-
古地理学是研究深时地球表面各种地理特征（如高山、盆地、河流、湖泊、浅海和深海等）的一门综合性科学。利用大地构造学、沉积学、古生物学、岩石学、古地磁学、古气候学等多学科的古地理重建研究，已成为恢复地质历史时期板块边界、海陆分布、沉积环境、地形地貌、生物和气候变化等的重要方式，在探索地球演变、生命演化以及能源勘探等方面发挥着重要作用（Hou Mingcai et al.，2019）。
-
Hunt（1873）首次提出“古地理”的概念，认为该学科主要研究地质历史时期的地理环境变迁。早期的古地理重建图主要是基于地层学和古生物学资料的定性古地理表达（King，1962），这些图件缺乏足够的定量证据的约束。20世纪60~70 年代，板块构造理论将古地理位置重建从定性推断推进到精确定量约束阶段，即以动态的板块构造运动为基础，结合沉积物、古生物化石、古气候、古地磁、海底磁异常条带和地球化学测年数据等，刻画深时海陆分布和地貌演化过程。我国的古地理重建研究工作主要侧重于盆地尺度的岩相古地理编图研究，以服务能源矿产勘探为主（刘宝珺和曾允孚，1985；马永生等，2009；陈洪德等，2017；邵龙义等，2021；牟传龙，2022）。国际上主要侧重全球尺度的板块构造古地理重建，近20年涌现了诸如EarthByte、PaleoMap、UNIL、Deep Time Maps等国际领先团队构建的全球或区域古地理重建模型和开发的古地理研究平台（Stampfli and Borel，2002; Golonka et al.，2006; Domeier and Torsvik，2014; Müller et al.，2016; Blakey and Ranney，2018; Merdith et al.，2021; Scotese，2021）。新的古地理重建技术和模型推动了对地球节律与重大地质事件演化关系的研究，如超大陆旋回（Mitchell et al.，2012）、大洋缺氧（Hu Zhongya et al.，2021）、生物灭绝事件（Zhang Hua et al.，2021）、全球气候突变（Macdonald et al.，2019；Zhang Hongrui and Torsvik，2022）等。
-
随着大数据时代的来临，海量古地理重建所需数据不断积累，计算能力和效率迅速提高，在全球板块构造背景下重建原位、原型的活动三维古地理已成为发展趋势（余珊等，2013；刘少峰和王成善，2016）。现有的古地理重建模型要求不断的升级更新，以实现不同学科证据的自洽，更精细地再现高分辨率地质时间的全球动态古地理演化历史。同时，随着以计算机技术的高速发展为代表的第四次工业革命的兴起，古地理研究逐步进入标准化、智能化和可视化新阶段，利用新技术实现高效、准确的数字活动古地理重建成为了可能。本文主要介绍近年来作者团队提出的数字化活动古地理重建思路和开发的相关新技术，并服务于“深时数字地球（Deep-time Digital Earth，DDE）”国际大科学计划（Wang Chengshan et al.，2019）。同时，以数据密度较高的中二叠世—中三叠世东特提斯域为用例展示新的活动古地理重建流程和技术下的活动古地理重建模型及其与海洋环境变化和生物大灭绝的关系。
-
1 数字化古地理重建流程
-
早期的古地理重建一般通过绘制图件来表达过去的地球面貌。20世纪90年代开始，古地理图件逐渐从手工绘制转向计算机软件绘图，表达效果和准确度得到了极大提升，但仍然没有解决数据利用率及图件更新迭代效率较低的问题。随着澳大利亚EarthByte团队开发了GPlates，板块构造古地理的研究及其数字模型的建立变得越来越便利。国际上开始流行以板块构造模型来获取旋转参数，重建数据主要包括古地磁、深部层析成像等（常用模型如Domeier and Torsvik 2014；Merdith et al.，2021）。最近，Scotese（2021）报道了其团队30年来在古地理重建中的流程技术，首先以板块构造为框架，然后手动逐步填充沉积环境和古地貌实现数字化古地理重建。但与古板块构造重建相比，古地形地貌、古气候、古生态等要素的重建需要的数据量更大，数据类型更多，数据的多元异构特征更明显，数字化难度亦高得多。因此，要实现综合古地理的数字化重建，需要更多的方法和模型。本文提出了一个综合活动古地理重建的新流程（图1），在传统的区域古地理编图研究的前置研究流程（确定编图研究范围、时间单元、底图和数据分类收集和整理）基础上，基于GPlates平台的板块构造古地理格架，利用大数据和机器学习等技术手段，实现岩相古地理图自动重建，并智能生成地形地貌，进一步结合气候敏感沉积物、古生物化石等数据校正古地貌和海岸线，最后通过多重古地理图的叠加高效完成区域古地理图重建，并完成升级更新到全球古地理图，以地质时间轴的高分辨率时间片段实现活动古地理演化展示。
-
2 古地理重建新技术与进展
-
新的数字化古地理重建以构造古地理为框架，在每个构造单元中绘制岩相古地理图，根据沉积环境（面数据）自动推测古地形地貌，并利用不断更新的古生物、沉积等点数据检验和修订古高程和古海岸线，实现可及时、快速更新、动态展示的数字化古地理重建。下文按照流程逐个介绍相应的重建技术和进展。
-
2.1 构造古地理重建
-
构造古地理重建是结合构造古地磁、古构造变形、深部层析成像、磁异常条带、沉积物源、岩浆期次特征演化等综合资料来模拟板块古构造变形、古地理位置和运动方式的一门学科，其提供的深时海陆格局和构造边界特征是古地理研究中最重要的基础，被广泛认为是控制沉积物质、气候、环境、生物、能源资源演化的首要影响因素（Lieberman，2005; Ren Qiang et al.，2021; Zhang Hongrui and Torsvik，2022）。
-
图1 基于大数据和新技术的区域古地理图升级全球古地理图新流程
-
Fig.1 Regional paleogeographic map reconstruction based on big data and new technologies upgrade the new process of global paleogeographic maps
-
2.1.1 古板块原型重建
-
古板块原型重建主要是还原在某一地质历史时期板块边界变形与板块内部盆地和造山带变形的状态，有助于更好地理解造山带和沉积盆地的形成以及俯冲板块与上覆板块之间的相互作用（Replumaz et al.，2003; Gion et al.，2017; Liu Shaofeng et al.，2017）。考虑到有超过14%的现今地球表面面积正在经历强烈变形作用，传统的不变性的刚性板块的理念和观点正在经历挑战（Kreemer et al.，2014）。因此，定量变形板块重建一直是大地构造领域研究的前沿和难点（Müller et al.，2019）。新一代板块重建软件（如GPlates），通过整合多种地质记录，不仅可以重建全球板块运动史模型（Seton et al.，2012），还可以借助于动态连续的拓扑网络刻画板内变形历史（Gurnis et al.，2018）。更为重要的是该方法可将区域模型融入全球板块模型，准确恢复地质历史时期的板块原型（Liu Shaofeng et al.，2017）。与变形相关的数据结构多样，涵盖点、线、面、体，其中既有矢量数据，也有栅格数据。具体而言包括断层数据、褶皱数据、地震剖面数据、钻孔数据、岩石学、年代学和热年代学数据、以及可以反演地壳厚度的重力异常数据。定量变形板块重建的数据获取主要包括两个方面：① 对已获取应变量的数据如岩石的变形测量数据和平衡剖面恢复等可直接采用；② 对尚未进行构造应变量计算的原始数据，如野外详细调查、地震和钻井解释的典型剖面（包括逆冲带和盆地剖面），采用构造平衡恢复方法，计算构造变形量；对具有深部地球物理资料的裂谷盆地区，将利用地壳（或岩石圈）厚度变化计算伸展系数（即β值）。基于GPlates平台的变形重建工作流程主要通过构建动态的闭合网络，示踪特征点、线、面的有限变形运动，实现变形重建（图2a~c）。变形区域被时-空演化的边界限定，其内部允许存在无变形的刚性区域。用于构造变形重建的资料主要为用以抽象表示各地质要素（如地质边界、断层、俯冲带等）的点、线、面和用以描述各要素运动过程的旋转文件（欧拉极）（Liu Shaofeng et al.，2017; Gurnis et al.，2018; Zhu Yinbing et al.，2021）。目前已有成熟的Python脚本利用PyGPlates自动计算旋转文件。所有用于重建的地质要素以现今坐标保存，并通过旋转文件恢复至变形前的古位置。对于重建的变形网格，基于Delaunay三角剖分法在已知变形点之间进行插值，确定三角形内部的速度和应变速率。在完成变形重建和应变计算之后，导出应变、应变速率、不同时间段的累计应变和主应变方向等应变数据、和伸展（压缩）系数。利用刚性块体的变形重建在渤海湾盆地成功开展，重建模型不仅揭示了渤海湾盆地不同时期的盆地范围和区域变形场分布，也建立盆地演化模式与太平洋板块俯冲之间的联系（图2d、e；Zhu Yinbing et al.，2021）。
-
图2 GPlates平台变形重建方法与研究实例
-
Fig.2 Deformation reconstruction methods and research examples of GPlates
-
（a~c）—变形重建要素与Delaunay三角剖分构建变形拓扑网络示意图（据Gurnis et al.，2018）;（a）—变形重建中使用的地质要素;（b）—展示了计算机内部基于这些数据构建的拓扑网格;（c）—重建的变形网络，蓝色多边形为动态多边形，作为变形网络的外部边界;（d~f）—渤海湾盆地定量变形重建揭示的应变速率及其时空演化，其中红色指示伸展应变，蓝色指示挤压应变，据Zhu Yinbing et al.（2021）; D—变形; U—单元; W—旋转; M—边界; P1、P2、P3—板块1、2、3; D1—板块P1的变形区域，其左边界为俯冲带，右边界为正断层组成的伸展区域，顶部和底部边界主要适应转换运动，在D1中，有变形控制点、正断层、和刚性单元（RB），这些要素在D1内部时，表示为橘色，在边界上表示为黑色; U1、U3、U4、Un—对应要素相对于P1的位移; W1M—编号为1的板块边界相对于固定点的旋转; WnM—编号为n的板块边界相对于固定点的旋转; DSR—伸展应变速率; W1D、W2D、W3D、W4D、WnD—基于位移数据计算的旋转数据（欧拉极）
-
(a~c) —deformation reconstruction elements and Delaunay Triangulation to construct a deformation topology network (after Gurnis et al., 2018) ; (a) —geological elements used in deformation reconstruction; (b) —show the topological grid built in the computer based on these data; (c) —reconstructed deformation network, blue polygons are dynamic polygons as the external boundaries of the deformation network; (d~f) —strain rates and their temporal and spatial evolution revealed by quantitative deformation reconstruction in the Bohai Bay basin, where red indicates extensional strain and blue indicates compressive strain (after Zhu Yinbing et al., 2021) ; D—deformation; U—unit; W—rotation; M—margin; P1, P2, P3—plate 1, 2 and 3; D1—the deformation area of plate P1, which left boundary is subduction zone, right boundary is extension area composed of normal faults, and top and bottom boundary mainly adapt to conversion movement, in D1, there are deformation control points, normal faults, and rigid elements (RB) , when these elements are in D1, they are shown in orange, represented on the boundary as black; U1, U3, U4, Un—displacement of the corresponding element relative to P1; W1M—rotation of plate boundaries numbered 1 with respect to fixed points; WnM—rotation of plate boundaries numbered n with respect to fixed points; DSR—dilation strain rate; W1D, W2D, W3D, W4D, WnD—rotation data (Euler pole) calculated based on displacement data
