- 基于地震波速度与密度数据的机器学习方法预测三维岩石圈岩性。
- 构建岩石物性参数与岩性之间的内在联系，融合多源地球物理探测数据开展岩石圈组成分析。
- 华南岩石圈三维岩石组成揭示地壳与地幔的构造时空演化。
岩石圈组成
机器学习
华南板块
地球物理参数
构造演化
深部岩石圈的岩性对于理解其演化及相关的动力学过程至关重要。然而，岩石的物理性质同时受矿物组成、化学成分、温度、压力和流体等多因素控制。由于岩石成分及其形成深度的温压条件等存在不确定性，同一组地球物理探测数据可能对应多种岩性组合，即地球物理探测存在固有的多解性问题。
当前研究方法主要依赖岩石物理性质两两组合，构成岩性判别图解，通过链式判别推断岩性组成。该方法存在三个核心问题：
（1）岩石类型覆盖不全，适用范围仅限于地壳尺度；
（2）传统链式判别图的分类精度有限，不同岩性的物理参数存在重叠，难以对分类准确性进行量化评估；
（3）在传统方法中，通常先划分构造单元，再基于单元分区判别岩性，牺牲了地球物理探测数据本身的高分辨率特性。
因此，如何建立地球物理参数与岩性之间的内在联系，实现深部岩石圈岩性的高准确度、高分辨率识别，是当前岩石圈组成研究中的关键科学问题之一。
图1 不同岩石纵波速度与压力的关系。
（a）片麻岩；（b）角闪岩；（c）麻粒岩；（d）闪长岩；（e）辉长岩；（f）镁橄榄岩。缩写：
R²，决定系数；SSE，误差平方和。
图2 华南板块地形图。
黑色虚线为主要构造单元边界，红色方块为新生代地幔包裹体位置，紫色方块为中生代地幔包裹体位置，黄色方块为麻粒岩包裹体位置。不同颜色圆点表示华南表层地热流值的大小。灰色实线表示本文所用剖面的位置。
针对上述问题，本研究收集并整理了岩石圈内36种常见岩性的高压物性实验数据，包括纵波速度、横波速度和密度，共计2836组。涵盖的岩性有：5种沉积岩（页岩、粉砂岩、砂岩、角砾岩、灰岩）；
15种变质岩（变质杂砂岩、板岩、千枚岩、片岩、糜棱岩、大理岩、石英岩、角闪岩、片麻岩、酸性麻粒岩、中性麻粒岩、基性麻粒岩、蛇纹岩、蛇纹石化橄榄岩、榴辉岩）；16种火成岩（花岗岩、英云闪长岩、闪长岩、安山岩、玄武岩、斜长岩、辉绿岩、辉长岩、苏长岩、斜方辉石岩、单斜辉石岩、二辉石岩、方辉橄榄岩、异剥橄榄岩、二辉橄榄岩、纯橄榄岩）。
由于收集到的数据压力范围不一致，首先采用公式对纵波速度、横波速度与压力进行拟合，并筛选出R²≥0.95且SSE<0.08的高质量拟合结果，最终保留2049组数据。该拟合曲线可在0~6 GPa压力范围内计算任意压力下的波速值。在此基础上，通过理论公式计算了泊松比、波速比、拉梅常数等17种衍生弹性参数，与原始的纵波速度、横波速度和密度共同构成包含20种特征参数的初始数据集。随后采用递归特征消除法对初始数据集中的20种物性参数进行筛选、模型训练与评估。通过比较K-近邻算法（KNN）、随机森林和XGBoost的预测准确度，发现KNN模型的整体预测准确度最高（97%），F1分数为90%，因此最终选用KNN
进行岩石圈岩性预测。
研究进一步利用华南板块多种地球物理探测数据，经温度校正后，预测了岩石圈岩性的三维空间分布。结果表明，华南板块不同深度的岩性组成存在明显差异：地壳岩性较为复杂，而地幔岩性相对简单。地壳主要由片麻岩、辉长岩和片岩组成，其次为大理岩、角闪岩、基性麻粒岩等。华夏板块下地壳底部出现了部分幔源岩石，如二辉辉石岩和方辉橄榄岩。地幔则以橄榄岩类和辉石岩类为主，包括方辉橄榄岩、纯橄榄岩、二辉橄榄岩、蛇纹石化橄榄岩等。
由于地球物理探测数据通常存在5~10%的误差，为评估模型预测结果的不确定性与稳定性，本研究分别采用局部一致性和基于蒙特卡洛方法的敏感性分析进行验证。结果表明，该方法的预测结果具有较低的不确定性与较高的稳定性，说明该模型对小幅度变化不敏感，具有较强的泛化能力。
图3 华南板块岩石圈岩性组成的三维切片图。
深度分别为：（a）10 km；（b
）20 km；（c）30 km；（d）50 km；（e）70 km；（f）90 km；（g）120 km；（h）
150 km；（i）180 km。不同颜色对应不同岩性。
图4 华南板块岩石圈岩性组成的代表性剖面。
不同颜色对应不同岩性。自上而下的白色虚线为通过Crust 1.0模型（Laske et al., 2013）线性插值得到的上、中、下地壳边界。黑色实线为
岩石圈底界（Yang et al., 2021）。
四川盆地岩石圈厚度超过200 km，长期被视为华南最典型的稳定克拉通岩石圈，但其岩石圈地幔并非均一亏损型地幔。预测结果显示，该区域岩石圈地幔包含富集型二辉橄榄岩和中度亏损的异剥辉石橄榄岩，表现出明显的再富集特征，表明四川盆地受到峨眉山大火成岩省（ELIP）地幔柱的影响。值得注意的是，盆地仍保留大量高度亏损的纯橄榄岩，说明地幔柱影响显著，但尚不足以完全破坏克拉通岩石圈的稳定性。
结合本研究预测的华南岩性组成与已有的地质与地球物理证据，构建了华南板块中生代四阶段构造演化模型：（1）古太平洋俯冲弧前地幔蛇纹石化阶段；（2）洋壳脱水榴辉岩化阶段；（3）板片回撤岩石圈拆沉阶段;（4）伸展阶段的幔源岩浆底侵。
该方法将研究深度从地壳尺度扩展到整个岩石圈，填补了以往地幔岩性识别研究的空白。相较于传统地球物理性质链式约束分类预测，该方法在保持地球物理探测数据高精度特征的同时更加准确，并实现了对分类结果的定量化评价，大幅提升了岩性识别的精确性和可重复性。尽管本文以华南地块为例进行应用，但该方法可推广到全球任何具有足够高分辨率地质和地球物理数据的区域，用于理解岩石圈的岩性分布及其地球动力学意义。
图5 方法评估。
（a）不确定性评估；（b）稳定性评估。自上而下的黑色虚线为通过 Crust 1.0 模型（Laske et al., 2013）线性插值得到的上、中、下地壳边界。黑色实线为岩石圈底界
（Yang et al., 2021）。
图6 华南板块岩石圈演化过程。
（a）四川盆地地幔岩石圈受峨眉山大火成岩省影响发生再富集；（b）俯冲阶段过程，包括俯冲板片脱水形成弧前
地幔蛇纹石化橄榄岩，以及俯冲地壳脱水引起榴辉岩化；（c）古太平洋板块回撤与大陆伸展阶段。
Machine learning of geophysical data: An innovative methodology to understand the nature and tectonic evolution of cratonic lithosphere
Shiyao Zhai, Liqiang Yang, Wenyan He, Xue Gao, Boyu Yang, David I. Groves, Nan Li, Liang Zhang, Jun Deng, Tao Wang
翟诗瑶a, 杨立强a, b, c, d,*, 和文言a, 高雪a, 杨博宇e, David I. Grovesa, 李楠a, 张良a, 邓军a, c, d, 王涛f
