TUTKIMUSRAPORTTI REPORT OF INVESTIGATION 94. Kfl~~tOJl(lU[ltah -~ tu ' eisto kivilajiluokituksen apuvälineenä

Transkriptio

1 TUTKIMUSRAPORTTI REPORT OF INVESTIGATION 94 Kfl~~tOJl(lU[ltah -~ tu ' eisto kivilajiluokituksen apuvälineenä

2 GEOLOGIAN TUTKIMUSKESKUS Tutkimusraportti 94 GEOLOGICAL SURVEY OF FINLAND Report of Investigation 94 J ari Mäkinen GEOLOGINEN TIETOKANTA-AINEISTO KIVILAJILUOKITUKSEN APUVÄLINEENÄ Espoo 1990

3 Mäkinen, Jari, The use of geological databases in lithological classification. Geolof<ian twkimuskeskus - Geolof<ical Survey 0/ Finland. Twkimusraportli 94 - Reporl o/illvesligalioll pages, 5 figures and 3 tables. As an aid in the classification 01" rock type based on discriminant functions, training sets were designated from information in the IGBA database. Classification was developed at two levels, with the higher consisting of 10 principal lithologies and the lower containing a further 250 subclasses. A suite of sampies were then compared with the training sets using nonparametric discriminant analysis. The geological setting of the training set sampies was established on the basis of available literature and was subsequently applied to the sampies being examined. Indirect information concerning these sampies was futher obtained by comparing the discriminant analysis training sets with published discrimination diagrams. Such diagrams are able to provide a general geological background for a given suite of sampies while the training sets give detailed information for each compositional field. Jari Mäkinen Geologian twkimuskeskus Geokemian osasto PL Kuopio Key words: statistical analysis, discriminant analys is, rocks, classification, databases, volcamc rocks, Lahnalahtl, Tupala, Finland ISBN ISSN

4 SISÄLLYSLUETTELO lohdanto Graafisista luokittelumenetelmistä Tutkimuksen tarkoitus Tietokanta-aineisto Tietokanta-aineiston esikäsittely Tietokanta-aineiston ryhmittely Suomalaisen testiaineiston ryhmittely Tulosten tarkastelu Kirjallisuusluettelo

5

6 5 JOHDANTO K vantitatiivisen geokemiallisen informaation määrä on viime vuosina lisääntynyt huomattavasti lähinnä kemiallisen analytiikan ja tietotekniikan kehittymisen ansiosta. Laboratoriot voivat analysoida suuria näytemääriä ja näytteisiin liittyvän tiedon käsittely on nopeaa. Vaikka geologisen ja geokemiallisen tiedon määrä jatkuvasti kasvaa, ei kerääntynyttä tietoa käytetä samassa suhteessa uusien tutkimusten pohjana. Osa vanhasta tiedosta jää käyttämättömäksi, vaikka se olisi edelleen laatunsa puolesta käyttökelpoista. J ulkaisuista referoidaan harvoin muuta kuin geologisia johtopäätöksiä koskevaa osaa ja varsinaista dataosaa ei juuri käytetä. Osittain syynä lienee tiedon epäyhtenäisyys ja sen kokoamiseen kuluva suuri työmäärä. Tutkimusmateriaalien myöhempi hyväksikäyttö on mahdollista sellaisten geologisten tietokantojen avulla, joissa julkaisuista kerätyt tiedot ovat yhtenäisessä muodossa. Kun tällaista aineistoa on tähän mennessä käytetty lähes yksinomaan erotteludiagramrnien laatimiseen, suoritettiin Turun yliopiston geologian laitoksessa toimivan sinkkimalmien tutkimusprojektin yhteydessä menetelmäkehittely, jossa tietokantaa käytettiin apuvälineenä vulkaanisten kivien luokittelussa. Perusajatuksena oli muodostaa IGBA-tietokannasta (Chayes 1979) mallijoukkoja, joihin uutta tutkimusmateriaalia verrattiin tilastollisilla menetelmillä. Mallijoukkojen luokitus tehtiin kaksitasoisena siten, että ensimmäisellä tasolla määriteltiin vulkaaniset pääkivilajityypit (basaltit, andesiitit jne.) ja toisella tasolla paikalliset kivilajityypit. Samantyyppisiä menetelmiä on viime aikoina käytetty geokemiallisen aineiston luokittelussa. Gustavsson (1988) on käyttänyt alueellisen geokemiallisen moreenikartoituksen tulosaineiston tulkinnassa erilaisiin malmityyppeihin perustuvia mallijoukkoja. Pearce (1987) on vastaavasti kehittänyt ESCORT-systeemin, joka soveltuu vulkaanisten kivien luokitteluun. Työ suoritettiin Turun yliopiston IBM3033-tietokoneella ja tilastolliset analyysit tehtiin BMDP- ja SAS-ohjelmistoilla (Dixon 1983, SAS user's guide 1985). Pentti Elomaa teki tietokantaohjelmiston IGBA-aineiston käsittelemiseksi.