-
2.1.2 古板块原位重建
-
重建板块的古地理位置主要包括对其古纬度和古经度的恢复，其数据类型和方法复杂，包括古地磁、沉积物源分析、岩浆岩、造山带极性、变质岩、古生物区系等。对于古纬度位置的研究，目前有多种定量和半定量的方法。通过古地磁方法获取岩石中原生剩磁的磁倾角计算古纬度，是目前定量研究板块古纬度最有效方法（van Hinsbergen et al.，2015）。另外，由于气候与纬度之间存在一定的关联性（Köppen，1918），可以通过分析与气候相关的指标半定量的估计板块古纬度范围：① 生物古地理法。由于不同物种对环境气候条件有一定的适应性，通过分析古生物群落组成和地理分布特征，可以推测板块的古纬度。例如，始新世以来的红树林群落有助于指示低纬度的热带—亚热带气候（Boucot et al.，2013）；② 沉积古地理法，即通过分析不同沉积岩类型特征来推断它们形成时所处的环境气候条件和地理位置。例如，气候性敏感沉积物蒸发岩、风蚀砂岩、钙质壳主要分布于中纬度干旱带（Boucot et al.，2013）。因此，上述定量的古地磁与半定量的生物和气候等指标相互验证（图3），可以共同约束板块古纬度位置。
-
古经度的重建一直是构造古地理重建难题。通常两个板块的相对古经度位置可以通过比较它们的视极移曲线来重建（如Pangea超大陆的重建，Torsvik et al.，2012）。这种方法只适用于比较稳定的克拉通或地块，而不适用于区域地块旋转与变形强烈的造山带。此外，生物古地理（植物和动物区系；Ren Qiang et al.，2021，2022）、碎屑锆石物源对比（Bradley，2011）、造山带极性连接（Zhao Guochun et al.，2002）和岩浆岩带分布特征（如放射状基性岩墙群展布形态连接；侯贵廷等，2009）等也可以约束板块之间的相对位置关系（图3）。然而，对于地质历史时期全球板块的绝对古经度的重建方法不多，仅有部分时间段的区域板块可以实现绝对古经度恢复（图3），如利用近似固定的深部地幔柱引发的热点跟随板块的运动在地表产生的迁移记录，形成的火山和海山链轨迹（Müller et al.，1993），以此来恢复板块的绝对古地理位置。但目前只能观测全球4条主要的热点轨迹（Hawaiian、Louisville、Tristan和Réunion），可追溯其130~0 Ma的板块绝对位置（Torsvik et al.，2008）。另外，Müller et al.（2008） 识别侏罗纪（200 Ma）以来洋壳保存的洋底磁异常条带和断裂带，建立全球洋底扩张等时线，进一步重建了全球板块绝对古地理位置（Seton et al.，2012）。而对于早于200 Ma以前的绝对古地理重建缺乏热点轨迹和洋底磁条带的记录，Torsvik et al.（2008） 提出“幔源法（plume generation zone method）”的新尝试来定量讨论板块的绝对古经度重建。其恢复全球300 Ma以来所有大火成岩省和金伯利岩的喷发点古地理位置，发现它们全部分布在核幔边界的地震波低速带（large low shear velocity provinces（LLSVPs））边缘（Torsvik et al.，2008），暗示了这些LLSVPs至少固定了300 Ma（甚至很可能在显生宙以来都适用，图4；Torsvik et al.，2010），这为古板块重建提供了一个绝对参考系。虽然目前有一些深部地球物理模拟表明这些LLSVPs可能并非固定不动（Flament et al.，2017，2022），但对于300 Ma以来的Torsvik et al.（2008） 地质观测证据却很难反驳。尤其，近几年“幔源法”的古地理重建研究已得到了一些板块运动学和动力学的检验，例如290 Ma塔里木大火成岩省（Wei Bitian et al.，2020）和250 Ma西伯利亚大火成岩省（Torsvik et al.，2014）的喷发点古地理位置合理性都已得到支持。
-
对于板块构造古地理位置的研究主要集中在某一些板块的一个时间点，其重建结果往往难以融入全球古地理格架中，并且无法通过地质历史时期连续演化的全球板块模型合理解释。EarthByte和Torsvik等团队利用GPlates平台开展具有高时空分辨率的动态全球拓扑模型（即全板块重建）研究，希望直接通过板块构造运动学和动力学的分析对重建结果进行合理性解释。全板块重建的原理基于板块构造理论，该理论认为地球的岩石圈被分为数个刚性板块，它们相互运动和相互作用。板块边界为俯冲带、洋中脊和转换断层，在充分考虑板块边界各种地质特征兼容性的前提下，地质历史中这些板块的相互运动必须符合板块边界的运动学和几何学特征（Matthews et al.，2016）。目前国际上已出现两种不同的全板块重建方案：EathByte团队的新元古代以来的重建（Merdith et al.，2021）和Torsvik团队的晚古生代重建（Domeier and Torsvik，2014）。两种方案的主要区别在于晚古生代Pangea超大陆周缘特提斯洋和古亚洲洋构造域的古地理重建的认识不统一，但无论哪种方案都无法合理解释东亚构造古地理与生物古地理的矛盾。近年来，随着晚古生代东特提斯洋和古亚洲洋的古地理研究数据的积累，我们已在两种方案的基础上提出了新的晚古生代东亚古地理格局演化模型（如Ren et al.，2020，2021，2022; Tang et al.，2022），合理地协调了构造-生物-气候古地理协同演化关系，并得到晚古生代全板块重建动态模型的检验。
-
图3 构造古地理位置重建流程和方法
-
Fig.3 Process and method of tectonic paleogeographic location reconstruction
-
图4 基于全球古地理恢复后的金伯利岩和大火成岩省沿LLSVPs边缘喷发分布图（据Torsvik et al.，2014）
-
Fig.4 Eruption distribution map of kimberlites and large igneous provinces along the margin of the LLSVPs based on the global paleogeography restoration (after Torsvik et al., 2014)
-
图中金伯利岩平均分布在距LLSVP 2°±3°的范围内，98%在10°范围内; 古生代大火成岩省: K—澳大利亚卡尔卡林吉，A—西伯利亚Altay-Sayan，Y—西伯利亚Yakutsk，S—欧洲Skagerrak，P—印度/喜马拉雅西北部Panjal，E—中国华南峨眉山，ST—西伯利亚
-
On average kimberlites plot within 2°±3° from a LLSVP with 98% within a distance of 10°; Paleozoic large igneous provinces: K—Kalkarindji, Australia, A—Altay-Sayan, Siberia, Y—Yakutsk, Siberia, S—Skagerrak, Europe, P—Panjal traps, India/NW Himalaya, E—Emeishan, South China, ST—Siberian traps
-
2.2 岩相古地理智能解析技术
-
岩相是指在特定沉积环境下形成的一系列具有特殊岩性（例如矿物组成、沉积结构和构造等）的岩石或岩石组合。准确可靠的岩相分析对于油气田勘探开发应用中的地层特性分析、地层对比和储层预测等方面至关重要（Kadkhodaie-Ilkhchi et al.，2006）。通过野外露头、取芯井提取的岩芯进行岩相分析具有最高的精确度和可靠性，但这种方法耗时且成本高昂。特别是在含油气盆地中，通过密井网获取的大量数据而言，取芯段的数据是非常稀疏的（赵显令等，2015）。测井与地震利用地下岩层的物理属性，能够间接反映地下连续岩相的测井响应与地震反射信息，适用于大范围且高精度的岩相分析（Dong Shaoqun et al.，2016）。然而在实际工作中，依赖于人工的测井相与地震相解释工作强度大，效率低（Bond et al.，2012；Macrae et al.，2016）。此外，随着我国大部分油气田已经进入开发后期，地层结构变得越来越复杂，油气开发成本也越来越高，各种应用对岩相分类的精度和可靠性提出了越来越高的要求。因此，越来越多人工智能的方法在岩相的测井与地震解释中大量使用。得益于知识图谱和机器学习技术的高速发展与测井-地震数据的海量积累，岩相古地理的智能识别技术在过去几十年间得到了快速发展，本文通过知识图谱、测井和地震数据智能识别岩相来介绍机器学习在岩相预测中的流程和方法（图5、6），力求在岩相古地理研究全面实现智能化的道路上迈出坚实的一步。
-
2.2.1 基于知识图谱的岩相智能判别
-
岩相分析是对沉积物进行描述和分类，然后解释沉积过程和沉积环境，并建立具有预测性的沉积相模式（Anderton，1985; Kontakiotis et al.，2020）。沉积相模式可以看作是对一个特定沉积环境总体的总结，其中包括了沉积岩的岩性、古生物等特征（Moore，1949; Teichert，1958; Potter，1959; Walker，1976; Kiersnowski et al.，1995）。反过来，这些特征也就是识别沉积环境和沉积相的标志，可以用来推断沉积岩的成因和形成环境（Reading，1978; Selly，1982; Hou Mingcai et al.，2019）。因此，相标志为沉积相分析和解释提供了强有力的理论支撑，且在判识沉积相和古地理重建方面具有重要的指示和参考意义（Hou Mingcai et al.，2019; Ogg，2019; Kontakiotis et al.，2020; Elatrash et al.，2021）。
-
传统的沉积相判识是学科专家通过野外露头或钻井岩芯的特征观测，然后进行沉积相分析和解释。然而，地学经验和知识的积累、更新都很耗时，需要一定周期。与此同时，术语的不规范和知识的非结构化，使得沉积相分析和解释的过程复杂、效率不高，对于缺乏系统的古地理和沉积相分析知识的学者来说，更易引起困惑。
-
知识图谱是知识的图形表示（Paulheim，2017; Fensel et al.，2020），本质上是一个大规模的语义网（Berners-Lee et al.，2001; Shadbolt et al.，2006; Krause et al.，2016）。同时，知识图谱也是由实体（节点）和关系（边）组成的语义概念性术语知识库（Singhal，2012; Ehrlinger and Wöß，2016; Kejriwal，2019; Fensel et al.，2020）。知识图谱技术在临床医学诊断（Santos et al.，2022）、生物多样性（Page，2016）、材料科学（Mrdjenovich et al.，2020）等领域的应用越来越广泛。但是，由于地质数据的多元异构性和深时知识的复杂性，地学知识图谱的建立和应用明显不如上述学科。野外露头和钻井岩芯沉积相分析用到的大量数据是描述性的知识和图片，知识图谱的应用具有明显的优势，能够大大提高分析效率。也就是说，从大量相标志数据推断出与之对应的沉积相，需要知识推理技术的支持，知识图谱的知识推理技术能够在构建算法的基础上快速的告诉我们沉积相分析结果。
-
以河流相判别为例（图5），我们构建了河流相知识体系并进行知识表示，在此基础上构建了河流相领域知识图谱并在图数据库平台上实现可视化、查询检索，并基于树逻辑层次的知识结构和数据挖掘聚类算法，设计了一种适合沉积相推理的新数据挖掘聚类算法模型，并用Python语言开发了一项沉积相判识与知识推理技术（Zhang Lei et al.，2023）。该新技术基于专家经验知识，实现了有效的沉积相判识的决策。为了进一步验证沉积相判识和知识推理算法的可靠性，将17组来自经典沉积学文献的沉积相标志描述数据输入到该模型，并进行对比和验证。推理结果表明，解释符合率高达90%。该知识图谱模型和相应算法的成功应用表明，知识图谱技术为从野外露头获取的相标志描述性数据的沉积相快速智能识别是非常有效的。构建一个更广泛的全域岩相古地理知识图谱，将能够帮助我们实现这类数据的沉积相智能解析。
-
2.2.2 基于机器学习的测井岩相智能识别
-
