13262cm奥马ccccc

首页

首页  >  教学科研  >  正文

13262cm奥马ccccc研究团队利用数据驱动机器学习破译冥古宙板块构造样式之谜

13262cm奥马ccccc:

发表时间:2023-06-02     点击:次     编辑:顾刚

近日,由13262cm奥马ccccc地质过程与矿产资源国家重点实验室主任成秋明院士和全球大地构造中心主任Timothy Kusky教授牵头的地学大数据与地球早期演化学科交叉团队,在地学国际权威期刊《GEOLOGY》上发表了数据驱动地球科学与深时数字地球方向的最新研究成果,论文题目为“Hadean Tectonics: Insights from Machine Learning”。论文第一作者为13262cm奥马ccccc(武汉)陈国雄副研究员,通讯作者为成秋明院士。

板块构造是地球区别于其他星球、具有蓬勃生命力的关键因素之一,也是寻找类地宜居行星的重要标志。破译地球早期地壳组成和形成的大地构造背景回答板块构造启动时限板块构造样式如何随时间推移而演变的关键;但由于后期地质作用的叠加不断破坏,造成冥古宙地壳岩石很难保存至今,给上述问题的解答带来了严峻挑战。碎屑锆石,作为冥古宙唯一具有精确定年物质记录,为揭示其形成的构造-岩浆系统背景提供了关键窗口。虽然冥古宙碎屑锆石已在全球约15-20个地点被发现,但其中95%以上的锆石来自澳大利亚Yilgarn克拉通Jack Hills地区。

在过去的20年里,各种锆石地球化学方法Ti温度计、稀土元素REE、氧逸度、OHf同位素被用于探索Jack Hills锆石中保存的早期地球地壳组成信息;然而,不同研究人员得出的结论不尽相同。有些学者推断Jack Hills锆石形成基性、幔源性质地壳的重熔,而有一部分人认为其形成于类似现今大陆边缘弧的构造-岩浆系统。例如,锆石REE+Y-P图解指示,冥古宙Jack Hills锆石主要来源于类似于TTG(英云闪长岩-奥长花岗岩-花岗闪长岩环境中的火成岩(I型岩浆,关键判别依据是锆石中的磷(P)含量较低(图1,Burnham and Berry, 2017。相比之下,根据锆石微量元素换算的熔体Th/Nb-Dy/Yb判别图解则指示,冥古宙Jack Hills锆石的原岩与现代俯冲环境中形成的弧岩浆安山岩相似(图1,Turner et al., 2020。造成上述争议的原因包括锆石化学成分的多样性和演变性、分配系数的不确定性以及低维判别图解的不确定性等,因此,急需探索新的方法从多视角、多维度来示踪Jack Hills锆石形成时的大地构造背景和母岩浆成分。

1 冥古宙构造样式和地壳成分争议

针对上述科学问题,研究人员考虑到基于显生宙锆石成分建立的(构造或岩浆源区)二元判别图解并不总是适用于早期碎屑锆石的物源分析,创新性地提出了一种基于半监督机器学习的锆石化学“指纹”大数据分析方法;旨在通过机器学习方法与锆石化学成分大数据(跨越40亿年、19种元素)来训练计算机,使计算机能够自动识别一些典型构造环境(例如弧、地幔柱热点和裂谷等)中形成的锆石,以及区分I型或沉积(S)型岩浆中结晶的锆石。文章中提出的半监督机器学习方法是从非均变论的角度出发,能够对已标定大地构造背景或花岗岩类型的锆石(从太古宙到显生宙)进行准确识别,其精度(大于89%)明显优于传统的二维判别图解(如U/Yb vs Y和REE+Y vs P,精度为~ 66% ~ 82%)。研究结果进一步指出:基于机器学习的判别器主要依赖于锆石化学成分的系统差异,特别是不同构造背景下,锆石U、Th和重稀土元素存在差异显著,而I型和S型岩浆锆石成分的显著差异在于P和Hf。

2. 基于半监督机器学习和锆石微量元素大数据的冥古宙Jack Hills锆石形成的大地构造背景判别和母岩浆示踪。

由于地球演化造成的地质记录长期变化特性,任何使用显生宙(或更年青的)岩石品建立的经验模式来解译早期地球构造样式都不可避免地存在局限性,甚至可能导致错误结论。将今论古到底能论多远?这一问题引起了越来越多的研究人员关注。研究人员充分利用跨越地球历史40亿年的锆石大数据,包括有标签和无标签的数据集,利用半监督学习算法来提高机器学习模型的泛化能力,同时能充分学习锆石微量元素全要素空间特征;因此,建立的机器学习判别模型不仅可以精准识别显生宙样品的构造样式,而且同样适用于太古宙(少量)标定的锆石样品,为应用这些统计模型探索更古老、更神秘的冥古宙样品奠定了基础。将训练后的机器学习模型应用于Jack Hills的冥古宙碎屑锆石,结果表明冥古宙Jack Hills大部分锆石形成于类似现今大陆弧环境的岩浆系统,其中相当一部分来自S型岩浆(图2),说明与俯冲相关的浅地表物质/沉积物循环早在冥古宙就存在。这一发现增加了板块构造早在冥古宙就出现的可能性。

当前,以“大数据+数学+超算/云计算为核心的机器学习-人工智能等变革性技术正在改变地球系统科学研究范式和催生原始创新。在数据驱动地球科学新范式下,成秋明院士团队近年来在大规模成矿、大气氧化、超大陆循环、沉积物俯冲等深时极端地质事件模拟与预测方向取得系列创新成果。这项最新研究成果进一步表明,大数据和人工智能的最新进展为地球早期锆石物源分析和大地构造背景识别提供了一种强大、准确和有效的方法,为地球冥古宙最初地壳的组成和形成机制提供了新的见解。本研究得到了深时数字地球(DDE)国际大科学计划、国际岩石圈计划(ILP)、基金委原创探索项目以及地质过程与矿产资源国家重点实验室自主课题联合资助。

论文信息:Chen Guoxiong, Timothy Kusky, Luo Lei, Li Quanke, Cheng Qiuming*. Hadean Tectonics: Insights from Machine Learning. Geology, 2023. https://doi.org/10.1130/G51095.1


13262cm奥马ccccc安卓/ios苹果/电脑版【3.80.56版下载】