American Mineralogist|机器学习融合多重谱学解译地球与火星黏土矿物记录

黏土矿物是记录地球与火星水活动和气候变迁的重要“抓手”，其形成、演化与气候条件密切相关。在地球上，黏土矿物广泛分布于土壤、沉积物和岩石等地质载体中，其组合特征、结晶度、化学组成等能够反映古气候变迁、风化强度及水文循环的长期变化。例如，高岭石的结晶度可指示风化环境的剧烈程度，伊利石的化学指数（ICI）也与温度、降水相关，可成为重建古气候的重要指标。以往研究已证实黏土矿物在早期火星沉积岩里广泛存在，指示火星早期可能存在液态水与宜居环境。

传统黏土矿物分析方法（如X射线衍射，XRD；图1）依赖复杂的样本前处理（如黏土组分分离、定向片制备、各类离子饱和和加热处理），耗时且成本高昂，难以应对大区域研究或火星探测中的实时、原位、高分辨分析需求。此外，现阶段火星矿物和古环境研究多依赖非破坏性、高灵敏度的原位探测/遥感技术。可见-近红外（VNIR）光谱技术虽在矿物识别中表现出色，但其在量化黏土矿物结晶度、黏土矿物化学指数等精细参数上的潜力尚未充分挖掘，尤其在复杂气候条件下的应用缺乏系统性验证。

图1 部分样品黏土矿物XRD图谱分峰拟合与黏土矿物特征参数提取示意。

我校研究团队采集了中国温带至亚热带五个土壤/沉积物/沉积岩序列的621份样本，结合可见-近红外（VNIR）光谱技术与传统矿物学分析手段，构建了黏土矿物结晶度（如伊利石、高岭石结晶度）和气候蚀变指数（CMAI）的数据库，并成功实现了从风化过程出发的定量古气候解析，为地球与火星历史环境的精准识别提供了关键手段。其中CMAI 通过识别不同类型风化主导下的黏土矿物组成差异，反映气候在风化过程中的控制程度。该指数由碎屑“原生”黏土矿物与自生或次生黏土矿物占比的差值构建，数值越负表明化学风化越强，通常对应温暖湿润的气候环境；而正值则指示以物理风化为主的冷干气候。统计分析显示，CMAI与年均温和降水量呈强负相关，为古气候重建提供了直观而有效的量化指标（图1）。

图2 黏土矿物蚀变指数（CMAI）与本研究中全球样本的a) 年均温度（MAT）和b) 年均降水量（MAP）投图结果。箭头表示CMAI值随着温度和降水量的增加而趋向更负的总体趋势。

此外，该研究以黏土矿物数据库为基础，融合VNIR光谱与机器学习算法，实现了黏土矿物参数的高效预测。研究将随机森林（RF）和Cubist算法应用于VNIR光谱分析，成功构建了高精度预测模型，用于估算黏土矿物的结晶度及气候蚀变指数（CMAI）。借助RF和Cubist模型，整体预测精度达到87 %（RPD = 3.03），相比传统的偏最小二乘回归（PLSR）方法提升了45 %，显著突破了对传统、耗时且依赖实验室条件的黏土矿物定向片XRD测试的依赖，为长尺度、高分辨气候重建与火星矿物与古环境探测提供了快速、非破坏性的解决方案。通过引入非线性机器学习模型（如随机森林），能够精准捕捉黏土矿物参数与气候因子之间复杂的非线性关系，揭示了传统线性模型（如PLSR）难以解析的“黑箱”式内部机制 （图3）。研究验证了VNIR光谱结合机器学习在解析火星矿物成因及还原火星气候演化历史中的潜力。例如，通过火星车（如“祝融号”）获取的光谱数据，可远程评估黏土矿物的结晶度，从而推断火星历史上的水热活动和气候稳定性，为着陆点选择与宜居性评估提供科学依据。该研究通过机器学习与光谱技术的深度融合，实现了黏土矿物结晶度及气候关联指标的高效预测，为揭示地球古气候演变及火星环境历史提供了创新工具。研究将地球系统的非线性行为引入火星环境演化分析，为解释如短暂液态水事件等突变性现象提供了理论工具。人工智能与光谱技术对传统矿物学的重塑，提供了一种解析地质历史时期气候档案的新范式，这是传统地学迈向数据驱动时代的重要一步。

图3. 基于机器学习和实验室实测的CMAI和结晶度指标深度变化曲线。圆圈和三角形分别表示实验室测量的数据和模型预测的数据。模型预测的数据采用Cubist或RF算法得到。

相关成果近期发表在American Mineralogist期刊，题为《基于机器学习可见-近红外建模解译地球与火星黏土矿物成因及气候变化》（Unraveling clay-mineral genesis and climate change on Earth and Mars using machine learning-based VNIR spectral modeling）。文章第一及通讯作者为中国地质大学（武汉）地球科学学院地球表层系统科学系赵璐璐特任教授。研究受到国家自然科学基金、国家重点研发计划等支持，并得到谢树成教授、洪汉烈教授、陈中强教授、罗根明教授和赵健楠副研究员等帮助。

原文

链接：