Geosci. Front. | 地球物理数据机器学习：一种揭示克拉通岩石圈性质与构造演化的新方法

深部岩石圈岩性对理解其演化及动力学过程至关重要，但地球物理探测存在多解性问题。本研究收集36种岩性的高压物性实验数据（纵波速度、横波速度、密度等），采用递归特征消除法筛选特征参数，通过对比K-近邻算法（KNN）、随机森林和XGBoost模型，最终选用准确率高达97%的KNN模型进行岩性预测。以华南板块为例，经温度校正后预测了岩石圈三维岩性分布，结果显示地壳岩性复杂，地幔以橄榄岩类和辉石岩类为主。四川盆地虽保存厚克拉通岩石圈，但地幔受峨眉山大火成岩影响呈现再富集特征。结合预测结果与地质证据，构建了华南板块中生代四阶段构造演化模型。该方法将研究深度从地壳扩展到整个岩石圈，实现了对分类结果的定量评价，可推广至全球具有高分辨率数据的区域。