通过南流江、红河及其他河流携带而来，其次是地表径流[3]。由表2可知，北部湾表层沉积物中各稀土元素含量与中国土壤[23]、世界土壤[24]和地壳[25]中的含量相比各有高低，其中轻稀土元素比重稀土元素富集。表层样和柱状样中∑LREE/∑HREE的值已经接近10，与中国土壤中的比值接近，高于世界土壤和地壳中的比值，LREE的富集模式表明中国大陆物质中这些元素的含量较世界土壤和地壳的高，并由此推断沉积物中的稀土元素主要来源可能是中国大陆。特别指出的是∑LREE和∑REE的含量无论是表层样的还是柱状样的都明显高出中国土壤、世界土壤和地壳中的含量，尤其是柱状样的分别高出(40.98～55.5)×10-6和(44.14～57.32)×10-6，这表明北部湾沉积物中的轻稀土元素富集，其原因可能是因为长时间堆积富含轻稀土的陆源物质以及南方潮湿温暖的环境气候条件[26-28]。

表2　表层样、柱状样、中国土壤、世界土壤和地壳中稀土元素含量对比

表层沉积物中各稀土元素间及其与黏土矿物和沉积物粒度的相关性分析表明，表层沉积物中各稀土元素表现出一致的强正相关性，Eu与La和Ce的相关性相对其他几种元素较弱；黏土矿物中伊利石与各稀土元素都有较弱的正相关性，蒙脱石与全部LREE有较弱的相关性，而与HREE呈负相关性。高岭石和绿泥石与REE则呈负相关或弱正相关。一般来说，黏土矿物能够携带一定量的稀土元素[29]。本研究中砾石和砂对于REE的相关性表现出一致性的负相关，相关性最好的是粉砂，而与黏土的相关性次之，这表明稀土元素能在细颗粒沉积物中更好地富集[30-32]。

表3　表层沉积物中稀土元素与黏土矿物和沉积物粒度的相关性

稀土元素的分布与北部湾长期的环流系统有着千丝万缕的关系，夏华永 等[10]在使用casulli差分格式计算海洋物理模型时表明，北部湾环流终年按照逆时针方向流动。海流沿着海南岛西南沿岸向北与穿过琼州海峡的海流相遇，然后沿大陆岸边逆时针流动,这一因素将有利于环流的中心地带和环流沿岸较细粒度的沉积物沉积下来。从图3中也可以看出，∑REE的分布与环流形成的粒度分布相一致。

2.2定量分析

影响稀土元素分布的因子多种多样，复杂的海洋自然环境中，每一个环境过程都可能对其造成影响，本文根据稀土元素的地球化学特点，选取相关性较强的水动力状况作定性研究，选取物源、沉积物粒度和矿物分布百分比来作定量研究。物源造成海底沉积物中稀土元素含量分布和变化的因素很复杂，本文选用样本的经纬度坐标来表征物源的影响，因为元素分布在很大程度上依赖于所处的位置，而经纬度恰好可以做到定量描述，因此用经纬度表征物源是比较合理的；水动力因子与粒度的分布息息相关，密不可分，选取粒度因素作分析，则同时包含了稀土元素随水文条件和粒度的变化关系；矿物分布百分比则在一定程度上反应稀土元素对矿物的亲疏特性和地球化学活动性。

神经网络的质量需要通过测试样本来控制，如果测试样本的仿真值与实际值差距较小则神经网络训练较好，相反，若仿真值与实际值相差较大则表明训练是失败的，因而对于神经网络的测试是每次仿真都必须要做的环节。对上述训练后神经网络的测试结果可以看到31个测试样本，大多数仿真结果都在原始数据的附近，有一部分甚至与原始数据重合或接近重合(图5a)，仿真数据与原始数据的归一化值误差低于0.1的个数是24个，比例为77.42%，超过0.1的个数是7个，比例为22.58%(图5b)，从仿真的误差比例来看，神经网络效果比预想的要好很多。

分析其误差来源主要有以下几点：(1)原始数据不够多，不能对神经网络进行比较好的训练；其次，样本采集的区域较为广阔，而采集密度相对较低，在很大程度上，各采样点的影响因子和元素含量的相关性不能得到较好的保证。鉴于此，对于不同区域，用神经网络来分析时要保证训练的数据基本来自本区域采集。(2)神经网络的初始权值和阈值设置是随机的非0小量，每次仿真对结果的不确定造成一定的影响。(3)神经网络的层数和各层的神经元个数不一样也会对仿真结果产生较大偏差。因此，在实际仿真过程中，需要不断尝试，反复推敲，调节各种参数来训练出更好的神经网络。