7 6 GRAAFISISTA LUOKITTEL UMENETELMISTÄ Kivilajien geokemiallisessa luokittelussa käytetään eri tarkoituksiin luotuja graafisia erotteludiagrammeja (kuva I). Diagrammien käyttökelpoisuuden vuoksi suuri osa petrologisista ja geokemiallisista tutkimuksista perustuu erotteludiagrammien tulkintaan. Niiden käyttö on yksinkertaista, sillä diagrammien kenttäjako antaa suoraan kaavamaisen selityksen tutkittavasta geokemiallisesta tiedosta picrite R trachyte alkalirhyolite R 1 =4Si-11 (Na+K)-2(Fe+ Ti) o ~ ~----~ ~------~ ~ -500 o R1 Ku va I. R 1 R2-diagrammin kivilajikentät (La Rache et al. 1980). Ag. 1. R1-R2 diagram /ithologicalfields (7a Roche et al., 1980) Erotteludiagrammien selitysaste on suoraan verrannollinen luokittelutasoon. Kiven geologisesta historiasta voidaan päätellä enemmän AFM-diagrammin kuin esim. Si0 2 vs. N a 2 0+ K 2 0 diagrammin avulla. Mitä yksityiskohtaisempi erotteludiagrammi on luonteeltaan, sitä enemmän se selittää geologisia prosesseja. Toisaalta on otettava huomioon, että virhetekijöiden määrä kasvaa siirryttäessä alemmille tasoille,joissa kivilajiluokat muistuttavat enemmän toisiaan. Erotteludiagrammien sovellettavuus vaihtelee myös kivilajeittain, sillä basalttisille kiville on kehitetty eniten erilaisia erotteludiagrammeja. Erotteludiagrammeissa on usein käytetty korostetusti yhtä tai muutamaa alkuainetta. Sovellutukset pohjautuvat geokemiallisen aineiston perusominaisuuteen, jonka mukaan geologisia tapahtumia kuvaavien koostumusgradienttien jyrkkyydet vaihtelevat alkuaineittain. Kemiallisen tasapainoperiaatteen mukaisesti kysymys on kuitenkin useiden alkuaineiden kovariaatiosta, minkä vuoksi monimuuttujamenetelmillä saadaan luotettavampaa informaatiota kuin yhteen tai kahteen muuttujaan perustuvilla menetelmillä. Myös Suomen proterotsooisten ja arkeeisten vulkaniittien luokittelussa on käytetty erotteludiagrammeja. Hanski (1988) sekä Tuukki ja Uusikartano (1988) ovat kuitenkin todenneet, etteivät erotteludiagrammit ai na sovellu suoraan arkeeisten kivien luokitteluun. Syitä on useita: ensiksi ei olla varmoja resenttisen laattatektonisen mallin täydellisestä soveltuvuudesta arkeeisiin muodostumiin ja toiseksi manttelievoluution ja manttelin heterogeenisuuden osuutta kiven koostumukseen ei pystytä arvioimaan (Condie 1985, Huhma 1986). Lisäksi magman koostumukseen on saattanut vaikuttaa kontaminaatio, ja vastaavasti kiven koostumukseen ekstruusion jälkeinen hydroterminen muuttuminen ja metamorfoosin aikana tapahtunut fluidien kierto. Koska useat eri tekijät vaikuttavat kiven koostumukseen, ei voi olettaa, että tietty koostumuskenttä kuvastaisi yhdenmukaista geologista tapahtumasarjaa. Niinpä tietty koostumusalue kattaa useita ja geologisesti erilaisia tapahtumia. Esim. kvartsiutumisen koostumusgradientti on aina samansuuntainen, joten kiven alkuperästä huolimatta koostumus etenee koostumuskoordinaatistossa kohti samaa pistettä. Toisaalta on samasta kantamag-