无监督的多维统计方法（如主成分分析和聚类分析）是最早被运用于关联岩相与测井数据的人工智能算法，通过提取不同岩相的测井信息，实现岩相的定性分类（例如，Wolff and Pelissier-Combescure，1982; Delfiner et al.，1987）。在此之后，由于BP人工神经网络参数能够通过训练样本数据来调整网络权重和偏置，使得网络能够准确地预测输入样本对应的岩相类别，也因此这类方法自20世纪90年代以来逐渐成为识别岩相的流行算法（例如，Baldwin，1990；Rogers et al.，1992；Bhatt and Helle，2002；Dubois et al.，2007）。2016年，勘探地球物理学会（SEG）组织了岩相识别的机器学习比赛（Hall，2016），受益于此时深度学习算法理论的建立（Hinton et al.，2006），在此期间与之后的研究中涌现了大量利用机器学习亦或是深度学习算法进行岩相识别的工作。Saporetti et al.（2019） 将梯度提升和差分进化算法相结合，使用进化算法来优化调整模型参数，从而实现了地层岩性识别。Al-Mudhafar et al.（2022）针对伊拉克南部Majnoon大型油气田碳酸盐岩样品，综合了Logistic Boosting、广义Boosting、极端梯度Boosting、自适应Boosting模型和K近邻5种机器学习算法，以获得最真实的岩相预测结果。我们基于四川盆地钻井描述和测井相分析，利用实际岩相数据建立了机器学习模型，采用极端梯度提升和重采样算法，实现了四川盆地川东北河流湖泊相岩相识别（Zheng Dongyu et al.，2022）。Hou Mingqiu et al.（2023） 针对松辽盆地古龙页岩的页岩岩相，比较了多种智能算法，结果表明，集成机器学习模型可以有效地从常规测井曲线中识别富黏土页岩岩相。王民等（2023）建立了一种基于随机森林算法的岩相识别模型，使用SHAP方法量化测井参数重要性，构建的模型能够有效地识别泥页岩岩相，其准确率高于支持向量机、KNN和XGBoost等模型。
-
图5 河流相识别实例及知识算法流程
-
Fig.5 Example of fluvial facies identification and knowledge algorithm flow
-
图中的演示说明给出了数学公式推导过程和实际数值计算过程; a、b、c代表相标志资料，A、B、C代表河流微相，AA、 BB代表河流亚相Type1、Type2代表河流相（修改自Zhang Lei et al.，2023）
-
Do a demo demonstration to explain, gives the mathematical formula derivation procedure and the actual numerical calculation process; a, b, and c represent facies marker data, A, B, and C represent fluvial suborder facies, AA and BB represent fluvial subfacies; Type1, Type2 represent fluvial facies (modified from Zhang Lei et al., 2023)
-
2.2.3 基于地震数据体的岩相智能预测
-
地震数据体是沉积盆地内进行三维地震相重建的重要数据。K均值（Forgy，1965；Jancey，1966）方法是最早被应用到地震相分类的无监督方法之一，该方法通过样本相似度计算，实现基于地震反射波属性的地震相划分。除了K均值之外，人们陆续引入了模糊聚类（fuzzy clustering）、自组织映射（self-organizing maps，SOMs）等方法，其中SOMs被广泛应用到了地震相识别中。通过识别训练好的SOM网络输出层神经元与地震相类别之间的关系，可以有效确定待测试样本与地震相类别之间的关系（朱剑兵等，2009）。SOM输出层神经元映射到地震相类别时可能会使地震相边界模糊甚至混淆，使用已知地质信息作为约束可以改善这一问题。许多研究者将SOM结合实际问题，对其做了诸多改进（Strecker et al.，2002；Coleou et al.，2003；Gao Dengliang，2007；Roy et al.，2013）。上述的无监督方法，只与输入的属性和设定的聚类簇的数量相关，不需要任何“标签”。随着机器学习的不断发展，各种改进的非监督聚类方法在地震相分类中得到应用并取得不错的效果（Wallet et al.，2019；Liu Zhege et al.，2021）。在获得一定量解释好的地震相标签时，我们可以基于人工智能的地震相识别可以通过有监督学习的方法实现（图6）。我们结合计算机视觉领域图像分割的方法，将其与地震相识别任务结合，进而实现地震相智能化解释。闫星宇等（2020）通过在U-net模型末端加入金字塔池化模块提高了模型获得全局信息的能力的同时改善了地震相边界刻画模糊的问题。Zhang Yuxi et al.（2020） 通过集成学习将可识别全部地震相类型的编码-解码结构与可识别单一地震相类型的编码-解码结构集成为一体，提高地震相预测的精度。为了提高深度学习的可解释性，克服机器学习中“黑匣子”的问题，Feng Runhai et al.（2021）引入贝叶斯卷积网络，在确定各类地震相的分布信息后，对网络中权重参数的分布赋予均值及方差，该方法提高了地震相预测的连续性及准确率，同时可以对预测过程中的不确定性进行评估。Zhang Haoran et al.（2021）应用改进的Deeplabv3+网络，结合数据增广，将地震相预测的准确率从87.8%（传统CNN）提高到92.4%。我们针对川东北地区的一个三维地震数据体，采用可解释神经网络（SHAP），实现了13种地震属性对不同沉积相的响应权重差异自动赋值，有效挖掘了地震属性的沉积环境的意义，该深度学习方法预测的地震相分布结果与他人发表的地质研究所重建的沉积相平面图高度吻合（You Jiachun et al.，2023）。
-
2.3 利用岩相古地理图自动重建古地貌
-
在建立了全球板块构造格架的基础上，下一步就可以构建具有古高程涵义的数字化古地理图来描述地质历史时期的高地、低地、浅海和深海盆地分布，这对进一步研究区域气候和生物演化提供基础支撑。Scotese（2002）提出应该首先绘制区域古沉积环境的岩相古地理图，并根据用于解释古地形和古水深的沉积环境相对应的岩相或岩石类型建立区域古地形地貌（表1；Ziegler et al.，1985; Scotese，2021）。例如，厚层的灰岩地层序列可能代表温暖的浅水环境，如巴哈马地台或广阔的陆表海；大规模的交错层状砂岩可能指示沙漠沙丘；由安山岩和花岗闪长岩组成的区域可能是大陆弧或安第斯山脉。目前全球已出版了大量区域岩相古地理图和数据集，如中国古地理图集（王鸿祯，1985），东南亚古地理图集（Golonka et al.，2006），中新生代岩相和古环境数据集（Ziegler，1975; Ziegler and Scotese，1977; Ziegler et al.，1985），北亚—中亚—东亚地区（Zonenshain et al.，1990；Bulgatov et al.，2014）。
-
目前广泛使用的Scotese（2021）古地形重建方法可分为以下几个步骤：① 利用区域的现代海岸线和经纬网，在Photoshop中实现岩相古地理图的地理配准，将两幅图像的海岸线重叠；② 用画笔工具绘制岩相古地理图海陆轮廓线；③ 根据岩相古地理图的岩相带，使用画笔工具进行填色，其中深蓝色是深海，浅蓝色是浅海和大陆被水淹没的部分，深绿色代表沿海和大陆附近的海平面；绿色代表内陆低洼地区，棕褐色代表高原，棕色代表山脉；④ 使用涂抹工具渲染山谷区域和陆地和海洋之间的边界，以使颜色过渡更加自然。Scotese利用该技术实现了新元古代以来的全球高分辨率（10 Ma间隔）的古地理地貌演化图，但是这一项浩大的“工程”存在更新速度慢的问题，从2002开始一共更新过2个版本（即平均每10年更新一次）。显然，这种基于专家经验和人工晕染方式进行古地理高程地貌重建与可视化存在很多缺点，如自动化程度低，操作复杂耗时耗力，而且大量人工参与降低了方法的可重复性。
-
图6 基于有监督机器学习的岩相地震预测流程
-
Fig.6 Lithofacies seismic prediction process based on supervised machine learning
-
表1 古高程重建的地质记录（侯章帅等，2020; Scotese，2021）
-
Table1 Geological record of ancient elevation reconstruction (Hou Zhangshuai et al., 2020; Scotese, 2021)
-
面对不断更新的岩相古地理图集和数据，我们使用机器学习方法实现了Scotese（2021）古地理制图方法的自动化（Tang Mengxia et al.，2022）。具体方法可分为以下几个步骤（图7）：① 地理自动配准：对已出版的岩相古地理图采用霍夫变换实现控制点自动识别与匹配，基于匹配点对建立多项式转换模型，最后基于转换模型校正岩相古地理图；② 岩相自动矢量化：对岩相古地理图集进行图像识别，主要识别图像中的多个沉积相（即识别对象），并将它们转换为相应的高程信息。图像识别主要分为两步：第一步是图像的预处理，去除图像中的噪声等干扰信息；第二步是特征提取。根据图像的颜色特征提取边缘，然后对边缘提取的结果进行线性检测，达到降噪的目的，最后进行交点运算；③ 古高程重建：基于岩相与高程的关联关系（Scotese，2021），构建岩相与高程的映射模型。分为两步：第一步将图像识别后的岩相古地理图提取凹陷盆地、陆地、隆起、深海和浅海等目标，建立训练样本库；第二步将训练样本库输入到构建的深度学习模型（多层神经网络）中进行多次训练，然后调整模型参数以提高模型的精度，以达到输出的最佳结果，最后提取结果；④ 配色渲染：为直观呈现古高程重建结果，并保证平滑的可视化结果，基于RGB颜色映射模型，采用移动均值滤波的分段线性插值法进行古地理高程模型渲染。
-
2.4 区域古高程和古环境的检验和修订
-
随着日益增长的地学数据更新，根据前人的区域岩相古地理图绘制的古地形地貌图需要基于最新的研究数据点资料进行检验和修订。对于陆地的海拔高度研究，不断更新的气候敏感沉积物数据可以有效检验地形和环境重建的合理性，例如早侏罗世时期华北发育大面积煤层（Boucot et al.，2013），表明这些区域为海拔较低的温暖湿润的环境，但是Scotese（2021）的重建结果多数为海拔1000 m以上的高地，因此可根据煤层点数据修订该点位地貌发育相对海拔较低的山间盆地（图8；对185 Ma东亚地貌进行修订）。另外，可以通过确定植物群化石（如叶片和孢粉）现存最近亲缘类群所提供的生态指标和气候数据进行数值范围叠加，来定量分析共存海拔区间数据（王晓楠等，2022）。例如，周浙昆等（2007）根据西藏希夏邦马峰中—晚上新世植物化石和南木林中新世植物化石群的最近亲缘现生物种的海拔高度，推测两个研究区域的古海拔分别为2500~3500 m和3000 m左右。当然，地球化学（如团簇同位素）也是反映区域气候和环境的重要指标，比如，水分子中的氧同位素组成可以受到降水源的高度和温度的影响，因此通过测量和分析沉积物中的氧同位素的比值（18O/16O）来推测区域海拔（Bowen and Wilkinson，2002）。通常高海拔地区的降水相对较冷，导致降水中的氧同位素比重较低（较富含18O），而低海拔地区的降水相对较暖，导致降水中的氧同位素比重较高（较富含16O）。对于研究盆地升降历史和海平面变化幅度则需要通过重建古水深指标来实现。王晓楠等（2022）总结了古水深重建的常用方法：① van der Zwaan et al.（1990） 提出利用不同微体古生物种群的化石组合来划分水深相带；② 利用水生植物或孢粉分布特征进行类比分析。例如，潘文静等（2019）总结新近纪常见水生植物具有相应的古水深范围（挺水植物带＜1.5 m；浮游植物带1.5~3 m；沉水植物带3~5 m，局部到7 m；无水底植物带＞7 m；浮游植物带4~6 m；轮藻植物带2.5 m），由此重建了渤海东南部盆地古水深环境演化；③ 通过底栖有孔虫与浮游有孔虫含量或比值来定性研究古水深，通常底栖有孔虫生活在深层水域（数百米至几千米），即在深海环境中更为丰富，而浮游有孔虫大多生活在浅层水域（表层至数百米）在浅海环境中更常见，两者在浅海中的比值较均等，而在深海中的比值偏大（Barmawidjaja and Siveter，1991）；④ 通过化石分异度研究，即不同地层中出现的化石种类数量和多样性的变化，可以推测古代海洋或湖泊等水体的深度变化。例如，Kauffman and Caldwell（1993）通过研究白垩纪美国西部内陆海环境变化，在不同地层中收集和鉴定化石样本，分析了内陆海各个时期的化石群落变化。在较深水域的地层中，化石群落主要由腕足动物（如海百合和海星）以及深水贝类组成。而在较浅的海域，化石群落则以浅水生物（如贝类和浮游生物）为主。
-
图7 古地貌高程自动重建与可视化流程
-
Fig.7 Automatic reconstruction and visualization of paleogeomorphic elevation
-
图8 基于185 Ma东亚地区煤层记录点（紫红色圆点）的古地貌修订（a，本次研究）和（b，据Scotese，2021）
-
Fig.8 Paleogeomorphic revision (a, this study) and (b, after Scotese, 2021) based on coal seam records (purple dot) in East Asia at 185 Ma
