应用机器学习研究金属同位素变化在流域规模:一个案例研究与同位素跨越尤肯河流域的流域

科学领域:

• 地质化学 地质化学
• 水文学的水文学
• 机器学习应用 机器学习应用

背景情况:

• 标准的统计方法难以限制影响河流同位素变化的多个变量.
• 机器学习 (ML) 为分析复杂的多维环境数据集提供了一种高效的方法.
• 了解对河流同位素 (δ⁷Li) 的控制对于解释气候变化过程至关重要.

研究的目的:

• 应用和评估机器学习算法,以阐明对河流变异的控制.
• 识别影响尤肯河流域 (YRB) 影响力最大的环境,气候和地质因素.
• 提出一个框架,用于在采集范围的空间金属同位素数据分析中使用ML.

主要方法:

• 从YRB收集并分析了123个河水样本,以测量Li.
• 从开放的地理空间数据库中提取环境,气候和地质数据.
• 训练,调整和测试了包括随机森林 (RF) 在内的四个ML算法,以预测Li变异.

主要成果:

• 随机森林 (RF) 模型最好地预测了Li,解释了62%的差异.
• 确定的主要控制变量是海拔,岩石结构和过去的冰川覆盖面,影响着气候变化的一致性.
• 观察到 δ⁷Li 对海拔高度的负依赖性,并在过去广泛覆盖冰川的地区观察到较低的 δ⁷Li.

结论:

• 机器学习提供了一个强大的,可解释的工具,用于解开河流同位素变化的复杂控制.
• 高度,岩石学和冰川历史是河流Li的重要驱动因素,反映了气候变化过程.
• 应该将ML纳入作为一个常规分析工具,用于采集区规模的金属同位素研究.