8 7 masta.mahdollista.syntyä erilaist~n tapahtumien vaikutuksesta laaja koostumusspektri ja geologlsten prosesslen tulokset hajaantuvat koostumuskoordinaatistossa eri suuntiin. Näin ollen geokemiallisia ilmiöitä ei voi rajata terävästi toisistaan eroaviin koostumuskenttiin vaan kysymys on osittain päällekkäisistä frekvenssihuipuista. ' TUTKIMUKSEN TARKOITUS Jotta prosessien ja koostumuksen keskinäisiin suhteisiin saataisiin lisävalaistusta, käytettiin vulkaanisten kivien luokittelussa apuna I G BA-tietokannasta muodostettuja mallijoukkoja. Menetelmä suunniteltiin käytettäväksi yhdessä tavanomaisten erotteludiagrammien kanssa, koska muutoin luokittelu olisi sidoksissa vain käytettävään tietokantaaineistoon. Luokittelumenetelmällä pyritään selittämään, mitä maailmanlaajuisen tietokanta-aineiston mallijoukkoa tutkittavat näytteet muistuttavat. Tietokannassa olevien kirjallisuusviitteiden avulla saadaan tietoa mallijoukkoon kuuluvien kivien tektonisesta sijainnista, iästä, petrografiasta, muuttumisesta jne. Kirjallisuudesta saatua yksityiskohtaista tietoa on sen jälkeen mahdollista soveltaa tutkimuskohteeseen. Tietokannassa on enimmäkseen geologisesti nuoria vulkaniitteja, joskin osa on iältään prekambrisia. Näin on mahdollista verrata tutkittavia proterotsooisia vulkaniitteja ikäjakaumaltaan laajaan aineistoon. TIETOKANTA-AINEISTO IGBA-tietokantaan (lgneous Petrological Data Base) on kerätty kirjallisuudessa julkaistuja magmaattisten kivien näytekuvauksia eri puolilta maailmaa (Chayes 1984). Lähes kaikki näytteet sisältävät pääalkuaineiden koostumusmääritykset, mutta hivenalkuaineista on tietoja vaihtelevasti. Muita näytekohtaisia tietoja ovat stratigrafinen ja absoluuttinen ikä, petrografinen kuvaus, mineraalikoostumus sekä lisäinformaatiota, johon sisältyvät mm. kirjallisuusviitteet (Chayes 1979, 1984). IGBA-tietokanta sisältää tiedot yli kivilajinäytteestä eri puolilta maailmaa, ja näytekuvausten lukumäärää lisätään jatkuvasti. Tietokannassa on n. 10 % ennen vuotta 1984 julkaistusta tietomäärästä, sillä siihen mennessä on arvioitu olevan n julkaistua näytekuvausta (Chayes op. cit.). Parhaiten ovat edustettuna Yhdysvalloissa ilmestyneet julkaisut. Näytekuvaukset on kerätty pääasiassa aikakausilehdistä Contributions to Mineralogy and Petrology ja Journal of Geophysical Research. Tietokannassa on 962 kirjallisuusviitettä. Alueellisesti edustavimmat näytesarjat ovat Kanarian saarilta, Etnan ympäristöstä ja Turkista. TIETOKANTA-AINEISTON ESIKÄSITTELY Aineiston käsittely aloitettiin keräämällä IGBA-tietokannasta vulkaanisperäisten näytteiden tiedot, koska tarkoituksena oli luoda vain vulkaanisille kiville soveltuva referenssiaineisto. Kun vulkaanisten kivien näyteaineisto oli kerätty (n = 4704) poistettiin aineistosta puutteellisia tietoja sisältävät tapaukset. Aineisto käsitti seuraavien pääalkuaineiden pitoisuustiedot: Si02, Ti02, A120 3, Fe20 2, FeO, MgO, CaO, Na20 ja K20. Seuraavaksi yhdistettiin Fe20 2 ja FeO totaaliraudaksi (= FeO) (Herrmann 1975), koska kaikista näytteistä ei ollut saatavilla sekä kahden että kolmenarvoisen raudan analyysitietoja erikseen. Luokittelumenetelmiä käytettäessä suositellaan yleensä muuttujien standardoimista, jolloinjokaisen muuttujan painotus on yhtä suuri. Jos muuttujia ei standardoida, vaikuttavat ne euklidiseen etäisyysmittaan hajonnan suuruuden mukaisessa järjestyksessä (Le Maitre 1982). Tässä tutkimuksessa ei muuttujia kuitenkaan standardoitu, jolloin luokittelu painottui enemmän muihin pääalkuaineisiin kuin alkaleihin. Alkalimetallien suuren mobiilisuuden vuoksi niitä ei kuitenkaan oie syytä korostaa luokiteltaessa vaihtelevasti muuttuneita kiviä. Anomaaliset tapaukset on poistettava aineistosta, koska ne pyrkivät muodostamaan yhden tapauksen ryhmiä, joilla ei oie tilastollista merkitystä. Huomattavasti poikkeavat