-
2.5 利用海相生物化石分布修订古海岸线
-
在古地理重建中，确立古海岸线位置意义重大，古海岸线的位置对开展古气候模拟（Golonka et al.，1994; Goddéris et al.，2014）、海平面变化（Scotese，2021）、地貌演化（Salles et al.，2017）等研究至关重要，一般作为关键的边界条件应用于上述的研究中，也可以对上述岩相古地理图生成的海岸地貌进行检验和修订。某一时期的海岸线位置是根据沉积相的古环境解释、地震剖面、钻井数据的岩性地层单元分布以及海洋和陆地化石分布为辅助解释综合推断的（Golonka et al.，2006; 贺志霖，2019）。随着多个古生物数据库的建立，越来越多的学者开始使用古生物数据修正古海岸线的位置和评价古地理图质量（Wright et al.，2013; Cao Wenchao et al.，2017; Kocsis and Scotese，2021），其根本假设是古生物数据所指示的环境（陆地或海洋）如果与现有的古地理图冲突，需要对古地理图的海岸线位置进行修正。
-
上述工作主要以人工形式开展，这就造成两个问题：① 当不一致化石地点数量较大时，这种工作流程可能需要花费大量的时间；② 修正的结果难以重现。例如，不同学者对古生物数据用于古海岸线的修正拥有不同的观点，如Cao Wenchao et al.（2017） 只使用了PBDB中的海相化石，而Kocsis and Scotese（2021） 加入了使用陆相化石更新古海岸线，且不同化石的可能影响范围的赋值也会不同。
-
为了解决上述问题，DDE古地理工作组利用布尔操作和几何缓冲技术，开发了一种基于的古生物数据的古海岸线修正模型PaleoCoastline Correct，并已接入DDE工作平台（https://Deep-time.org/workflow/#/）。用户可以指定模型参数（表2），如化石过滤距离（fossil filter distance）和修改区域生成距离（revised area generation distance）。化石过滤距离是可用于修正海岸线位置的化石数据点距海岸线的最大距离。例如，模型默认的化石过滤距离为500 km，即距离古地理图中的海岸线位置超过500 km的数据点会被自动忽略，不纳入计算；修改区域生成距离则代表单个不一致化石数据点的圆形影响范围的半径，在模型中默认为30 km。
-
对于特定的古地理底图与化石数据，用户可以试验不同的参数组合并选择最优的设置，由此可以得到与人工修正结果极为相似的图（图9）。与传统的人工修正方式相比，该工作流程可以追溯其数据源，这对重现他人研究结果至关重要。因此，尽管该模型还比较粗糙，但其代表了一个向可复现的、数据和模型驱动的古地理重建迈出的重要一步。
-
2.6 更新的区域古地理图融入全球古地理图与动态可视化表达
-
不断更新的区域古地理（以板块为单位）相关数据修订区域古地理图之后，利用GPlates平台融入全球古地理底图（通常选用已公开最新的Scotese（2021）古地理图集）中。首先需要确定新绘制的古地理图的经纬度范围，然后使用修图软件中的矩形工具根据经纬度范围对绘制的图像进行裁剪和输出，然后将绘制的古地理图、板块构造文件和旋转文件添加到GPlates软件中，将投影类型调整为直角投影，并将时间滑块调整为目标地质时间，绘制的古地理图将随板块构造文件一起旋转，融合到全球古地理底图中。最后将已绘制的多个连续的时间高分辨率全球古地理图导入GPlates软件进行动态展示，揭示地质历史时期全球古地理演化规律以及与生物-气候-环境事件的重要时空关系。
-
3 应用案例：中二叠世—中三叠世东特提斯域古地理重建与重大地质事件分析
-
自Pangea超大陆形成以来，全球开始出现诸如晚古生代大冰期、大火成岩省多处喷发、两次生物大灭绝等重大地质事件，经研究发现，这些重大地质事件与Pangea超大陆周缘区域（以东特提斯构造域为核心之一）的海陆分布和古地理演化关系密切（Zhang Hongrui and Torsvik，2022）。但是，由于对东特提斯缺乏系统的古地理研究，目前国际广泛流行的古地理模型对该区域存在较大的争议（Golonka et al.，2006; Torsvik and Cocks，2017; Huang Baochun et al.，2018; Young et al.，2019; Metcalfe，2021; Scotese，2021），如存在构造古地理与生物古地理重建模型矛盾，古特提斯洋是否为一个封闭的环形洋盆等科学问题。本文根据上述最新的古地理流程与技术，包括GPlates板块构造重建（绝对古地理位置）、岩相古地理图自动生成古地形地貌、古高程和古海岸线的校验等技术，以中二叠世—中三叠世（260 Ma、250 Ma和240 Ma）东特提斯域古地理重建为例，对比现今广泛使用的Scotese（2021）的古地理重建图，分析我们新的古地理图的进展和科学问题发现。
-
图9 以PBDB数据库为基础，使用模型修正了255 Ma的全球海岸线，当化石数据点足够多时，古海岸线模型修正结果接近人工修正的结果，实现了古海岸线的快速更新
-
Fig.9 Based on PBDB database, the model was used to correct the global coastline of 255 Ma when there were enough fossil data points, the result of the paleocoastline model correction was close to the result of artificial correction, realizing the rapid update of the paleocoastline
-
（a）—Kocsis and Scotese（2021）手动修正古海岸线结果;（b）—古海岸线模型修正结果
-
(a) —Kocsis and Scotese (2021) manual correction of paleoshoreline results; (b) —the revised results of the paleocoastline model
-
对于中二叠世—中三叠世东特提斯域古地理位置重建有许多类型的方法和数据，包括古地磁、古生物化石、沉积物源分析、岩浆岩、变质岩等（如Shen Shuzhong et al.，2006; Wang Yuejun et al.，2018; 朱日祥等，2021; Metcalfe，2021）。本文对这些数据使用方法采用先定量再定性的顺序。首先，利用古地磁数据（朱日祥等，2021）进行古纬度重建。基于新修订的古地磁数据质量7条判别标准（Meert et al.，2020），我们沿用Tang Mengxia et al.（2022） 对东特提斯构造域（华北、华南、印支、滇缅泰、南北羌塘等构造域）已发表的二叠纪—三叠纪古地磁数据进行分析和筛选，首先选择符合R＞3的数据，最好对古地磁数据进行野外检验（如褶皱检验和倒转检验）。然后，根据“幔源法”，即260 Ma华南地块峨眉山大火成岩省沿LLSVPs边缘喷发的规律（Torsvik et al.，2008）重建华南地块的绝对古地理位置，该位置的合理性可由Ren et al.（2022）提出的东亚早二叠世最新古地理运动模型解释。最后，根据古生物地理区系（如华夏植物群、安加拉植物群和特提斯动物群等分布特征；Shen Shuzhong et al.，2006；Shi Guangrong and Waterhouse，2010）、碎屑锆石物源对比分析、蛇绿岩套、变质岩（如蓝片岩和榴辉岩）、俯冲/碰撞/后碰撞岩浆岩（Wang Yuejun et al.，2018; Metcalfe，2021）等确定了华南及其相邻板块的古地理位置。
-
我们利用中国南方构造-层序岩相古地理图集（马永生等，2009）、中国前中生代构造-岩相古地理图集（郑和荣，2010）以及青藏高原及领区古生代—中生代构造演先古地理图集（朱同兴等，2013；计文化等，2014），结合机器学习和自动成图技术，重建了260~240 Ma东特提斯域古地貌，并在GPlates软件中将其融合到Scotese（2021）全球古地理图中完成升级更新（图10）。
-
新的东特提斯古地理图相比于Scotese（2021）在地形地貌上具有更丰富和准确的表达，特别是准确刻画了华南和华北地块自260 Ma开始自东向西的穿时碰撞以及其周缘构造地貌变化过程。值得注意的是，新的模型展示了260 Ma古特提斯洋并非大多数人认为的全封闭的环形洋盆，而是东西向宽阔的具有多个海道的“多岛洋格局”，这对于大多数研究者利用古特提斯洋全封闭模型解释存在海洋缺氧环境与德鲁普世末期的东亚海洋生物大灭绝事件的因果关系提出挑战。而265~260 Ma位于低纬度的东特提斯域各板块突然加速引发的剧烈的俯冲岩浆排气（Ren Qiang et al.，2020; Zhang Hua et al.，2021）与峨眉山大火成岩省喷发（Huang Hu et al.，2022）可能是共同促成晚古生代大冰期完全消亡和瓜德鲁普世末期东亚海洋生物大灭绝的重要原因。260~250 Ma，低纬度的古特提斯洋盆逐渐封闭并萎缩可能导致海洋缺氧严重，并与高纬度的西伯利亚大火成岩喷发共同作用导致全球出现晚二叠世—早三叠世的生物大灭绝事件。
-
图10 东特提斯域260 Ma（a）、250 Ma（b）、240 Ma（c）古地理图（海拔信息引自Scotese，2021）
-
Fig.10 Paleogeographic maps of East Tethys domain at 260 Ma (a) , 250 Ma (b) , 240 Ma (c) (elevation information cited in Scotese, 2021)
-
4 总结与展望
-
基于DDE国际大科学计划提出的数据-知识-模型驱动的古地理重建新思想，通过团队及其合作者的学科交叉探索，在国际著名古地理重建团队（如Scotese等、EarthByte等）的研究方法基础上，形成了多项知识图谱、大数据分析和机器学习技术支持的古地理重建新方法。相关技术方法持续创新和不断地整合与融合，是将来实现快速更新古地理重建流程的基础。本文以数据化的板块构造重建为框架，利用岩相古地理图自动生成地形地貌图并结合人工校正，完成了中二叠世—中三叠世东特提斯域数字古地理图，此用例在作图效率、数据丰富性、可追溯性、模型准确性等方面相较于广泛使用的Scotese（2021）的古地理图有明显的提升。
-
目前，上述只是一些在数据化、标准化和智能化的古地理重建之路上的一些初步探索和总结。未来在如何利用多源异构数据进行自动化板块构造古地理重建，平衡各学科数据之间的互洽关系等问题上仍需继续探索。同时，还需要针对不同数据类型研发更多基于知识图谱、大数据机器学习等方法的岩相古地理智能解析和时空建模技术，实现多尺度-多维度的深时地理环境动态可视化表达。整合古地磁、岩石学、古生物学、大地构造学等多学科数据，建立可统一存储、调用的古地理数据库和重建平台是实现基于数据-知识-模型驱动的数字活动古地理重建愿景的关键，并有助于更好地认识地球演化和生命环境演变。
-
致谢：感谢Scotese教授、Ogg教授、胡修棉教授、孟俊教授、张来明教授、张琳娜博士对古地理重建流程的讨论和提出的宝贵意见，感谢对古地理重建做出贡献的前辈和同行。本次研究受“深时数字地球（Deep-time Digital Earth，DDE）国际大科学计划”帮助。
-
参考文献
-
Al-Mudhafar W J. 2017. Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms. Journal of Petroleum Exploration and Production Technology, 7(4): 1023~1033.
-
Anderton R. 1985. Clastic facies models and facies analysis. Geological Society, 18 (1): 31~47.
-
Baldwin J L, Bateman R M, Wheatley C L. 1990. Application of a neural network to the problem of mineral identification from well logs. The Log Analyst, 31(5): 279~293.
-
Barmawidjaja D M, Siveter D J. 1991. Depth distribution of benthic foraminifers in the Celebes and Sulu Seas: Implications for deep-water circulation. Marine Micertainology, 7(2): 107~120.
-
Berners-Lee T, Hendler J, Lassila O. 2001. The semantic web—A new form of Web content that is meaningful tocomputers will unleash a revolution of new possibilities. Scientific American, 284 (5): 34~43.
