表层海水温度（SST）是研究海洋-大气相互作用和气候变化机制的关键参数。然而，现有的SST器测记录起步较晚、且覆盖范围有限，难以全面反映长期气候变化。因此，利用珊瑚等气候载体的地球化学代用指标来重建过去的SST成为理解海洋气候变化的重要方法。然而，基于δ¹⁸O、Sr/Ca、Mg/Ca、U/Ca等指标的古海水温度计受到非环境因素和“生命效应”的干扰，影响了SST的准确重建。尽管研究者提出了改良的Li/Mg、Sr-U温度计以及多元素SST校准方案（UMTECS）来应对这些问题，但效果并不理想，后续研究发现这些改良方法仍然受到珊瑚种属差异的影响。

针对上述问题，中国科学院广州地球化学研究所的韦雨轩博士研究生在邓文峰、陈雪霏和韦刚健老师指导下，提出了一种基于机器学习算法改进的珊瑚微量元素古海水温度计。他们分析了来自19个珊瑚的1202个数据集，代用指标包括Sr/Ca、Mg/Ca、Li/Mg、U/Ca和B/Ca比值，并根据区域和珊瑚种群限制将数据分为四个子数据集，使用不同的代用指标组合和机器学习策略训练了1612个模型，以评估非SST效应对机器学习模型普适性的影响。他们的研究发现：（1）非SST效应主要归因于区域差异而非珊瑚种群差异，突显了区域因素在基于Porites珊瑚代用指标重建SST中的重要性；（2）非线性方法的均方根误差（RMSE）小于0.90℃，在引入特定的区域和珊瑚种群限制后进一步降低至0.72℃：（3）Sr/Ca和Li/Mg被认为是SST的最优指标，显示出与温度更为明确的关系，在仅针对这两个代用指标的独立测试集中，树模型算法表现尤为优异，相较于UMTECS和Li/Mg温度计方程，平均RMSE至少降低了0.52℃。

本研究将机器学习方法应用于珊瑚地球化学的古海洋和古气候研究，首次系统地评估了机器学习在基于珊瑚微量元素/Ca比值的SST重建中的应用潜力，特别突出了树模型算法的有效性，以及Sr/Ca和Li/Mg在SST重建中的优越表现。

图1 机器学习模型的训练流程

图2不同模型性能随代用指标组合数量增加的变化

图3未限制珊瑚种群和区域的数据集模型性能以及对应的代用指标组合

图4支持向量机回归a、极限随机树回归b、随机森林回归c对不同指标的重视程度

本研究由国家重点研发计划项目（2023YFF0804801）、中国科学院战略性先导科技专项（XDB40010300）、国家自然科学基金（42273009）、中国科学院青年创新促进会（2021352）及广州地球化学研究所涂光炽优秀青年学者项目（TGC202205）联合资助，成果近期发表于Paleoceanography and Paleoclimatology。

论文信息：Wei, Yuxuan（韦雨轩）, Deng, Wenfeng（邓文峰）*, Chen, Xuefei（陈雪霏）, Wei, Gangjian（韦刚健） (2024). A comprehensive evaluation of machine learning on coral trace element paleothermometers for sea surface temperature reconstruction. Paleoceanography and Paleoclimatology, 39, e2024PA004885.

论文链接：https://doi.org/10.1029/2024PA004885