图5　仿真结果与实际值比较(a)和仿真误差(b)Fig.5　The comparison between simulation result and origin result (a) and the errors of simulation(b)

图6　稀土元素含量随影响因子含量变化关系仿真Fig.6　The simulation of ∑REE content corresponding with the variation of the impact factors

本文通过控制变量法的思想，用已经训练好的神经网络来推演各影响因子与稀土元素含量之间的关系，图6中各条曲线表示在其它因子为0.5时，各因子增加对稀土元素含量的影响。可以看出：(1)砾石归一化含量在0～0.3之间增加时，稀土元素归一化含量由0.67左右逐渐增加到最大值，因为初始时砾石含量最低，稀土元素的含量取决于其他各个影响因子，当砾石含量在此区间增加时，有可能因为砾石的增加给稀土元素富集提供了物理条件，固含量相对增高；之后在0.3～0.5之间由于富集条件已经稳定，稀土元素含量基本保持不变；在0.5～0.7时由于砾石含量已经在沉积物中占据了主要部分，而砾石本身不利于稀土元素的富集，因此稀土元素含量骤减,随着砾石继续增加，其他影响因子的含量已经十分稀少，故在0.7～1.0区间稀土元素已经趋于最小值，并保持稳定。

(2)砂含量在0～5.5之间变化时，由于稀土元素含量在一开始是由其他各影响因子决定的，砂含量的增加一方面会使得像砾石一类的影响因子减少，另一方面会增加沉积物之间的混合均匀度，因此稀土元素含量增加；然而在5.5～1.0之间时，由于砂的含量逐渐占据主要成分，其他能够富含稀土元素的沉积物占据的成分变得很少，因此稀土元素逐渐降到最小值。

(3)粉砂含量在0～0.6之间增加时，稀土元素含量也在增加，这是由于粉砂细腻且均匀，容易携带稀土元素；而超过0.6以后，粉砂的含量占据主要成分，像砾石这一类能够给粉砂提供沉积环境的因子减少，此时粉砂在海底中沉积不集中等因素，造成了稀土元素含量渐渐开始减少。粉砂影响稀土元素含量的曲线大致与砾石相反，说明粒径对稀土元素含量影响很大。

(4)黏土含量只在0～0.2之间增加时稀土元素含量有所增加，随后渐渐减少。黏土含量的曲线在0～0.8之间与粉砂变化的曲线基本是一个相反的趋势，可能是黏土含量与粉砂含量在沉积物中保持有一定的比例，黏土的增加可能影响粉砂的含量，从而影响稀土元素的含量。

(5)蒙脱石在0～1.0之间变化时稀土元素含量总体呈增加趋势，但是在0～0.1和0.4～0.6之间稀土含量是随之减少的。蒙脱石是一种细颗粒含水硅酸盐的层状矿物，其结构有利于稀土元素的富集。

(6)伊利石是主要由白云母和钾长石风化而来的层状矿物，其结构有利于稀土元素的富集，因此伊利石含量在0～0.6之间增加时，稀土元素含量也有所增加，但是当其含量占据主要成分时，可能稀土元素富集的物理条件变得很弱，因此其含量降低。

(7)高岭石在0～0.38之间变化时，稀土元素含量减少，而在0.38～0.6之间逐渐增加，然后保持稳定。这可能主要与高岭石的理化性质有关。

(8)绿泥石在0～0.3之间变化时，稀土元素含量随之增加，然而超过0.3，稀土含量则开始减少。该关系曲线与蒙脱石的趋势相反，这有可能是因为绿泥石的理化性质和蒙脱石的相反。

除此之外，从各关系曲线也可以看出影响因子之间联系也十分密切，黏土和绿泥石，砂和伊利石等曲线几乎一致或具有一定延后，因此可推断它们可能具有相似的理化性质。砾石和粉砂，黏土和粉砂，绿泥石和粉砂等曲线趋势相反，因此推断它们的理化性质可能是相反的。

从神经网络定量分析的结果中不仅可以直观地分析出影响因子与元素含量的关系是正相关还是负相关，而且还得出了是在哪个具体的区间内呈正相关或负相关，并且得出了具体的含量，而这些值经检验大部分在合理的范围之内。北部湾稀土元素与各影响因子含量变化规律的关系，与∑REE含量分布以及相关系数矩阵得到的推断基本相符。