-
Bhatt A, Helle H B. 2002. Determination of facies from well logs using modular neural networks. Petroleum Geoscience, 8(3): 217~228.
-
Blakey R C, Ranney W D. 2018. Ancient Landscapes of Western North America—A Geologic History with Paleogeographic Maps. Berlin: Springer.
-
Bond C E, Lunn R J, Shipton Z K, Lunn A D. 2012. What makes an expert effective at interpreting seismic images. Geology, 40(1): 75~78.
-
Boucot A J, Chen Xu, Scotese C R. 2013. Phanerozoic paleoclimate: An atlas of lithologic indicators of climate. SEPM Concepts in Sedimentology and Paleontology, 11: 478.
-
Bowen G J, Wilkinson B. 2002. Spatial distribution of δ18O in meteoric precipitation. Geology, 30(4): 315~8.
-
Bradley D C. 2011. Secular trends in the geologic record and the supercontinent cycle. Earth-Science Reviews, 108(1-2): 16~33.
-
Bulgatov A N, Chen B W, Gordienko I V, Ivanov K S, Kheraskova T N, Koroteev V A, Kurchavov A M, Petrov O V, Pospelov I I, Puchkov V N, Ren L D, Samygin S G, Shokalsky S P, Sokolov S D, Tomurtogoo O. 2014. Tectonics of Northern, Central and Eastern Asia. Explanatory Note to the Tectonic Map of Northern Central-Eastern Asia and Adjacent Areas at Scale 1∶2500000. St. Petersburg: VSEGEI Printing House.
-
Cao Wenchao, Zahirovic S, Flament N, Williams S, Golonka J, Müller R D. 2017. Improving global paleogeography since the late Paleozoic using paleobiology. Biogeosciences, 14(23): 5425~5439.
-
Chen Hongde, Hou Mingcai, Chen Anqing, Shi Zhiqiang, Xing Fengcun, Huang Keke, Liu Xinchun. 2017. Advances and the major scientific issues of the paleogeography in China. Acta Sedimentologica Sinica, 35(5): 888~901 (in Chinese with English abstract).
-
Coleou T, Poupon M, Azbel K. 2003. Unsupervised seismic facies classification: A review and comparison of techniques and implementation. The Leading Edge, 22(10): 942~953.
-
Delfiner P C, Peyret O, Serra O. 1987. Automatic determination of lithology from well logs. SPE (Society of Petroleum Engineers) Form. Eval, 2(3): 303~310.
-
Domeier M, Torsvik T H. 2014. Plate tectonics in the late Paleozoic. Geoscience Frontiers, 5(3): 303~50.
-
Dong Shaoqun, Wang Zhizhang, Zeng Lianbo. 2016. Lithology identification using kernel Fisher discriminant analysis with well logs. Journal of Petroleum Science and Engineering, 143: 95~102.
-
Dubois M K, Bohling G C, Chakrabarti S. 2007. Comparison of four approaches to a rock facies classification problem. Computers and Geosciences, 33(5): 599~617.
-
Ehrlinger L, Wöß W. 2016. Towards a definition of knowledge graphs. Posters and Demos Track of the 12th International Conference on Semantic Systems-SEMANTiCS2016 and the 1st International Workshop on Semantic Change & Evolving Semantics(SuCCESS 2016) co-located with the 12th International Conference.
-
Elatrash A M, Abdelwahhab M A, Wanas H A, El-Naggar S I, Elshayeb H M. 2021. Multi-disciplinary approach to sedimentary facies analysis of Messinian Salinity Crisis tectono-sequences (South-Mansoura area, Nile Delta): Incised-valley fill geological model reconstruction and petroleum geology-reservoir element delineation. Journal of Petroleum and Production, 11(4): 1643~1666.
-
Feng Runhai, Balling N, Grana D, Dramsch J S, Hansen T M. 2021. Bayesian convolutional neural networks for seismic facies classification. IEEE Transactions on Geoscience and Remote Sensing, 59(10): 1~8.
-
Fensel D, Şimşek U, Angele K, Huaman E, Kärle E, Panasiuk O, Toma I, Umbrich J, Wahler A. 2020. Knowledge graphs: Methodology, tools and selected use cases. International Web Rule Symposia.
-
Flament N, Bodur Ö F, Williams S E, Merdith A S. 2022. Assembly of the basal mantle structure beneath Africa. Nature, 603(7903): 846~851.
-
Flament N, Williams S, Müller R D, Gurnis M, Bower D. 2017. Origin and evolution of the deep thermochemical structure beneath Eurasia. Nature Communications, 8(1): 14164.
-
Forgy E W. 1965. Cluster analysis of multivariate data: Efficiency vs interpretability of classifications. Biometrics, 21(3): 768~769.
-
Gao Dengliang. 2007. Application of three-dimensional seismic texture analysis with special reference to deep-marine facies discrimination and interpretation: An example from offshore Angola, West Africa. AAPG Bulletin, 91(12): 1665~1683.
-
Gion A M, Williams S E, Müller R D. 2017. A reconstruction of the Eurekan Orogeny incorporating deformation constraints. Tectonics, 36(2): 304~320.
-
Goddéris Y, Donnadieu Y, Le Hir G. 2014. The role of palaeogeography in the Phanerozoic history of atmospheric CO2 and climate. Earth-Science Reviews, 128(1): 122~138.
-
Golonka J, Krobicki M, Pajak J, Giang N V, Zuchiewicz W. 2006. Global plate tectonics and paleogeography of Southeast Asia. Faculty of Geology, Geophysics and Environmental Protection. Arkadia: AGH University of Science and Technology.
-
Golonka J, Ross M I, Scotese C R. 1994. Phanerozoic paleogeographic and paleoclimatic modeling maps. In: Embry A F, Beauchamp B, Glass D, eds. Pangea: Global Environment and Resources-Memoir 17. Canadian Society of Petroleum Geologists, 1~47.
-
Gurnis M, Müller R D, Moresi L. 1998. Dynamics of Cretaceous to the present vertical motion of Australia and the origin of the Australian-Antarctic discordance. Science, 279(5356): 1499~1504.
-
Gurnis M, Yang Ting, Cannon J, Turner M, Williams S. Flament N, Müller R D. 2018. Global tectonic reconstructions with continuously deforming and evolving rigid plates. Computers & Geosciences, 116: 32~41.
-
Hall B. 2016. Facies classification using machine learning. Leading Edge, 35(10): 906~909.
-
He Zhilin. 2019. Paleogeographic reconstruction of Cenozoic characteristic period. Doctoral thesis of University of Science and Technology of China (in Chinese with English abstract).