9 8 tapaukset poistettiin Mahalanobis-etäisyysmittaa käyttäen (Davis 1973), sekä tarkastelemalla muuttujia graafisesti. Mahalanobis-etäisyydet laskettiin BMDP4M-ohjelmalla (Dixon 1983). Kaikkiaan aineistoon jäi 4214 tapausta. TIETOKANTA-AINEISTON RYHMITTELY Geokemiallisen tiedon luokittelu tapahtuu yleensä yhdellä kertaa suoritettavalla ryhmittelyanalyysilla. Kuitenkin tässä työssä jaettiin aineisto osiin vaiheittain, jolloin ryhrnittelyä voitiin ohjata osaksi geologisten tekijöiden mukaan. Ryhmittelystä tehtiin kaksitasoinen siten, että ylemmällä tasolla ovat pääkivilajit ja alemmalla tasolla paikalliset kivilajityypit. Ensiksi muodostettiin paikallistason ryhmät ja sen jälkeen pääkivilajeja edustavat ryhmät, koska laajan aineiston (n = 4 214) hierarkkinen ryhmittely on yhdellä kertaa mahdotonta. Ryhmittelymenetelminä käytettiin K-means (SASohjelmiston FASTCLUS-proseduuri) ja hierarkkista menetelmää (SAS-ohjelmiston CLUS TER-proseduuri) (SAS user's guide 1985). Paikallistason ryhmien muodostamiseksi jaettiin aineisto vaiheittain pienempiin osiin. Koko aineisto jaettiin ensiksi K-means-menetelmällä 400 ryhmään, koska tällaisen ryhmälukumäärän käsitteleminen on vielä hierarkkisesti mahdollista. Ryhmien ryhmittely tapahtui tarkastelemalla hierarkkisen ryhmittelyanalyysin muodostamaa dendrogrammia (= puudiagrammi, Johnson 1967) visuaalisesti. Dendrogrammin mukaisesti oli aineistossa 22 ryhmää, joiden solmukohta oli lähellä dendrogrammin juuriosaa, sekä kaksi suurryhmää. Seuraavaksi jaettiin kaikki 24 ryhmää pienempiin osiin hierarkkisella menetelmällä. Hyvin suurten ryhmien jaottelussa käytettiin kuitenkin ensin K-means-menetelmää ja sen jälkeen hierarkkista menetelmää. J akamalla aineisto vaiheittain pienempiin osiin, saatiin lopulta 250 paikallistason ryhmää. Ryhmien frekvenssiksi tuli keskimäärin 17. Tämän jälkeen ryhmiteltiin 250 paikallistason ryhmää ylemmän tason mukaisesti. Tapauksina olivat 250 ryhmän pitoisuuksien keskiarvovektorit ja ne kuvattiin dendrogrammilla sekä R I R2-diagrammilla (kuva 2). Aineisto jaettiin kymmeneen ryhmään tarkastelemalla dendrogrammia ja R 1 R2-diagrammia samanaikaisesti * x R x 0 0 o r-----~----~ r-----_r----~ _----_4-500 o Kuva 2. Paikallistason ryhmien keskiarvot R I R2-diagrammilla. Numeroiduilla symboleilla on merkitty tapaukset, joita on käytetty kymmenen pääkivilajiluokan muodostamiseen. Pistei llä merkityt tapaukset on sijoitettu toisessa vaiheessa näihin luokkiin. Fig.2. RI-R2 diagram showing mean values o/ Iower level subclasses. Numbers indicate sampies used in defining the higher level principal lithological c1asses. sampies denoted by points were allocated to the principal classes during second-srage analysis. R1

