利用机器学习对太古宙岩浆活动的磷灰石约束

《Precambrian Research》：Apatite constraints on Archean magmatism using machine learning

　　

• •
  开发了基于机器学习（ML）的判别方法，用于识别磷灰石的构造-岩浆成因。
• •
  与俯冲有关的弧岩浆作用在整个太古代持续存在。
• •
  磷灰石记录了自太古宙以来类超大陆的弧岩浆作用循环。

引言

对早期大陆地壳形成所处的构造环境施加约束，是地球科学研究中既基本又存在争议的问题。板块构造作为现今地球地壳与地幔之间物质循环的基本范式，在地壳形成和演化中发挥着关键作用（Tang等，2016）。板块构造是否在太古代运作以及其开始的时间，仍然是有争议的话题（Brown等，2020，Brown等，2024，Cawood等，2022，Condie和Pease，2008，Dhuime等，2015，Dilek，2024，Harrison，2024，Korenaga，2021，Windley等，2021）。一些学者认为，太古代大陆地壳是由水平构造作用（板块构造）形成的（Greber等，2017，Harrison，2009，Martin等，2014），而另一些学者则提出，太古代地壳形成于板块构造开始之前，是由垂直构造作用（如地幔柱、重力驱动的沉降、停滞盖层）形成的（Bédard，2024，Brown等，2024，Condie，1975，Zheng和Zhao，2020）。

地球的太古代岩浆岩和碎屑记录为解译早期构造环境提供了可靠且有启发性的数据（Kusky等，2018，Liu等，2024a，Liu等，2024b，Sotiriou等，2022，Sotiriou等，2023）。花岗闪长岩-英云闪长岩-含长闪长岩（TTG）作为太古代大陆地壳的主要组成部分，承载着构造风格、岩浆作用、地球动力学过程以及板块构造起始线索的关键指标（Palin等，2016，Sotiriou等，2023，Windley等，2021）。在过去30年中，各种地球化学方法（如Ni-Ta关系、Ti负异常和Y亏损）已被用来评估TTG与俯冲相关的adakite（阿达克岩）在成因机制上的一致性（Bruand等，2020，Drummond和Defant，1990，Martin，1999，Martin等，2005）。然而，一些研究表明，将太古代TTG等同于adakite并不总是简单且明确的，TTG的形成可能涉及无俯冲的替代地球动力学环境，如地幔柱和洋中脊洋壳（Moyen和Martin，2012，Smithies等，2003，Smithies等，2021，Tamblyn等，2023，Zhao等，2025）。TTG的形成是否与俯冲过程直接相关仍未得出定论。与此同时，大多数保存完好的岩石的全岩地球化学组成在后续地质事件中经历了广泛蚀变，这些变化使得寻找支持或否定板块构造在其形成中作用证据的工作更加复杂。

少量蚀变的副矿物的保存为追溯地球长期演化提供了更有价值的指纹信息。矿物地球化学的差异不仅反映了原始岩浆组成，还反映了成因机制。特别值得关注的是，如磷灰石和锆石等碎屑矿物，已为约束地球动力学环境和重建岩浆历史提供了大量证据（Chen等，2023，Jiang等，2024，Lu等，2025，Tang等，2021，Zhang等，2025）。虽然锆石的地球化学成分（如稀土元素（REE）、U-Pb和Hf同位素）是目前最广泛使用的方法，但其在相对富硅岩浆和上地壳中的结晶作用（Hawkesworth等，2024，Keller等，2017）可能为理解深部过程带来不确定性和偏差。在这方面，磷灰石既产于富硅岩也产于富镁铁岩，可以为岩石成因和源区信息提供额外约束，作为锆石的有价值补充（Belousova等，2001，Bruand等，2014，Laurent等，2024，Piccoli和Candela，2002）。近年来，磷灰石的主量元素、微量元素和同位素已被广泛用于确定岩石成因、追踪岩浆来源和流体历史（Bouzari等，2016，Bruand等，2019，Laurent等，2017，O'Sullivan和Chew，2020，Zheng等，2024），特别是通过使用低维判别图（Kieffer等，2024，Laurent等，2017，O'Sullivan等，2020）。然而，这些图中的简化指标在识别早期地壳中岩浆成分和构造归属方面面临挑战，因为它们难以捕捉元素数据之间的复杂高维关系。

