齐鲁师范学院教师团队在“源-汇”沉积与人工智能交叉领域取得突破性进展
教育
关注
日前，齐鲁师范学院地理与旅游学院山东省高校青年创新团队在河流地貌演化与沉积物示踪研究中取得重要进展。该团队由刘方斌副教授牵头，将同位素地质学与机器学习深度交叉，揭示了湄公河的源汇系统演化规律。相关成果近期分别发表于国际地球科学领域权威期刊《Global and Planetary Change》（中科院一区）和《Geomorphology》（中科院二区）。
发现大河侵蚀“热点”：重塑湄公河源汇演化历史
边缘海沉积物是记录大陆构造与气候演化的“天然硬盘”，而大型河流则是连接陆地与海洋的“传送带”。长期以来，学术界对于湄公河（图1）每年向南海输送的巨量泥沙究竟来自全流域的均匀贡献还是特定区域的集中剥蚀，一直存在争议。
图1 （a） 研究区地形图。（b） 标注采样点位置的湄公河流域地貌图。（c） 湄公河流域地形坡度分布图。
在《Global and Planetary Change》发表的研究中，刘方斌团队与合作者通过对湄公河流域4000多颗现代河床碎屑锆石进行U-Pb年代学分析，揭示了一个重要现象：湄公河的入海泥沙主要并非来自青藏高原的上游源头，而是高度集中于中游一个落差极大、地势陡峭的区域-即侵蚀“热点”（Erosion “hotspot”）（图2）。
图2 湄公河河流纵剖面及不同河段的采样点及碎屑锆石U-Pb测年数据
研究表明，湄公河上游剥蚀的物质在搬运过程中，往往被储存在沿途盆地或被其他支流稀释，对最终入海的沉积物贡献十分有限。结合热年代学证据与南海的同位素记录，团队推断该侵蚀“热点”在晚中新世气候变冷和亚洲季风增强的背景下，持续存在了数百万年。这一发现不仅解释了南海近800万年来沉积物源保持稳定的原因，也为理解古海洋环境变化提供了陆源物质输入的关键证据。
引入人工智能：构建物源示踪的新范式
在确认了侵蚀“热点”后，团队进一步思考：面对庞大且复杂的地质地球化学数据，如何才能更精准、高效地进行物源分类与识别？为此，在《Geomorphology》发表的另一项研究中，团队开创性地将人工智能技术引入了传统的地球化学物源示踪体系中。
团队提取了全球已知源区的岩石数据以及湄公河实测碎屑锆石的微量元素（REE）特征，运用随机森林（Random Forest）、K近邻（KNN）和极端梯度提升（XGBoost）三种机器学习算法进行模型训练与测试。结果表明，机器学习模型对源区岩石分类的准确率达到了93%至97%（表1）。
表1 使用十折交叉验证的三种机器学习模型的性能指标得分
通过模型的可解释性分析，团队精准识别出S型花岗岩是湄公河沉积物的主要贡献者，从技术层面再次交叉验证了“中游侵蚀热点主导泥沙产出”的结论（图3）。更重要的是，通过将湄公河与长江、黄河、多瑙河等全球其他大型水系进行广泛对比，团队提出了一种大河演化的普遍模式：上游物质多滞留于沿途盆地，而中下游的强烈剥蚀区才是入海泥沙的主力（图4）。
图3 湄公河所有样本的雷达图
图4 全球主要河流不同河段的沿程物源变化剖面图
上述研究工作得到了国家自然科学基金（42301006，42301105）、第二次青藏高原综合科学考察研究（2019QZKK0704）、山东省高等学校“青创团队计划”团队（2024KJG052）以及齐鲁师范学院科研基金的联合资助。合作单位包括湖北师范大学、兰州大学、中国应急管理部国家自然灾害防治研究院、美国理海大学（Lehigh University）、克莱姆森大学（Clemson University）等国内外知名高校及科研机构。
相关论文信息：
Liu， F。， Guo， Z。， Shen， X。， Wang， Z。， Wang， M。， Wang， Y。， Ma， X。， and Liu， H。， 2026， Integrating multi-algorithm machine learning with zircon REE geochemistry to trace source-to-sink provenance in the Mekong River Basin： Geomorphology， v。 503， p。 110276， doi：10.1016/j.geomorph.2026.110276。
Zhang， Z。， Liu， F。， Nie， J。， Shen， X。， Abell， J.T。， Pullen， A。， Pan， B。， and Geng， H。， 2026， Erosion “hotspot” of the Mekong River drainage system： Global and Planetary Change， p。 105502， doi：10.1016/j.gloplacha.2026.105502。
