我校研究团队利用大数据驱动机器学习重建地球大气氧化历史

大气氧化的过程和机制是宜居星球形成的关键。早期地球大气几乎无氧，经过至少两次主要增氧事件（元古宙早期GOE和元古宙晚期NOE）后，才达到了现今大气O₂水平（21%）。重建高精度的深时大气O₂含量演化历史是地学领域最重要的科学问题之一，对于理解宜居地球形成与演化（包括生命、气候、资源）具有重大意义。一直以来，地球科学家主要采用生物地球化学模型和沉积物地球化学指标来进行大气O₂演化历史重建，但这一传统方法受制于沉积岩记录保存偏差、不完整等影响，造成大气O₂数值模拟结果连续性不好、不确定性大，尤其是在前寒武时期，定量化研究程度低。同时，长期以来，科学家对地球大气氧化背后的驱动机制存在巨大认识分歧，主要表现在地内作用与表生作用（占主导）之争。

近几十年，先进的观测、模拟以及测试分析技术使地球科学家获得了空前丰富多样的数据资料。在以大数据思维和数据密集型计算为基础的第四范式支配下，借助机器学习、知识图谱、超算等数字革命技术，地球科学家有望突破传统地学思维模式的限制，拓展地球科学的研究范式，实现地学定量化的宏伟目标。当前，地学大数据正在地震预测、火山喷发、生命演化以及资源预测等重大命题研究中逐渐崭露头角，也为上述地球大气氧化过程与机制问题的解决提供了契机。

近日，我校地质过程与矿产资源国家重点实验室成秋明院士、陈国雄副研究员联合加州大学河滨分校Timothy Lyons教授、加拿大地调局Frits Agterberg教授等国内外科学家，在《自然 通讯》（Nature Communications）上发表了数据驱动地球科学的最新合作研究成果，题为“Reconstructing Earth’s Atmospheric Oxygenation History Using Machine Learning”（机器学习重建地球大气氧化历史）。论文第一作者为中国地质大学（武汉）陈国雄副研究员，通讯作者为成秋明院士。

研究人员另辟蹊径，基于全球镁铁质火成岩地球化学大数据（Earthchem），构建了蒙特卡洛模拟与机器学习方法来定量模拟40亿年以来地球大气O₂含量的精细演化模式。研究人员首先通过无监督机器学习发现全球镁铁质火成岩地球化学成分演化模式与大气“两步台阶式”氧化模式以及一些局部增氧事件的时间耦合性；揭示了地幔岩浆演化带来的营养元素、微量元素以及还原性化学物质等在调节早期O₂源和汇平衡方面的关键作用。进一步，研究人员构建了利用火成岩大数据与蒙特卡洛模拟大气氧气含量的机器学习模型，定量重建了40亿年来大气O₂含量变化的高分辨率模式；除了成功预测经典的二阶演化模式，重建的大气O₂演化曲线提供了地质历史时期更多的增氧去氧细节（尤其是前寒武时期），并得到了沉积物地球化学指标的佐证。上述科学发现强调了行星内部地质过程可能对地表大气氧化至关重要，并启发我们在寻找其他“类地”宜居星球时应更好地理解行星内部作用；同时，揭示了大气分阶段氧化与板块构造启动、超级大陆聚合、大火成岩省以及雪球等极端地质事件的耦合性，强调了地内与地表耦合的多层圈相互作用是地球大气氧化过程的关键。

该论文是成秋明院士领导的数据驱动地球科学发现研究的又一项重要成果，为探索地球早期演化提供了一种新的AI范式。大数据驱动与人工智能算法可以揭示海量数据集隐含的复杂相关性、是否存在因果关系以及嵌套在这些关系中的成因机制问题；同时，还可以驱动地球科学研究从寻找未知答案的已知问题转变为寻找未知问题和未知答案。然而，鉴于人工智能在地球科学中的应用尚未达到认知智能的水平，并且经常遭受机器学习算法被诟病的黑盒问题，因此，研究人员强调需要融合人类学习和机器学习来寻找大数据相关关系背后的因果机制。尽管仍存在许多未知数，机器学习技术以及大数据和人工智能的最新进展为探索地球的早期演化及其与其他行星系统的相关性提供了令人兴奋的新机会。

图1. 全球火成岩地球化学大数据

（A）Earthchem全球火成岩数据库；（B）铁镁质火成岩地球化学成分（元素含量）演化时间序列；（C）铁镁质火成岩地球化学成分突变（~2.5Ga）与大氧化事件（GOE）耦合。

图2. 基于机器学习重建全球大气氧气演化历史

（A）构建深时氧气预测的蒙特卡洛模拟与机器学习方法；（B）非监督机器学习挖掘全球铁镁质火成岩成分大数据的分阶段演化模式，发现其与大气氧化历史的相关关系；（C）利用火成岩大数据与机器学习定量模拟预测大气氧气含量，揭示大气氧化成因机制。