3月，国际著名期刊《Catena》在线发表汕头大学海洋地质团队利用机器学习（machine learning）算法以定量识别三角洲沉积物物源的跨学科研究的创新成果：“A novel machine learning fingerprinting method using sparse representation for provenance detection in delta sediments。”

沉积物从源到汇过程的定量研究是揭示地球表层演化的关键问题。沉积物指纹识别技术是沉积物来源辨别的重要手段，近年来机器学习等数据分析方法正逐渐与这项技术融合。然而在地质历史时期的物源识别研究中，沉积物岩芯样品的实测数据非常有限，无法进行大数据分析。因此，如何通过基于有限实测数据的指纹识别技术来评估沉积物来源的真实贡献，是一个关键的科学问题。稀疏表示是一种机器学习方法，在特征提取等方面具有优势，它将端元沉积物视为多个示踪指标的线性组合，具有解决上述问题的潜力。

本研究建立了一种基于稀疏表示的沉积物指纹识别方法（SRSF）。根据沉积物特定粒级的磁性和地球化学特征，应用该方法量化了长江三角洲(YRD)三个钻孔沉积物的定量来源，发现古黄河沉积物（PYR）在过去400-600年间对长江三角洲北部的形成起到了重要作用。结果表明，古黄河沉积物对长江三角洲粘土和细粉砂粒级沉积物(<16 μm)的贡献率为19.3±5.8%，对中粉砂(16‒32 μm)的贡献率为23.5±9.2%。

本研究利用稀疏表示方法在特征提取和特征选择方面对现有指纹识别技术进行了改进，并为现代长江三角洲演化研究提供了可行的研究方法；所建立的基于稀疏表示的沉积物指纹识别方法（SRSF）在实测数据非常有限的地质历史时期的物源研究中具有广阔的应用前景。这是首次将机器学习中的稀疏表示方法应用于沉积物指纹识别，开发出来的matlab代码也已向公众公开，并将在应用中不断改进。这是地球科学与计算机科学相结合的跨学科的创新成果，是机器学习算法在地球科学中应用的一个成功案例。

文章的第一作者是海洋地质团队的讲师王峰博士、通讯作者是海洋地质团队的赖忠平教授和计算机系的讲师汪飞博士，合作者有华东师范大学张卫国教授和美国南卡罗莱纳大学的徐颂华博士。

文章链接：https://doi.org/10.1016/j.catena.2023.107095 

图文 理学院海洋地质团队