
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合多探针地球化学与机器学习技术,解析西非尼日利亚中贝努埃地槽的白垩纪古环境与构造演化
《Scientific Reports》:Integrating multi-proxy geochemistry and machine learning to decode cretaceous palaeoenvironments and tectonic evolution in the Nigerian Middle Benue Trough, West Africa
【字体: 大 中 小 】 时间:2026年07月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要中贝努埃地槽作为西非裂谷的关键组成部分,保存了复杂的白垩纪地层,这些地层对于理解盆地演化及油气潜力具有重要意义。我们将沉积学指标(有孔虫、孢粉相、黏土矿物)与地球化学指标(主要氧化物、微量元素、稀土元素,还包括诸如化学风化指数之类的风化指标)纳入机器学习框架中进行分析。为避免
中贝努埃地槽作为西非裂谷的关键组成部分,保存了复杂的白垩纪地层,这些地层对于理解盆地演化及油气潜力具有重要意义。我们将沉积学指标(有孔虫、孢粉相、黏土矿物)与地球化学指标(主要氧化物、微量元素、稀土元素,还包括诸如化学风化指数之类的风化指标)纳入机器学习框架中进行分析。为避免在样本量有限的情况下出现过拟合问题,我们预先筛选出了约15个关键指标用于分析。无监督学习方法(主成分分析、层次聚类、t-SNE)能够清晰地区分阿尔比期的阿苏河相和康尼亚期的阿格乌页岩相。从地质特征来看,阿苏河相可视为封闭的高盐度泻湖环境(锶/铜比值高;有大量聚集在一起的有孔虫),而阿格乌页岩相则对应开阔大陆架上的海侵环境(锶/铜比值低;钒/铬、铀/钍比值高;页岩中有机质含量丰富)。这些差异反映出当时温暖潮湿的沉积环境。通过反复进行分层五折交叉验证,随机森林分类器的平均准确率可达96%左右(AUC值约为0.98)。在随机森林模型中,欧姆值/欧姆*异常值以及轻稀土元素/重稀土元素比值是最重要的预测因子,这说明微弱的稀土元素信号与传统的指示指标具有同样的诊断价值。其他分类器如支持向量机、XGBoost、k近邻算法也得到了类似的结果。我们需要强调的是,这些机器学习分析为传统指标所得出的结论提供了独立的定量支持。重要的是,这些模型大多支持传统的阿苏河相/阿格乌页岩相划分方式,并未发现新的沉积类型。整体地球化学数据(CIA值约为80–90)以及构造特征表明,这些沉积作用发生在湿润到半干旱气候条件下的裂谷型被动边缘地带。这种综合性的机器学习方法进一步完善了贝努埃地槽的地层框架,为类似裂谷盆地的古环境重建及勘探风险评估提供了可重复、以数据为依据的方法。
生物通微信公众号