近年来，机器学习（ML）在地球科学的许多方面获得了越来越多的关注（Chen等，2022，Doucet等，2022a，Nathwani等，2022，Petrelli和Perugini，2016）。机器学习作为能够处理高维数据的先进技术，能够揭示传统低维判别图可能忽略的地质观测中的潜在模式和关联。已有研究证明，ML方法通过高维地球化学数据在追溯地球长期演化方面表现良好（Chen等，2023，Jiang等，2024，Liu等，2024a，Liu等，2024b，Lu等，2025，Wang等，2024a）。借助大量矿物数据，ML算法可以有效地解译复杂的地质过程，为早期地球历史提供新的见解。

本研究基于我们新编制的岩浆型和碎屑型磷灰石数据库，利用磷灰石地球化学数据（Sr、Th、δEu、轻稀土元素（LREE）、重稀土元素（HREE）、Sr/Th、Sr/Y以及数值lambda参数（λ_0-2））开发基于ML的判别模型，以确定其岩浆-构造成因。最后，我们将训练好的ML模型应用于地球历史上不同时期的TTG和碎屑型磷灰石，以深入了解早期地壳的形成和演化。

章节摘要

数据编译

本研究使用的磷灰石地球化学数据来源于已发表文献（附图S1，附表S1-S3，见补充材料）和GEOROC数据库（https://georoc.eu/）。本研究包含两个用于机器学习的训练数据集。第一个数据集源自GEOROC，包含约5,800颗磷灰石晶体，来自被划分为不同构造环境的岩石样品，包括大陆弧、大洋弧、裂谷、大洋岛和板内火山（附表S1）。第二个数据集的编制

机器学习结果

磷灰石数据的PCA（主成分分析）表明，前四个主成分（PC）累计解释了超过70%的总方差（附图S5）。图3a和3b显示，S型和非S型岩浆形成的磷灰石可以通过PC1和PC2的二维图大致区分（准确率90%）。S型岩浆形成的磷灰石的PC1得分较低而PC2得分较高，与非S型岩浆形成的磷灰石形成对比。载荷图表明LREE、HREE、Th、δ

基于机器学习对磷灰石成因的判别

为了更好地理解磷灰石特征如何影响机器学习中的目标变量，本研究采用了基于博弈论的Shapley加和解释（SHAP）方法，以获得每个特征对模型的贡献。图4a显示，δEu和λ₁是区分S型和非S型岩浆衍生磷灰石的前两个最重要特征。总体而言，S型花岗岩中的磷灰石比非S型花岗岩中的磷灰石具有较低的δEu和λ₁（即较低的LREE/HREE比值）（图1，图4），

结论

本研究证明了高维机器学习模型在识别磷灰石岩浆-构造成因方面的强大和准确能力，并利用这一新工具对早期地壳成分和构造风格进行了更深入的了解。该研究确定了区分弧与非弧环境的关键磷灰石地球化学指标，如LREE、HREE和λ₁。值得注意的是，通过采用数据驱动的范式，我们明确了弧岩浆表现出较低的LREE浓度和λ

CRediT作者贡献声明

李谦彬（Qianbin Liang）：撰写——初稿、验证、方法学、调查、数据整理。陈国雄（Guoxiong Chen）：撰写——审阅与编辑、方法学、调查、概念化。Timothy Kusky：验证、资源、数据整理。程秋明（Qiuming Cheng）：撰写——审阅与编辑、调查。

利益冲突声明

作者声明不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。

致谢

本研究得到了国家自然科学基金委员会（编号42522210）的资助，也是对国际地质科学联合会（IUGS）国际岩石圈计划（2023-TF1）"地球最古老岩石圈的形成、特征、历史与行为"以及深时数字地球重大科技计划的贡献。

李谦彬（Qianbin Liang）| 陈国雄（Guoxiong Chen）| Timothy Kusky | 程秋明（Qiuming Cheng）