10 9 Ryhmittelyn onnistumisen arvioimiseksi laskettiin mallijoukkojen keskihajonnat (taulukko 1). Kuvassa 3 on esitetty mallijoukkojen keskipisteet ja keskimääräinen keskihajonta Si0 2 vs. Al 2 0 r koordinaatistossa ja sen mukaan ryhmien päällekkäisyys ei oie kovin suuri. Tuloksia verrattiin myös IGBA-tietokannan mukaisiin kivilajinimityksiin. Taulukossa 2 on erilaisten kivilajityyppien esiintyminen pääryhmittäin. Sen mukaan esim. basaltti-nimen käyttö on ollut kirjallisuudessa varsin yleistä. Suurryhmiin sijoittui n tapaustaja muihin ryhmiin n tapausta. Suurryhmät koostuivat basaltti- ja andesiittinäytteistä, jotka olivat alueellisesti laajalle levinneitä. Muista ryhmistä mainittakoon ultramafiitit ja ryoliitit ('I) '" oe:( ~ <l 'V ,ß 4 7 ' '1-5 5g : g & CD Kuva 3. Mallij oukkojen keskiarvot Si0 2 vs. Al 2 0 rkoordinaatistossa. Rajattu alue vasemmassa laid assa olevan tapauksen ympärillä kuvaa alkuaineiden keskimääräisiä keskihajontoja. Ts. keskimäärin 68.3 % kunkin mallijoukon havainnoista osuu rajatun kokoiselle aluee lle. Fig. 3. Si0 2 - AI 2 0 J showing training set mean values. Enclosed area towards left of diagram indicates element mean standard deviation. In other words, on average of the training set datapoints f all within [he delineated area. Tauluk ko I. Mallijoukkojen keskihajontojen keski arvot. Table 1. Training set mean standard deviations. Si0 2 T i0 2 A1P 3 FeO

11 10 Taulukko 2. IGBA-nimistän mukaiset kivilajityypit, frekvenssit ja prosenttiosuudet pääryhmittäin. Tabte 2. Principallithologies, using JG BA nomenclature, showing jrequeney and percentage abundances Ryhmä I Basaltti Oliviinibasaltti Trakybasaltti Oseaniitti Hawaiitti Ankaramiitti Basanitoidi Alkaliolivii ni basaltti Muut yht. Frekvenssi Prosenttiosuus Ryhmä 2 Basaltti T rakybasaltti Latiandesiitti Oliviinibasaltti Hawaiitti Andesiitti M ugeariitti Emäksinen mugeariitti Tahitiitti Trakyytti Ankaramiitti Muut yht Ryhmä 3 Basaltti Tholeiitti Tholeiittinen basaltti Oliviinibasaltti H igh-alumiini basaltti Oliviinitholeiitti Hawaiitti Laava Muut yht Ryhmä 4 Andesiitti K vartsilatiitti Basalttinen andesiitti Basaltti Oliviinibasaltti Nimetän Latiandesiitti Andesiitti (2 pyroks.) Hawaiitti Latiandesiitti Muut yht Ryhmä 5 Andesiitti Dasiitti Nimetän Laava Latiandesiitti Latiitti Andesiitti (2 pyroks.) Ignimbriitti K vartsilatiitti Vesuviitti Muut yht Ryhmä 6 Basaltti imetän Laava Trakybasaltti Tholeiitti Trakyytti Tholeiittinen basaltti Muut yht

12 li Ryhmä 7 Trakyytti Fonoliitti Andesiitti Benmoreiitti Laava Trakybasaltti Trakyfonoliitti Latiitti Latiandesiitti Trakyandesiitti Hohkakivi Muut yht Ryhmä 8 Trakyytti Fonoliitti Trakyfonoliitti Nimetön Hohkakivi yht Ryhmä 9 Ryoliitti Dasiitti Ryodasiitti Ignimbriitti Tuhka Alkaliryoliitti Obsidiaani Trakyytti Nimetön Hohkakivi Lasi Muut yht Ryhmä 10 Dasiitti Ryodasiitti Ryoliitti Tuffi Muut yht SUOMALAISEN TESTIAINEISTON RYHMITTELY Testiaineistoksi valittiin sinkkimalmien tutkimusprojektin v keräämästä materiaalista muutamia vulkaanisperäisiä näytteitä, jotka kuuluivat Tupalan ja Lahnalahden tutkimuskohteisiin (kuva 4). Tupala sijaitsee Someron kunnan alueella ja on osa Hämeenlinnan vulkaanista vyöhykettä (Gaal & Gorbatschev 1988, Mäkelä 1989). Lahnalahti sijaitsee 10roisten kunnassa. Geologisesti kivet kuuluvat svekofennideihin (Koistinen 1987). Testiaineisto luokiteltiin NEIGHBOR-menetelmällä lähimpiin mallijoukkoihin (nearest neighbor method) ja tulokset ilmoitettiin todennäköisyyksinä. Eräät tapaukset menivät yhtä suurella todennäköisyydellä kahteen ryhmään, joten ne ryhmiteltiin uudelleen muuttamalla lähimpien tapausten lukumäärää (K-arvo). Tapaus sijoitettiin siihen ryhmään, mi hin se eri K-arvoilla useimmin sijoittui. K-arvoksi valittiin ensiksi kahdeksan, koska käytettävänä on kahdeksan muuttujaa. Pienillä K-arvoilla saattaa mallijoukon ääritapausten vaikutus korostua liiaksi. llmiö on samantyyppinen kuin hierarkkisella ryhmittelyanalyysillä esiintyvä ketjuuntuminen (Davis 1973). Testiaineisto ryhmiteltiin ensiksi NEIGHBOR-menetelmällä pääkivilajiluokkiin ja sen jälkeen alemman tason ryhmiin. Tapaukset sijoittuivat 8 ryhmään. Seuraavassa tarkastellaan vain kahta mallijoukkoa (54 ja 123) ja niihin sijoittuneita tapauksia (taulukko 3). Lahnalahden näytteet (500, 501, 506) sijoittuivat ryhmään 54 ja Tupalan näytteet (202, 203) ryhmään 123.

