近日，研究人员开发了一种名为SandAI的深度神经网络模型，能够根据沙粒表面的微观纹理快速准确地识别其搬运历史和沉积环境。该模型在识别现代沙粒和古代沉积岩中的石英颗粒的搬运环境方面表现出色，预测结果与实际环境高度吻合，并能提供更详细的搬运过程信息。这项技术的成功开发将彻底改变石英微观纹理分析，为地质学、考古学和法医学等领域开辟新的研究方向。
传统沙粒微观纹理分析方法存在缺陷，如主观性强、缺乏统一标准、分析过程耗时费力等。SandAI模型的开发旨在解决这些问题，实现对沙粒搬运历史和沉积环境的快速、准确、客观、定量的识别。该模型的成功开发标志着沙粒微观纹理分析技术进入了一个全新的阶段，具有广泛的应用前景。
SandAI模型以ResNet-50为基础，利用深度学习算法，通过学习大量的沙粒SEM图像，建立了沙粒微观纹理与搬运环境之间的联系，能够自动识别沙粒的搬运历史和沉积环境。该模型具有客观性强、高效快速、应用范围广等显著优势。
SandAI模型在识别现代沙粒和古代沉积岩中的石英颗粒的搬运环境方面表现出色，总体准确率高达88.43%。该模型已经成功应用于挪威斯瓦尔巴特群岛的布拉维卡段沉积岩样品的分析，验证了其可靠性和适用性。此外，SandAI模型的在线平台已向公众开放，用户可以上传沙粒的SEM图像，并获得模型的预测结果。
【导读】
近日，研究人员开发了一种深度神经网络模型，可以根据沙粒表面的微观纹理，快速准确地识别其搬运历史和沉积环境。
模型在识别现代沙粒和古代沉积岩中的石英颗粒的搬运环境方面表现出色，预测结果与实际环境高度吻合，并能提供更详细的搬运过程信息。
这项技术将彻底改变石英微观纹理分析，为地质学、考古学和法医学等领域开辟新的研究方向。
沙粒，作为地球上最常见的物质之一，其表面并非我们肉眼所见的平滑，而是布满了由搬运和沉积作用形成的微观纹理。这些微观纹理就像沙粒的“纹身”，记录着它们曾经所经历的环境变迁，蕴藏着丰富的地球演化信息。
早在上世纪60年代，随着扫描电子显微镜 (SEM) 的出现，科学家们便开始关注沙粒表面的微观世界。他们发现，不同的搬运方式，例如风力搬运、河流搬运、冰川搬运和海岸带搬运，会在沙粒表面留下不同的微观纹理。通过分析这些微观纹理，可以推断出沙粒的搬运历史和沉积环境，进而为了解古代气候变化、地貌演变、古环境重建等提供重要依据。
然而，传统的沙粒微观纹理分析方法存在着一些难以克服的缺陷：1）
主观性强，容易产生偏差，传统的分析方法依赖于研究人员对微观纹理的肉眼观察和主观描述，容易受到个人经验和判断的影响，导致结果缺乏一致性和可重复性。2）缺乏统一标准，难以进行定量分析: 不同的研究人员对于微观纹理的描述和分类缺乏统一的标准，使得不同研究之间难以进行有效的比较和整合，限制了定量分析的开展。3）分析过程耗时费力，效率低下: 传统的分析方法需要对大量的沙粒进行逐一观察和记录，工作量巨大，效率低下，限制了该方法的应用范围。
如何克服传统沙粒微观纹理分析方法的缺陷，实现对沙粒搬运历史和沉积环境的快速、准确、客观、定量的识别，一直是困扰着地质学家的难题。
为了解决这一难题，斯坦福大学的研究人员开发了一种名为 SandAI 的深度神经网络模型。该模型以 ResNet-50 为基础，利用深度学习算法，通过学习大量的沙粒 SEM 图像，建立了沙粒微观纹理与搬运环境之间的联系，能够自动识别沙粒的搬运历史和沉积环境。
(图来源于Hasson et al., 2024）
研究人员首先从全球范围内收集了来自河流、沙漠、冰川和海岸等典型环境的现代沙粒样品，并使用 SEM 对其表面微观纹理进行成像，构建了包含数千张沙粒图像的数据库。然后，他们利用该数据库对 SandAI 模型进行训练和验证，使其能够准确地区分不同环境下形成的沙粒微观纹理特征。
研究结果表明，SandAI 模型在识别沙粒搬运环境方面表现出色。在对一组未知来源的现代沙粒样品的测试中，SandAI 模型的总体准确率高达88.43%。即使对于来自古代沉积岩的石英颗粒，SandAI 模型也能准确识别其沉积环境，例如来自美国西部早侏罗世（约2亿年前）到上新世（约500万年前）的岩石样品。
图2 （A）用于模型开发、外部验证和采样环境照片示例的现代样本位置图（B-E）
(图来源于Hasson et al., 2024）
为了进一步验证 SandAI 模型的可靠性和适用性，研究人员将其应用于挪威斯瓦尔巴特群岛的布拉维卡段 (Bråvika Member) 的沉积岩样品。该地层的成因一直存在争议，此前有学者将其解释为冰川、冰川-风成、热带风成或热带河流环境。SandAI 模型分析结果表明，布拉维卡段的沙粒主要来源于风成环境，同时伴随有少量的冰川搬运，这与该地层中存在的沙丘交错层理和冰川沉积物相吻合。
图3 每个类别（A-D）的砂粒示例、DNN（F-T）每个层块的CAM示例以及手动记录的纹理（U-X）
(图来源于Hasson et al., 2024）
SandAI 模型的成功开发，标志着沙粒微观纹理分析技术进入了一个全新的阶段。该模型具有以下显著优势：
1）客观性强，避免人为偏差:
SandAI 模型基于深度学习算法，能够自动识别沙粒微观纹理特征，避免了人为观察和描述带来的主观偏差，提高了分析结果的客观性和可靠性。
2）高效快速，节省时间和人力成本:
SandAI 模型可以快速处理大量的沙粒图像，大大节省了分析时间和人力成本，提高了研究效率。
3）应用范围广，潜力巨大:
SandAI 模型不仅可以用于地质学研究，还可以应用于考古学、法医学等需要对沙粒来源进行分析的领域，具有巨大的应用潜力。
图4 现代和古代外部验证的结果。每个标记代表一个大样本。标记在三元图中的位置反映了预测为给定类别一部分的谷物的相对丰度
(图来源于Hasson et al., 2024）
SandAI 模型的在线平台已向公众开放，用户可以上传沙粒的 SEM 图像，并获得模型的预测结果。SandAI 模型能够成为地质学家、考古学家和法医学家等领域的强大工具，为相关研究提供新的思路和方法。
参考文献：Michael Hasson et al., 2024. Automated determination of transport and depositional environments in sand and sandstones.
September 16, 2024. 121 (40) e2407655121
