总访问量：
闫钊,Jan. 25, 2026
地球上发现的陨石可以大致分为球粒与无球粒两大类。球粒陨石大多来自于小行星带，形成自太阳星云冷凝，具有典型的“球粒”特征。相对的，无球粒陨石不具备明显的“球粒”特征（图一），其母体是火星、月球、灶神星等经历过熔融分异的地外行星或小行星。
图一、陨石切片对比
无球粒陨石记录了地外行星的演化过程，具有极高的科研与收藏价值，然而无球粒陨石在岩石学特征上和地球岩浆岩高度相似，如何有效分辨无球粒陨石的母体一直以来都是行星科学中的难点。前人的方法多根据矿物组成以及全岩同位素非质量相关分馏特征来区分无球粒陨石的母体，这些方法大多具有较高的技术门槛，并且测试成本较高。相对的，全岩主量元素组成便于测量，且无球粒陨石的主量元素特征反映了不同行星独特的岩浆演化过程与物理化学条件，因此有望成为分辨无球粒陨石母体的有效工具。然而，传统基于经验或二维主量元素投图的方法难以区分不同地外天体的特征，如何有效整合多维主量元素成分空间中各类天体的成分特征，是解决问题的关键。
本研究引入机器学习方法，利用其在处理高维、多变量数据方面的优势，对全岩主量元素所包含的化学特征进行系统识别，从而实现对无球粒陨石母体的快速判别。
图二、模型工作流
首先收集文献中报道的已知来源于月球、火星、灶神星的无球粒陨石数据，对十种主量元素（Na、Mg、Al、Si、K、Ca、Ti、Cr、Mn 和 Fe）进行数据质量评估和清洗，最终数据库共包含602个陨石样品，共计1258个数据点（图三a）。通过主量元素相关性分析显示（图三b, c），多数元素之间存在显著相关关系，反映了岩浆分异和矿物结晶过程中受共同化学约束控制的协同变化特征。
图三、数据集构成与元素相关性
为消除元素间共线性并统一不同元素的量纲尺度，采用主成分分析（PCA）对主量元素数据进行降维处理。PCA 结果显示，前六个主成分（PC1-PC6）累计解释了约92%的总方差（>90%），因此被选作为后续机器学习模型的输入特征（图四）。
图四、全岩主量元素主成分分析
在统一数据处理和标准化的基础上，本研究构建并测试了多种经典机器学习模型，包括决策树、随机森林、梯度提升、支持向量机、K近邻方法、多层感知机以及基于Transformer的模型TabPFN。研究结果表明，在仅使用全岩主量元素作为输入参数的情况下，多种模型均能够实现对无球粒陨石母体的有效判别。所有模型在测试数据集上的分类准确率大于95%，显示出主量元素组合在区分不同行星体来源方面所具有的判别潜力（图五）。
图五、部分模型在测试集上的表现
为了进一步理解模型的判别依据，本研究结合可解释性分析方法（SHAP），系统评估不同主量元素组合在模型判别中的作用。结果显示，模型并非依赖某一单一元素，而是综合利用多种主量元素之间的相对变化关系，从而捕捉不同行星体的系统性差异。例如，月球陨石的判别与Fe-Ti元素富集（月海玄武岩）及 KREEP 相关特征（高地斜长岩）密切相关；火星陨石的分类主要受 Na、Mn、Cr 等元素组合差异控制，透橄无球粒陨石的Na-Mn元素富集特征明显，而辉熔长石无球粒陨石则表现出富Mg-Cr等镁铁质元素特征。
为检验机器学习分类结果的可靠性，本研究还选取了三块未参与模型训练的富橄榄石无球粒陨石——NWA 12217、NWA 12319 和 NWA 12562，并将模型预测结果与已有的传统分类研究进行对比。结果表明全岩主量元素所包含的多维化学信息能够被机器学习模型有效提取，并用于区分不同母体来源的无球粒陨石。但需要注意的是，受限于样本数量，本方法现阶段还无法取代传统的岩相学、矿物组成和同位素分析。但随着无球粒陨石数据量的不断增大，本方法有望进一步提升准确性，并为无球粒陨石的母体判别提供一种快速简单的手段。
本研究将机器学习模型在线部署，用户只需输入陨石样品的全岩主量元素数据，即可快速获得对应的母体分类概率结果。
无球粒陨石在线分类网址：https://geo-cosmo-chemistry.shinyapps.io/meteorites_classification/.
近日，该研究成果以“Predicting Differentiated Achondrite Parent Bodies Through Machine Learning: Insights from Major Element”为题，发表在国际知名地球化学期刊Applied Geochemistry上。中国科学技术大学的博士研究生闫钊为论文第一作者，康晋霆副教授为论文通讯作者，共同作者还包括黄方教授以及中国科学院南京紫金山天文台的徐伟彪研究员。本研究得到国家自然科学基金、安徽省科技厅、教育部和中央高校基本科研业务费等项目的支持。
论文信息
Zhao Yan, Jin-Ting Kang*, Weibiao Hsu, Fang Huang, 2026. Predicting Differentiated Achondrite Parent Bodies Through Machine Learning: Insights from Major Element. Applied Geochemistry, 198:106687. https://doi.org/10.1016/j.apgeochem.2026.106687.
你必须登录之后才可以参与讨论。