13 E2J ~ 4. B 100 km Kuva 4. Tutkimuskohteiden sijainti. 1 == granitoideja, 2 == vihreäkivivyöhyke, 3 == liuskealue, 4 == rapakivi. Ag.4. Location of sludy-suite sampies. 1 = granitoids, 2 = greenslone terrrain, 3 = schists, 4 = rapakivi granites R o ~ ~ ~----~~ ~ -500 o Kuva 5. Mallijoukot (54, 123) sekä Lahnalahden (500, 501, 506) että Tupalan (202, 203) näytteet R I R2-diagrammilla. Ag. 5. RI-R2 diagramfor training sets (54, 123) and sampies Lohnalahli (500, 501,506) and Tupala (202, 203). R1

14 13 Kuvassa 5 on esitetty mallijoukot sekä Lahnalahden että Tupalan näytteet R1R2- diagrammilla. Lahnalahden näytteet sijoittuvat basalttikenttään ja Tupalan näytteet andesiitti-basalttikenttään. Näytteiden ja mallijoukkojen vastaavuus R2-akselilla on parempi kuin R1-akselilla. Ero johtuu siitä, että alkaleihin painottumaton luokittelu vastaa paremmin R2- kuin R 1-akselin alkuainekertoimia (kuva 1). Ryhmälle 54 on ominaista suuri CaO-pitoisuus, joka eräässä tapauksessa johtuu karbonaattisuonista (Ayuso & Bence 1976, = tietokannan kirjallisuusviite). Lahnalahden vulkaniiteissa esiintyy myös runsaasti karbonaattia, sillä osa emäksisistä vulkaniiteista on nimetty karbonaattipitoisiksi diopsidiamfiboliiteiksi. Suuri CaO-pitoisuus on tässä tapauksessa ilmeisesti karakteristisin tekijä. Tupalan näytteet sijoittuivat mallijoukkoon 123. Mallijoukko koostuu enimmäkseen saarikaarivulkaniittisarjojen emäksisimmistä jäsenistä, edustaen usein oletettua kantamagmaa. Ryhmän näytteet sijoittuvat melko keskelle koko aineiston koostumusjakaumaa, joten anomaalisia piirteitä niissä ei oie. Tämä vaikeuttaa myös ryhmän avulla tehtävää tulkintaa, sillä mainittu tieto magman koostumuksesta on melko yleisluonteinen. Vaikka informaatio ei oie tässä tapauksessa yksinkertaisesti sovellettavissa tutkimuskohteeseen, voidaan kuitenkin löytää kirjallisuudesta tutkimusaineistoa muistuttavat näytteet. Taulukko 3. Alkuaineiden keskiarvot ryhmissä 54 ja 123 sekä niihin sijoittuneiden tapausten pitoisuudet. Lahnalahden näytteet; 50 I, 502 ja 506. Tupalan näytteet; 202 ja 203. Table 3. Mean element values Jor groups 54 and 123, with study sampie abundances Jor Lahnalahti (501, 502, 506) and Tupala (202, 203). Ryhmä SiOz TiOz AI Z 0 J FeO MgO CaO NazO KzO n=27 Ryhmä SiOz TiOz AI Z 0 J FeO MgO CaO NazO KzO n=21