相对于稀土元素的标准化模式、元素含量对比、相关系数矩阵、元素分布等值线等方法而言，BP神经网络分析能够更加直接地计算出影响因子与稀土元素含量的定量关系，由影响因子的数值直接得到稀土元素含量的值。

3小结

对北部湾沉积物稀土元素的定性分析表明，其受到了物源、水动力、粒度、矿物分布等因素的影响，分布大致有沿陆缘性；弱水动力和Eu负值表明其来源主要是陆源；大部分稀土元素的平均含量都比中国土壤、世界土壤和地壳中稀土元素的平均含量高；轻稀土元素比重稀土元素富集。

用采集的北部湾表层沉积物数据来训练BP神经网络，进而通过神经网络来仿真各影响因子变化对稀土元素含量的影响，得出了它们之间的定量关系，所获结果与定性分析结果基本一致。该方法为解释研究区稀土元素在沉积物中的富集和贫瘠与其他因子之间的关系提供了理论基础，同时也有利于对研究区有更好地认识。

致谢诚挚感谢李正刚博士和杨伟芳博士对本文提出了重要建议；感谢国家海洋局第二海洋研究所所有参与908-01-CJ16项目的职工和同学为本文提供了样品和数据！

参考文献(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.

赵昌,吕新刚,乔方利.北部湾潮波数值研究[J].海洋学报: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.近岸和河口地区稀土元素地球化学研究进展[J].地球科学进展，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.

蓝先洪，王红霞，张志珣，等.南黄海表层沉积物稀土元素分布与物源关系[J].中国稀土学报，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.

吕伯权，李天铎，吕崇德.一种改进的BP算法[J].系统仿真学报，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，刘琼荪，刘佳璐，等.基于修改误差函数新的BP学习算法[J].系统仿真学报，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.一种具有动态最优学习率的BP算法[J].系统仿真学报，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.

夏华永，李树华，侍茂崇.北部湾三维风生流及密度流模拟[J].海洋学报，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.

乔冰琴，常晓明.改进粒子群算法在BP神经网络拟合非线性函数方面的应用[J].太原理工大学学报，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.

陈诚，廖桂平，李锦卫，等.基于GA、BP神经网络和多元回归的集成算法研究[J].计算技术与自动化，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，黄大庄，沈佐锐，等.用于昆虫分类鉴定的人工神经网络方法研究:主成分分析与数学建模[J].生物数学学报，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.

赵焕庭,王丽荣,袁家义.琼州海峡成因与时代[J].海洋地质与第四纪地质,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.

赵一阳,王金土,秦朝阳,等.中国大陆架海底沉积物中的稀土元素[J].沉积学报,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.黄海表层沉积物稀土元素地球化学[J].地球化学，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，张训华，李日辉.南黄海中部泥质沉积区DLC70-3孔稀土元素及环境意义[J].地质科技情报，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.南沙群岛珊瑚礁生态系中稀土元素的垂直转移过程研究[J].海洋科学集刊，1998(40):125-130.

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

中国环境监测总站.中国土壤元素背景值[M].北京：中国环境科学出版社，1990.

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

王中纲，于学元，赵振华.稀土元素地球化学[M].北京：科学出版社，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.

朱维晃，杨元根，毕华，等.海南土壤中稀土元素含量及分布特征[J].地球与环境，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.量子化学计算黏土矿物的吸附性能和富集稀土的研究[J].中国稀土学报，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.

赵一阳，鄢明才.中国浅海沉积物地球化学[M].北京：科学出版社，1994:130-150.

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

吴明清.我国台湾浅滩海底沉积物稀土元素地球化学[J].地球化学，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

中图分类号:P595

文献标识码:A

文章编号:1001-909X(2016)01-0018-09

作者简介:胡昊(1990-)，男，贵州印江县人，主要从事海洋地质科学方面的研究。E-mail:hhshiyi@gmail.com*通讯作者:龙江平(1958-)，男，研究员，主要从事海洋地球化学方面的研究。E-mail:hangzhow@126.com

基金项目:国家自然科学基金项目资助(40776037)；国家海洋公益性科研专项经费项目资助(201105003，201205008)

收稿日期:2014-11-18修回日期:2014-12-03

胡昊，许冬，龙江平，等.北部湾海底沉积物稀土元素与影响因子关系的BP神经网络定量分析[J].海洋学研究,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.