-
Hinton G E, Osindero S, Teh Y W. 2006. A fast learning algorithm for deep belief nets. Neural Computation, 18(7): 1527~1554.
-
Hou Guiting, Halls H, Davis D, Huang Baoling, Yang Mohan, Wang Chuancheng. 2009. Paleomagnetic poles of mafic dyke swarms from the North China craton and their relevance to the reconstruction of the supercontinent Columbia. Acta Petrologica Sinica, 25(3): 650~658 (in Chinese with English abstract).
-
Hou Mingcai, Chen Anqing, Ogg J G, Ogg G M, Huang Keke, Xing Fengcun, Chen Hongde, Jin Zhenkui, Liu Yiqun, Shi Zhiqiang, Zheng Herong, Hu Zongquan, Huang Hu, Liu Xinchun. 2019. China paleogeography: Current status and future challenges. Earth-Science Reviews, 189: 177~193.
-
Hou Mingqiu, Xiao Yuxiang, Lei Zhengdong, Yang Zhi, Lou Yihuai, Liu Yuming. 2023. Machine learning algorithms for lithofacies classification of the Gulong shale from the Songliao basin, China. Energies, 16: 2581.
-
Hou Zhangshuai, Fan Juanxuan, Zhang Linna, Shen Shuzhong. 2020. Construction method and comparison of global paleogeographic reconstruction models and associated knowledge discovery. Geological Journal of China Universities, 26(1): 86~99 (in Chinese with English abstract).
-
Hu Zhongya, Li Weiqiang, Zhang Hua, Krainer K, Zheng Quanfeng, Xia Zhiguang, Hu Wenxuan, Shen Shuzhong. 2021. Mg isotope evidence for restriction events within the Paleotethys ocean around the Permian-Triassic transition. Earth and Planetary Science Letters, 556: 116704.
-
Huang Baochun, Yan Yonggang, Piper J D, Zhang Donghai, Yi Zhiyu, Yu Shan, Zhou Tinghong. 2018. Paleomagnetic constraints on the paleogeography of the East Asian blocks during Late Paleozoic and Early Mesozoic times. Earth-Science Reviews, 186(1): 8~36.
-
Huang Hu, Huyskens M H, Yin Qingzhu, Cawood P, Hou Mingcai, Yang Jianghai, Xiong Fuhao, Du Yuansheng, Yang Chenchen. 2022. Eruptive tempo of Emeishan large igneous province, southwestern China and northern Vietnam: Relations to biotic crises and paleoclimate changes around the Guadalupian-Lopingian boundary. Geology, 50(9): 1083~1087.
-
Hunt T S. 1873. The paleogeography of the north-American continent. Journal of the American Geographical Society of New York, 4: 416~431.
-
Jancey, R. C. 1966. Multidimensional group analysis. Australian Journal of Botany, 14(1): 127~130.
-
Ji Wenhua, Chen Shoujian, Li Rongshe, Wang Xunlian. 2014. A Comprehensive Study of Paleozoic Tectonic-lithofacies Paleogeography in the Qinghai-Tibet Plateau and its Adjacent Areas. Wuhan: China University of Geosciences Press (in Chinese).
-
Kadkhodaie-Ilkhchi A, Rezaee M, Moallemi S A. 2006. A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: An example from the Kangan reservoir in the Iran offshore gas field. Journal of Geophysics and Engineering, 3(4), 356~369.
-
Kauffman E G, Caldwell W G. 1993. The western interior basin in space and time. In: Evolution of the Western Interior Basin. Geological Association of Canada, Special Paper, 39: 1~30.
-
Kejriwal M. 2019. Domain-specific Knowledge Graph Construction. Berlin: Springer Briefs in Computer Science.
-
Kiersnowski H, Paul J, Peryt T M, Smith D B. 1995. Facies, paleogeography and sedimentary history of the southern Permianbasin in Europe. In: The Permian of Northern Pangea: Sedimentary Basins and Economic Resources. Heidelberg: Springer, 119~136.
-
King L C. 1962. The Morphology of the Earth. New York: Hafner Publishing Co. 699.
-
Kocsis Á T, Scotese C R. 2021. Mapping paleocoastlines and continental flooding during the Phanerozoic. Earth-Science Reviews, 213: 103463.
-
Kontakiotis G, Karakitsios V, Maravelis A G, Zarkogiannis S D, Agiadi K, Antonarakou A, Pasadakis N, Zelilidis A. 2020. Integrated isotopic and organic geochemical constraints on the depositional controls and source rock quality of the Neogene Kalamaki sedimentary successions (Zakynthos Island, Ionian Sea). Mediterranean Geoscience Reviews, 3(2): 193~217.
-
Köppen W. 1918. Klassifikation der klimate nach temperature. Niederschlag und Jahreslauf, Petermanns Geographische Mitteilungen, 64: 193~248.
-
Krause S, Hennig L, Moro A, Weissenborn D, Xu Feiyu, Uszkoreit H, Naviglib R. 2016. Sar-graphs: A language resource connecting linguistic knowledge with semantic relations from knowledge graphs. Journal of Web Semantics, 37-38: 112~131.
-
Kreemer C, Blewitt G, Klein E C. 2014. A geodetic plate motion and Global Strain Rate Model. Geochemistry, Geophysics, Geosystems, 15(10): 3849~3889.
-
Lieberman B S. 2005. Geobiology and paleobiogeography: Tracking the coevolution of the Earth and its biota. Palaeogeography, Palaeoclimatology, Palaeoecology, 219(1-2): 23~33.
-
Liu Baojun, Zeng Yunfu. 1985. Basis and Working Method of Lithofacies Paleogeography. Beijing: Geological Publishing House (in Chinese).
-
Liu Shaofeng, Wang Chengshan. 2016. Reconstruction of tectono-paleogeography and dynamic topography. Earth Science Frontiers, 23(6): 61~79 (in Chinese with English abstract).
-
Liu Shaofeng, Gurnis M, Ma P F, Zhang Bo. 2017. Reconstruction of northeast Asian deformation integrated with western Pacific plate subduction since 200 Ma. Earth-Science Reviews, 175(1): 114~142.
-
Liu Zhege, Cao Junxing, Chen Shuna, Lu Yujia, Tan Feng. 2021. Visualization analysis of seismic facies based on Deep Embedded SOM. IEEE Geoscience and Remote Sensing Letters, 18(8): 1491~1495.
-
Ma Yongsheng, Chen Hongde, Wang Guoli. 2009. Atlas of Tectonic-sequence Lithofacies Palaeogeography of Southern China. Beijing: Science Press (in Chinese).
-
Macdonald F A, Swanson-Hysell N L, Park Y, Lisiecki L, Jagoutz O. 2019. Arc-continent collisions in the tropics set Earth's climate state. Science, 364(6436): 181~184.
-
Macrae E J, Bond C E, Shipton Z K, Lunn R J. 2016. Increasing the quality of seismic interpretation. Interpretation: A Journal of Subsurface Characterization, 4(3): 395~402.
-
Matthews K J, Maloney K T, Zahirovic S, Williams S E, Seton M, Müller R D. 2016. Global plate boundary evolution and kinematics since the late Paleozoic. Global and Planetary Change, 146: 226~250.
-
Meert J G, Pivarunas A F, Evans D A, Pisarevsky S A, Pesonen L J, Li Zhengxiang, Elming S A, Miller S R, Zhang Shihong, Salminen J M. 2020. The magnificent seven: A proposal for modest revision of the quality index. Tectonophysics, 2020, 790: 228549.
-
Merdith A S, Williams S E, Collins A S, Tetley M G, Mulder J A, Blades M L, Young A, Armistead S E, Cannono J, Zahirovic S, Müller R D. 2021. Extending full-plate tectonic models into deep time: Linking the Neoproterozoic and the Phanerozoic. Earth-Science Reviews, 214: 103477.
-
Metcalfe I. 2021. Multiple Tethyan ocean basins and orogenic belts in Asia. Gondwana Research, 100: 87~130.
-
Mitchell R N, Kilian T M, Evans D A D. 2012. Supercontinent cycles and the calculation of absolute palaeolongitude in deep time. Nature, 482: 208~211.
-
Moore R C. 1949. Meaning of facies. Geological Society of America Memoirs, 39: 1~34.
-
Mou Chuanlong. 2022. The research progress of lithofacies paleogeography in China. Sedimentary Geology and Tethyan Geology, 42(3): 340~349 (in Chinese with English abstract).
-
Mrdjenovich D, Horton M K, Montoya J H, Legaspi C M, Dwaraknath S, Tshitoyan V, Jain A, Persson K A. 2020. Propnet: A knowledge graph for materials science. Matter US, 2(2): 464~480.
-
Müller R D, Royer J Y, Lawver L A. 1993. Revised plate motions relative to the hotspots from combined Atlantic and Indian Ocean hotspot tracks. Geology, 21(3): 275~278.
-
Müller R D, Sdrolias M, Gaina C, Roest W R. 2008. Age, spreading rates, and spreading asymmetry of the world's ocean crust. Geochemistry, Geophysics, Geosystems, 9(4): Q04006.
-
Müller R D, Seton M, Zahirovic S, Williams S E, Matthews K J, Wright N M, Shephard G E, Maloney K T, Moore N B, Hosseinpour M, Bower D J, Cannon J. 2016. Ocean basin evolution and global-scale plate reorganization events since Pangea breakup. Annual Review of Earth and Planetary Sciences, 44(1): 107~138.
-
Müller R D, Zahirovic S, Williams S E, Cannon J, Seton M, Bower D J, Tetley M G, Heine C, Le Breton E, Liu S F, Russell S H J, Yang T, Leonard J, Gurnis M. 2019. A global plate model including lithospheric deformation along major rifts and orogens since the Triassic. Tectonics, 38(6): 1884~1907.
-
Ogg J G. 2019. Integrated global stratigraphy and geologic timescales, with some future directions for stratigraphy in China. Earth-Science Reviews, 189: 6~20.
-
Page R. 2016. Towards a biodiversity knowledge graph. Research Ideas and Outcomes, 2: 1~12.
-
Pan Wenjing, Liu Shilei, Tian Derui, Guo Longlong, Wang Xiaoling, Wang Lihong. 2019. Reconstruction of palaeo-water depth of Neocene shrinking lake: An example from the south of Bodong low uplift, Bohai Sea. Marine Geology Frontiers, 35(4): 18~25 (in Chinese with English abstract).
-
Paulheim H. 2017. Knowledge graph refinement: A survey of approaches and evaluation methods. Semantic Web-Interperability, Usability, Applicability, 8(3): 489~508.
-
Potter P E. 1959. Facies model conference. Science, 129: 1292~1294.
-
Reading H G. 1978. Sedimentary Environments and Facies. Oxford: Blackwell Scientific Publications.