15 14 TULOSTEN TARKASTELU Luokittelulla pyritään kivilajien nimeämisen lisäksi saamaan välillistä geologista informaatiota kivien syntyhistoriasta. J otta luokittelusta saatava välillinen informaatio olisi mahdollisimman hyvä, on luokitteluperusteiden oltava samanaikaisesti tarkkoja ja yksityiskohtaisia. Mitä enemmän kivilajiluokalla on geologisia määritteitä, sitä yksityiskohtaisempaa on luokittelu. Esim. valtameren keskiselänteen basaltilla on enemmän määritteitä kuin termillä vulkaniitti. Luokittelutarkkuus puolestaan lisääntyy muuttujien määrän kasvaessa, mutta vain tiettyyn rajaan saakka. Luokittelutulos huononee, jos muuttujien lukumäärä on liian suuri suhteessa tapausten lukumäärään. Muuttujien määrä (n = 8) suhteessa tapausten lukumäärään (n = 4 214) on Kuitenkin niin pieni, että optimitasoa ei oie saavutettu. Erotteludiagrammeissa käytetyille muuttujille on usein laskettu erilaisia kertoimia. Kertoimien tarkoituksena on esim. painottaa lukuarvoltaan pieniä muuttujia tai muodostaa muuttujista lineaarikombinaatioita, jotka kuvaavat jotain magmaattista prosessia (vrt. La Roche et al. 1980). Kertoimien määrittely on kuitenkin mahdotonta, koska käsiteltävässä aineistossa on sekä primäärikoostumuksisia että muuttuneita kiviä. Tässä työssä muodostettiin IGBA-tietokanta-aineistosta 250 mallijoukkoa. Menetelmän kehittäminen muistuttaa periaatteeltaan erotteludiagrammin laatimista, mutta käytettävissä on vain pie ni lähtömateriaali ja luokittelutulokset ilmoitetaan sijoittumistodennäköisyyksinä. Erotteludiagrammien koostumuskentät vastaavat tämän tutkimuksen mallijoukkoja. Muodostamistavasta johtuen mallijoukot edustavat aineistossa esiintyviä frekvenssihuippuja, joten niiden jakaantuminen kuvastaa tietokanta-aineistossa olevien näytepopulaatioiden runsaussuhteita. IGBA-tietokanta-aineiston laajimmat näytesarjat on kerätty Kanarian saarten ja Etnan vulkaniiteista, joten mallijoukoissa on runsaasti juuri näiden alueiden kiviä. Tietokanta-aineiston laatu vaikuttaa ratkaisevasti tulosten tulkintaan, sillä sekä tutkimus että tietokanta-aineiston kivien täytyisi edustaa geneettisesti samoja tyyppejä ja geologisesti samanlaista ikäjakaumaa. Kivien ikäjakauma tietokanta-aineistossa on painottunut resenttiseen vulkanismiin, joten aineiston vastaavuus ei oie paras mahdollinen. Resenttisten kivien käytössä on kuitenkin etuna geologisen tiedon yksityiskohtaisuus Mallijoukkoja muodostettaessa törmätään kysymykseen osajoukkojen lukumäärästä (Molliere 1985). Lukumäärän selvittäminen olisi tärkeää jos aineisto edustaisi luonnollista kivien koostumusjakaumaa. Tässä tapauksessa perusjoukko kuvastaa pikemminkin tiettyjen kohteiden tutkimusintensiteettiä kuin luonnollista koostumusjakaumaa. Geologisesti totuudenmukainen ryhmäjako pelkästään tilastollisin perustein on mahdotonta, joten jako suoritettiin sekä tilastollisin että geologisin perustein. Geologiset tekijät painottuvat enemmän ylemmän kuin alemman tason luokittelussa, koska ylemmällä tasolla otettiin huomioon Rl R2-diagrammin kenttäjako. Alemman tason ryhmittelyssä kiinnitettiin huomiota myös ryhmien frekvensseihin, sillä tulkinta helpottuu tapausten määrän ja alueellisen levinneisyyden vähetessä. Frekvenssit eivät kuitenkaan saa olla liian pieniä, jotta aineistosta ei tulisi liian fragmentaarinen. Ryhmien sisäiset hajonnat ja analyyttiset tekijät rajoittavat myös ryhmien lukumäärää, sillä ei oie mielekästä muodostaa ryhmiä, joiden päällekkäisyys on suuri (kuva 3). Kuten edellä mainittiin, saatiin ryhmien frekvensseiksi n. 17. Mallijoukkojen tulkinnan kannalta olisi ihanteellista, että kunkin ryhmän näytteet sijoittuisivat mahdollisimman suppe alle alueelle. Aineiston globaalisuuden takia on täysin alueellinen ryhmäjako kuitenkin mahdoton toteuttaa, sillä eri alueiden koostumussaijat ovat paljolti päällekkäisiä. Geokemiallisia ääriarvoja edustaville mallijoukoille on kuitenkin ominaista näytteiden sijoittuminen suppealle alueelle. Siirryttäessä kohti tietokanta-aineiston pitoisuuskeskiarvoja lisääntyy mallijoukkojen alueellinen levinneisyys. Tämä vaikuttaa myös aineiston tulkittavuuteen siten, että yksiselitteisintä geologista lisäinformaatiota saadaan anomaalisista mallijoukoista. Anomaalisuuden vähetessä lisääntyy samalla mallijoukosta saatavan informaation hajanaisuus, koska näytteet ovat peräisin useilta eri alueilta. Myös kuvatuissa esimerkeissä näyttää tulkinta helpottuvan, kun näytteenja mallijoukon koostumukset siirtyvät kohti jakauman reunoja. Lahnalahden tapauksessa löytyi helposti tulkittava analogia, sillä näytteen ja mallijoukon CaO-pitoisuudet olivat suuria. Tupalan tapauksessa taas näytteet sijoittuivat andesiittisen kantamagman alueelle, jolloin tulkintaan voitiin soveltaa vain yleisluonteisia tietoja. Voidaan myös olettaa, että näytteen anomaalisuus korostaa tietyn geologisen tekijän osuutta kiven koostumukseen. Samalla myös tulkintamallin soveltuvuus laajenee geologisessa aikaskaalassa.

