基于地质大数据和机器学习的基性岩浆单斜辉石高精度温度计构建

摘要

基性岩浆的温度不仅反映了地幔部分熔融及岩浆演化的物理化学过程，还揭示了地幔-地壳相互作用的机制，是推断板块构造背景及重建地球深部热结构的重要参数。近年来，随着地质大数据和机器学习技术的发展，前人构建了基于机器学习的单斜辉石温度计，突破了基于矿物-熔体平衡构建的温度经验方程的局限性，但大部分精度较差。汇编了全球多个实验生成的单斜辉石及对应熔体的主量元素数据共6 537组，开展数据筛选、特征选取、数据划分、数据插补等工作，并采用Gaussian noise重采样以弱化实验温度分布不均衡对模型训练的影响。基于优选的极限随机森林算法，结合5折交叉验证下的特征选择和超参数调优策略，构建了高精度的温度预测模型。该模型在全体训练集上显示出决定系数R₂=0.935，均方根误差RMSE=33.41℃的高拟合优度，预测精度相较于现有最好的温度计提升了2.6℃，并在独立验证集上表现出良好的泛化能力，为基性岩浆演化过程的温度定量解析提供了一种更可靠的工具。

关键词

温度计 / 机器学习 / 单斜辉石 / 极限随机森林 / 地质大数据