-
Ren Qiang, Zhang Shihong, Gao Yangjun, Zhao Hanqing, Wu Huaichun, Yang Tianshui, Li Haiyan. 2020. New middle-late Permian paleomagnetic and geochronological results from Inner Mongolia and their paleogeographic implications. Journal of Geophysical Research: Solid Earth, 125(7): e2019JB019114.
-
Ren Qiang, Zhang Shihong, Sukhbaatar T, Zhao Hanqing, Wu Huaichun, Yang Tianshui, Li Haiyan, Gao Yangjun, Jin Xiaochi. 2021. Did the Boreal Realm extend into the equatorial region? New paleomagnetic evidence from the Tuva-Mongol and Amuria blocks. Earth and Planetary Science Letters, 576: 117246.
-
Ren Qiang, Zhang Shihong, Hou Mingcai, Wu Huaichun, Yang Tianshui, Li Haiyan, Chen Anqing. 2022. New Early Permianpaleomagnetic and geochronological data from the Xilinhot-Songliao Block and their implications for the relationship between the Paleo-Asian Ocean and the Paleo-Tethys Ocean. Geophysical Research Letters, 49(19): e2022GL100462.
-
Replumaz A, Tapponnier P. 2003. Reconstruction of the deformed collision zone Between India and Asia by backward motion of lithospheric blocks. Journal of Geophysical Research: Solid Earth, 108(B6): 2285.
-
Rogers S J, Fang J H, Karr C L, Stanley D A. 1992. Determination of lithology from well logs using a neural network. AAP (The American Association of Petroleum Geologists) Bulletin, 76(5): 731~739.
-
Roy A, Dowdell B L, Marfurt K J. 2013. Characterizing a Mississippian tripolitic chert reservoir using 3D unsupervised and supervised multiattribute seismic facies analysis: An example from Osage County, Oklahoma. Interpretation: A Jounal of Subsurface Characterization, 1(2): SB109~SB124.
-
Saporetti C M, da Fonseca L G, Pereira E. 2019. A lithology identification approach based on machine learning with evolutionary parameter tuning. IEEE Geoscience and Remote Sensing Letters, 16(12): 1819~1823.
-
Salles T, Flament N, Müller D. 2017. Influence of mantle flow on the drainage of eastern Australia since the Jurassic Period. Geochemistry, Geophysics, Geosystems, 18(1): 280~305.
-
Santos A, Colaço A R, Nielsen A B, Niu Lili, Strauss M, Geyer P E, Coscia F, Albrechtsen N J W, Mundt F, Jensen L J. 2022. A Knowledge Graph to Interpret Clinical Proteomics Data. Nat Biotechnol, 40(5): 692~702.
-
Scotese C R. 2002. 3D paleogeographic and plate tectonic reconstructions: The PALEOMAP Project is back in town. Houston Geological Society Bulletin, 44(9): 13~15.
-
Scotese C R. 2021. An atlas of Phanerozoic paleogeographic maps: The seas come in and the seas go out. Annual Review of Earth and Planetary Sciences, 49: 679~728.
-
Selley R C. 1982. An Introduction to Sedimentology (2nd Edition). London: Academic Press.
-
Seton M, Müller R D, Zahirovic S, Gaina C, Torsvik T H, Shephard G, Talsma A, Gurnis M, Turner M, Maus S, Chandler M. 2012. Global continental and ocean basin reconstructions since 200 Ma. Earth-Science Reviews, 113: 212~270.
-
Shadbolt N, Berners-Lee T, Hall W. 2006. The semantic web revisited. IEEE Intelligent Systems, 21(3): 96~101.
-
Shao Longyi, Xu Xiaotao, Wang Shuai, Wang Dongdong, Gao Di, Wang Xuetian, Lu Jing. 2021. Research progress of palaeogeography and palaeoenvironmental evolution of coal-bearing series in China. Journal of Palaeogeography, 23(1): 19~38 (in Chinese with English abstract).
-
Shen Shuzhong, Zhang Hua, Shang Qinghua, Li W Z. 2006. Permian stratigraphy and correlation of Northeast China: A review. Journal of Asian Earth Sciences, 26(3): 304~326.
-
Shi Guangrong, Waterhouse J B. 2010. Late Palaeozoic global changes affecting high-latitude environments and biotas: An introduction. Palaeogeography, Palaeoclimatology, Palaeoecology, 298(1-2): 1~16.
-
Singhal A. 2012. Introducing the knowledge graph: Things, not strings. Official Google Blog, 5(16): 3.
-
Stampfli G M, Borel G D. 2002. A plate tectonic model for the Paleozoic and Mesozoic constrained by dynamic plate boundaries and restored synthetic oceanic isochrons. Earth and Planetary Science Letters, 196(1-2): 17~33.
-
Strecker U, Uden R. 2002. Data mining of 3D poststack attribute volumes using Kohonen self-organizing maps. The Leading Edge, 21(10): 1032~1037.
-
Tang Mengxia, Ren Qiang, Hou Mingcai, Li Zhilin, Du Wen, Chen Anqing, Zhong Hanting, Wang Jicheng, Ti Peng. 2022. Digital paleogeographic reconstruction of the eastern Tethyan tectonic domain from the Middle Permian to the Middle Triassic. Geosystems and Geoenvironment, 100127.
-
Teichert C. 1958. Concept of facies. AAPG Bulletin, 42(11): 2718~2744.
-
Torsvik T H, Steinberger B, Cocks L R M, Burke K. 2008. Longitude: Linking Earth's ancient surface to its deep interior. Earth and Planetary Science Letters, 276(3-4): 273~282.
-
Torsvik T H, Burke K, Steinberger B, Webb S J, Ashwal L D. 2010. Diamonds sampled by plumes from the core-mantle boundary. Nature, 466(7304): 352~355.
-
Torsvik T H, Voo R V D, Preeden U, Mac N C, Steinberger B, Doubrovine P, van Hinsbergen D J J, Domeier M, Gaina, C, Tohver E, Meert J G, McCausland P J A, Cocks L R M. 2012. Phanerozoic polar wander, palaeogeography and dynamics. Earth-Science Reviews, 114(3-4): 325~68.
-
Torsvik T H, Voo R V D, Doubrovine P V, Burke K, Steinberger B, Ashwal L D, Tronnes R G, Webb S J, Bull A L. 2014. Deep mantle structure as a reference frame for movements in and on the Earth. Proceedings of the National Academy of Sciences of the United States of America, 111(24): 8735~40.
-
Torsvik T H, Cocks L R M. 2017. Earth History and Palaeogeography. Cambridge: Cambridge University Press.
-
van der Zwaan G J, Jorissen F J, de Stigter H C. 1990. The depth dependency of planktonic/benthic foraminiferal ratios: Constraints and applications. Marine Geology, 95(1): 1~16.
-
van Hinsbergen D J, de Groot L V, van Schaik S J, Spakman W, Bijl P K, Sluijs A, Langereis C G, Brinkhuis H. 2015. A paleolatitude calculator for paleoclimate studies. PLoS One, 10(6): e0126946.
-
Walker R G. 1976. Facies models 1. general introduction. Geoscience Canada, 3(1): 21~24.
-
Wallet B C, Hardisty R. 2019. Unsupervised seismic facies using Gaussian mixture models. Interpretation, 7(3): 93~111.
-
Wang Chengshan, Shen Shuzhong, Zhou Chenghu, Hou Zengqian, Cheng Qiuming, Oberhänsi R, Stephenson M. 2019. Decodification of earth evolution in deep-time. Acta Geologica Sinica (English Edition), 93: 1~2.
-
Wang Hongzhen. 1985. Atlas of the Palaeogeography of China. Beijing: Published by the Cartographic Publishing House.
-
Wang Min, Yang Jinlu, Wang Xin, Li Jinbu, Xu Liang, Yan Yu. 2023. Identification of shale lithofacies by well logs based on random forest algorithm. Earth Science, 48(1): 130~142 (in Chinese with English abstract).
-
Wang Xiaonan, Ren Qiang, Hou Mingcai, Dong Junling, Chen Anqing, Ma Chao, Zhong Hanting, Zheng Dongyu. 2022. The important progress in the applications of paleobiology database in paleogeographic reconstruction. Sedimentary Geology and Tethyan Geology: 1~14 (in Chinese with English abstract).
-
Wang Yuejun, Qian Xin, Cawood P A, Liu Huichuan, Feng Qinglai, Zhao Guochun, Zhang Yanhua, He Huiying, Zhang Peizhen. 2018. Closure of the East Paleotethyan Ocean and amalgamation of the Eastern Cimmerian and Southeast Asia continental fragments. Earth-Science Reviews, 186: 195~230.
-
Wei Bitian, Yang Xingfeng, Cheng Xin, Domeier M, Wu Hanning, Kravchinsky V A, Zhou Yanan, Jiang Nan, Wu Yiying, Huo Feifei, Zhang Weijie, Zhang Tichen, Shao Ruiqi. 2020. Anabsolute paleogeographic positioning of the Early Permian Tarim large igneous province. Journal of Geophysical Research: Solid Earth, 125(5): e2019JB019111.
-
Wolf M, Pelissier-Combescure J. 1982. FACIOLOG-automatic electrofacies determination. In: SPWLA 23rd Annual Logging Symposium.
-
Wright N, Zahirovic S, Müller R D, Seton M. 2013. Towards community-driven paleogeographic reconstructions: Integrating open-access paleogeographic and paleobiology data with plate tectonics. Biogeosciences, 10(3): 1529~1541.
-
Yan Xingyu, Gu Hanming, Luo Hongmei, Yan Youping. 2020. Intelligent seismic facies classification based on an improved deep learning method. Oil Geophysical Prospecting, 6(55): 1169~1177 (in Chinese with English abstract).
-
You Jiachun, Zhao Jinquan, Huang Xingguo, Zhang Gulan, Chen Anqing, Hou Mingcai, Cao Junxing. 2023. Explainable Convolutional Neural Networks driven knowledge mining for seismic facies classification. IEEE Transactions on Geoscience and Remote Sensing, 61: 5911118.
-
Young A, Flament N, Maloney K, Williams S, Matthews K, Zahirovic S, Müller R D. 2019. Global kinematics of tectonic plates and subduction zones since the late Paleozoic Era. Geoscience Frontiers, 10(3): 989~1013.
-
Yu Shan, Li Sanzhong, Suo Yanhui, Gong Shuyun, An Huiting, Xiong Lijuan, Xue Youchen, Cheng Shixiu. 2013. Global 3D paleogeographic reconstruction and its geological implications. Marine Geology & Quaternary Geology, 33(6): 147~163 (in Chinese with English abstract).
-
Zhang Haoran, Chen Tiansheng, Liu Yang, Zhang Yuxi, Liu Jiong. 2021. Automaticseismic facies interpretation using supervised deep learning. Geophysics, 86(1): IM15~IM33.
-
Zhang Hua, Zhang Feiei, Chen Jiubin. 2021. Felsic volcanism as a factor driving the end-Permian mass extinction. Science Advances, 7(47): eabh1390.