16 15 KIRJALLISUUSLUETTELO Ayuso, R. A. & Hence, A. E., Upper jurassic tholeiitic basalts from DSDP leg 11. J. Geophys. Res. 81, Chayes, F., A world data base for igneous petrology. Ann. Rep. Dir. Geophys. Lab. Carnegie lnst. Wash. 78, Chayes, F., Documentation for igneous petrological data base. Unpublished circular, IGB842. National oceanic and atmospheric administration. USA. Condie, K. c., Secular variation in the composition of basalts: an index to mantle evolution. J. Petrol. 25, Davis, J. c., Statistics and data analysis in geology. John Wiley & Sons, 550 s. Dixon, W. J, BMDP statistical software. University of California press, Los Angeles, 727 s. Gustavsson, N., Statistical classification of regional geochemical sampies based on local characteristic models and data of the geochemical atlas of Finland. In Computer application in resource exploration: prediction and assessment for petroleum, met als and nonmetals. Abstracts. COGEODATA. International association of mathematical geology. July 21-23, 1988, Espoo, Finland. Hanski, E., Major element geochemistry of Archaean metavolcanic rocks in the eastern part of the Baltic Shield: role of secondary alteration. Geol. Surv. Finland, Spec. Pap. 4, Herrmann, A. G., Praktikum der Gesteinsanalyse, Chemisch-instrumentelle Methoden zur Bestimmung der Hauptkomponenten. Springer-Verlag, Berlin, 204 s. Huhma, H., Sm-Nd, U-Pb and Pb-Pb isotopic evidence for the origin of the Early Proterozoic Svecokarelian crust in Finland. Geo l. Surv. Finland, Bull. 337,48 s. Johnson, S. c., Hierarchical clustering schemes. Psychometrika 32, Koistinen, T., Review of the geology of North Karelia. Geol. Surv. Finland, Spec. Pap. I, La Roche, H. de, Leterrier, J., Granclaude, P. & Marchal, M., A classification of volcanic and plutonic rocks using R I R2-diagram and major-element analyses - its relationship with current nomenclature. Chem. Geol. 29, Le Maitre, R. W., Numerical petrology. Developments in petrology 8. Elsevier, 281 s. Mäkelä, U., Geological and geochemical environments of precambrian sulphide deposits in southwestern Finland. Suomalaisen tiedeakatemian julkaisuja, sarja A, III, 151, 102 s. MoIIiere, J. L., The best mode of use for the CCC. Proceedings of the SEUGI '85 conference. May 29-31, 1985, Cologne, Germany. Pearce, J., An expert system for the tectonic characterization of ancient volcanic rocks. J. Volcanology and Geothermal Res. 32, SAS User's Guide: Statistics, version 5 edition, Gary, NC: SAS Inc., 956 s. Tuukki, P. A. & Uusikartano, A. J., Tektonismagmaattisten diagrammien käyttö Koveron liuskejakson mafisten vulkaniittien tektonisen synty-ympäristön määrittämisessä. Pohjois-Karjalan malmiprojekti. Oulun yliopisto. 36 s.

17

18 .~' "..', Tätä julkaisua myy GEOLOG IAN TUTKIM US KES KUS (GTK) Julkaisumyynti Espoo Ii': (90) Teleksi geolo sr Telekopio (90) GTK, Väli-Suomen aluetoim isto Kirjasto PL Kuopio ~ (97 1 ) Telekopio (971) GTK, Pohj aluetoi Ki rjasto PL