a中国地质大学地质过程与成矿预测全国重点实验室，深时数字地球前沿科学中心
b自然资源部金矿成矿过程与资源利用重点实验室，山东省金属矿产成矿地质过程与资源利用重点实验室，山东省地质科学研究院
c山东黄金地质研究院
d山东省地质矿产勘查开发局第六地质大队，自然资源部深部金矿勘查开采技术创新中心，山东省深部金矿探测大数据应用开发工程实验室
e北方工业大学信息学院
f中国地质科学院地质研究所
https://doi.org/10.1016/j.gsf.2026.102346
The lithology of the deep lithosphere is crucial to providing an understanding of its evolution and related dynamic processes. However, the physical properties of rocks that make up these lithologies depend on various factors, such as mineral and chemical composition, confining pressure, temperature, and pore fluid pressure. Uncertainties in rock composition and pressure-temperature conditions at their depth of formation lead to non-uniqueness in geophysical exploration data. This study employs machine learning methods to accurately predict the lithological composition of the lithosphere using experimental data including P-wave velocity (VP), S-wave velocity (V
S), density (ρ), and derivative parameters from 36 rock types. This achieves quantitative evaluation of resulting classifications and improves precision and reproducibility. Taking the South China Block as an example, this study shows that, although the Sichuan Basin preserves a thick cratonic lithosphere, its mantle lithosphere exhibits significant re-fertilization related to the plume activity in the Emeishan Large Igneous Province. More importantly, in the central and eastern South China Block, geological evidence combined with existing geodynamic models allows the reconstruction of post-Mesozoic lithosphere evolution to be divided into four major stages. These are: (1) subduction stage, (2) dehydration and eclogitization of crust in subducting lithosphere, (3) slab rollback and lithosphere delamination stage, and (4) extension stage and mantle-derived magmatic underplating. This study identifies a series of key geological parameters and provides new insights into methodology to understand the architecture and evolution of cratonic lithosphere systems globally provided the terranes have sufficient high-resolution geophysical data.
引用本文：Zhai, S.Y., Yang, L.Q., He, W.Y., Gao, X., Yang, B.Y., Groves, D.I., Li, N., Zhang, L.
, Deng, J., Wang, T., 2026. Machine learning of geophysical data: An innovative methodology to understand the nature and tectonic evolution of cratonic lithosphere. Geosci. Front. 17(5), 102346. doi: 10.1016/j.gsf.2026.102346
主办/《地学前缘（英文）》编辑部
文字/翟诗瑶、杨立强
诚邀Geoscience Frontiers广大作者
和读者向期刊公众号供稿！
请联系邮箱
geofrontier@cugb.edu.cn。
About Geoscience Frontiers
地学前缘（英文）（Geoscience Frontiers， 简称GSF）是由中国地质大学（北京）与北京大学共同主办的高水平英文学术期刊，与Elsevier出版集团合作出版，采用钻石开放获取模式。期刊主要刊载地球与行星科学领域的高质量综述和原创研究成果，包括矿物学、岩石学、矿床学、地球化学、构造地质学、地球物理学、地层与古生物学、环境与工程地质、天体地质等。科睿唯安JCR2024影响因子：8.9，位于地球科学及交叉学科领域一区（第8/258）。2025年中科院期刊分区：位于地球科学大类一区（Top期刊），地球科学综合 GEOSCIENCES, MULTIDISCIPLINARY 小类一区。入选“中国科技期刊卓越行动计划二期”英文领军期刊项目（2024-2028）。入选中国科技期刊卓越行动计划重点类期刊（2019-2023）。
点击“在看”，助力传播 
![]()