-
Zhang Hongrui, Torsvik T H. 2022. Circum-Tethyan magmatic provinces, shifting continents and Permian climate change. Earth and Planetary Science Letters, 584: 117454.
-
Zhang Lei, Hou Mingcai, Chen Anqing, Zhong Hanting, Ogg J G, Zheng Dongyu. 2023. Construction of a fluvial facies knowledge graph and its application in sedimentary facies identification. Geoscience Frontiers, 14(2): 101521.
-
Zhang Yuxi, Liu Yang, Zhang Haoran, Xue Hao. 2020. Seismic facies analysis based on deep learning. IEEE Geoscience and Remote Sensing Letters, 17(7): 1119~1123.
-
Zhao Guochun, Cawood P A, Wilde S A, Sun Min. 2002. Review of global 2. 1~1. 8 Ga orogens: Implications for a pre-Rodinia supercontinent. Earth-Science Reviews, 59(1-4): 125~62.
-
Zhao Xianling, Wang Guiwen, Zhou Zhenglong, Wang Di, Ran Ye, Sun Yanhui, Zhang Xiaotao, Li Mei. 2015. A review of lithology interpretation methods using geophysical well logs. Progress in Geophysics, 30(3): 1278~1287 (in Chinese with English abstract).
-
Zheng Dongyu, Hou Mingcai, Chen Anqing, Zhong Hanting, Qi Zhe, Ren Qiang, You Jiachun, Wang Huiyong, Ma Chao. 2022. Application of machine learning in the identification of fluvial-lacustrine lithofacies from well logs: A case study from Sichuan basin, China. Journal of Petroleum Science and Engineering, 215(A): 110610.
-
Zheng Herong, Hu Zongquan. 2010. Pre-Mesozoic Tectonic-lithofacies Paleogeography Atlas of China. Beijing: Geological Publishing House.
-
Zhou Zhekun, Yang Qingsong, Xia Ke. 2007. Constant on the Tibetan Plateau uplift inferred from Quercus section Heterobalanus (Oerst. ) Menitsky fossils. Chinese Science Bulletin, 52(3): 249~257 (in Chinese with English abstract).
-
Zhu Jianbing, Zhao Peikun. 2009. Advances in seismic facies classification technology abroad. Progress in Exploration Geophysics, 3(32): 167~172 (in Chinese with English abstract).
-
Zhu Tongxing, Jiang Xingsheng, Feng Xintao, Zhang Yujie. 2013. Mesozoic Tectonic-lithofacies Paleogeographic Map and Description of the Qinghai-Tibet Plateau and Its Adjacent Areas (1∶3000000). Beijing: Geological Publishing House.
-
Zhu Rixiang, Zhao Pan, Zhao Liang. 2022. Tectonic evolution and geodynamics of the Neo-Tethys Ocean. Science China Earth Sciences, 52(1): 1~25 (in Chinese with English abstract).
-
Zhu Yinbing, Liu Shaofeng, Zhang Bo, Gurnis M, Ma Pengfei. 2021. Reconstruction of the Cenozoic deformation of the Bohai Bay basin, North China. Basin Research, 33: 364~381.
-
Ziegler A M. 1975. A Proposal to Produce an Atlas of Paleogeographic Maps. Chicago: Technical Republication Department of Geophysical Sciences University Chicago.
-
Ziegler A M, Scotese C R. 1977. Thoughts on Format for the Forthcoming “Atlas of Paleogeographic Maps. ” Chicago: Technical Republication Department of Geophysical Sciences University Chicago.
-
Ziegler A M, Rowley D B, Lottes A L, Sahagian D L, Hulver M L, Gierlowski T C. 1985. Paleogeographic interpretation: With an example from the Mid-Cretaceous. Annual Review of Earth and Planetary Sciences, 13(1): 385~428.
-
Zonenshain L P, Kuzmin M I, Natapov L M, Benjamin M. 1990. Geology of the USSR: A Plate Tectonic Synthesis. Washington, DC: American Geophysical Union.
-
陈洪德, 侯明才, 陈安清, 时志强, 邢凤存, 黄可可, 刘欣春. 2017. 中国古地理学研究进展与关键科学问题. 沉积学报, 35(5): 888~901.
-
贺志霖. 2019. 新生代特征时期古地理重建. 中国科学院大学博士学位论文.
-
侯贵廷, Halls H, Davis D, 黄宝玲, 杨默函, 王传成. 2009. 华北基性岩墙群的古地磁极及其哥伦比亚超大陆重建意义. 岩石学报, 25(3): 650~658.
-
侯章帅, 樊隽轩, 张琳娜, 沈树忠. 2020. 全球古地理重建模型的构建方法、比较与知识发现. 高校地质学报, 26(1): 86~99.
-
计文化, 陈守建, 李荣社, 王训练. 2014. 青藏高原及邻区古生代构造-岩相古地理综合研究. 武汉: 中国地质大学出版社.
-
刘宝珺, 曾允孚. 1985. 岩相古地理基础和工作方法. 北京： 地质出版社.
-
刘少峰, 王成善. 构造古地理重建与动力地形. 地学前缘, 23(6): 61~79.
-
马永生, 陈洪德, 王国力. 2009. 中国南方构造~层序岩相古地理图集. 北京: 科学出版社.
-
牟传龙. 2022. 中国岩相古地理研究进展. 沉积与特提斯地质, 42(3): 340~349.
-
潘文静, 刘士磊, 田德瑞, 郭龙龙, 王晓玲, 王立红. 2019. 渤海海域新近纪湖盆萎缩期古水深恢复——以渤东低凸起南端为例. 海洋地质前沿, 35(4): 18~25.
-
邵龙义, 徐小涛, 王帅, 王东东, 高迪, 王学天, 鲁静. 2021. 中国含煤岩系古地理及古环境演化研究进展. 古地理学报, 235(4): 19~38.
-
王鸿祯. 1985. 中国古地理图集. 北京: 地图出版社.
-
王民, 杨金路, 王鑫, 李进步, 徐亮, 言语. 2023. 基于随机森林算法的泥页岩岩相测井识别. 地球科学, 48(1): 130~142.
-
王晓楠, 任强, 侯明才, 董俊玲, 陈安清, 马超, 钟瀚霆, 郑栋宇. 2022. PBDB数据库在古地理重建中的重要应用进展. 沉积与特提斯地质: 1~14.
-
闫星宇, 顾汉明, 罗红梅, 闫有平. 2020. 基于改进深度学习方法的地震相智能识别. 石油地球物理勘探, 6(55): 1169~1177.
-
余珊, 李三忠, 索艳慧, 龚淑云, 安慧婷, 熊莉娟, 薛友辰, 程世秀. 2013. 全球三维古地理重建及其地质意义. 海洋地质与第四纪地质, 33(6): 147~163.
-
赵显令, 王贵文, 周正龙, 王迪, 冉冶, 孙艳慧, 张晓涛, 李梅. 2015. 地球物理测井岩性解释方法综述. 地球物理学进展, 30(3): 1278~1287.
-
郑和荣, 胡宗全主编. 2010. 中国前中生代构造-岩相古地理图集. 北京: 地质出版社.
-
周浙昆, 杨青松, 夏珂. 2007. 栎属高山栎组植物化石推测青藏高原的隆起. 科学通报, 52(3): 249~257.
-
朱剑兵, 赵培坤. 2009. 国外地震相划分技术研究新进展. 勘探地球物理进展, 3(32): 167~172.
-
朱日祥, 赵盼, 赵亮. 2022. 新特提斯洋演化与动力过程. 中国科学(地球科学), 52(1): 1~25.
-
朱同兴, 江新胜, 冯心涛, 张予杰. 2013. 青藏高原及邻区中生代构造-岩相古地理图及说明书 (1∶3000000). 北京: 地质出版社.
-
摘要
古地理重建是研究地质历史时期地表构造过程、海陆格局和地貌环境特征的一项综合研究，并通过绘制表达海洋和大陆的古代轮廓以及重要的地形和地表环境的地图来呈现，是还原地球演化历史、预测能源矿产分布、认识生命和气候演变的基础性工作。随着大数据时代的到来，数字化方法的应用为古地理图快速更新和友好呈现提供了方便。目前，全球有多个团队发布了数字化的全球古地理重建模型以及相关的数据和方法，如EarthByte、PaleoMap、UNIL、Deep Time Maps等团队。笔者研究团队基于“深时数字地球(Deep-time Digital Earth, DDE)”国际大科学计划提出的数据-知识-模型驱动的古地理重建思想，提出基于数字化方法驱动的升级更新全球古地理图的新流程，并通过不断尝试地球科学与信息科学的交叉融合，从知识图谱、大数据分析和机器学习技术等方面开发了多项古地理重建应用技术。以东特提斯域中二叠世—中三叠世的古地理重建为例，首先在GPlates软件平台上重建了板块构造框架，再利用岩相古地理图自动生成地形地貌图并结合人工校正，最后在GPlates软件通过图层叠加实现了中二叠世—中三叠世东特提斯域的动态数字综合古地理重建。本用例与广泛使用的Scotese (2021)的古地理图对比，在成图效率、数据丰富性和可追溯性、模型准确性等方面都有明显提升，并为该时期板块运动、冰期消亡、大洋缺氧和生物灭绝等重大地质事件的研究提供新的约束和启示。
Abstract
Paleogeographic reconstruction is a comprehensive study ofthe surface tectonic processes, the sea-land pattern, and geomorphic environmental characteristics in geological history. This field is represented by the creation of maps that depict the ancient contours of oceans and continents, as well as important topographic and surface environment characteristics. It serves as a fundamental process for restoring Earth's evolutionary history, predicting the distribution of energy and mineral resources, and understanding life and climate evolution. The advent of the era of big data has facilitated the application of digital methods in updating and presenting paleogeographic maps in a rapid and user-friendly manner. Currently, several teams worldwide have published digital global paleogeographic reconstruction models and related data and methods, including Earthbyte, PaleoMap, UNIL, Deep-Time Maps, and other teams. Building upon the concept of data-knowledge-model-driven paleogeography reconstruction proposed by the Deep-time Digital Earth (DDE) International Science Program, this study summarizes and presents a new process for updating global paleogeography maps driven by digital methods. Moreover, through continuous efforts to integrate geoscience and information science, several application technologies for paleogeography reconstruction have been developed, encompassing knowledge mapping, big data analysis, and machine learning. As an example, the Permian-Middle Triassic paleogeography reconstruction in the East Tethys domain is considered. The research team reconstructed the plate tectonic framework using a GPlates software platform and employed lithofacies paleogeography maps to automatically generate topographic and geomorphic maps with manual correction. Ultimately, a dynamic digital comprehensive paleogeography reconstruction of the Middle Permian-Middle Triassic East Tethys domain was formed through layer superposition in GPlates. In comparison to the widely used Scotese (2021)'s paleogeographic map, this use case significantly enhances mapping efficiency, data abundance, traceability, and model accuracy. Additionally, it offers new constraints and insights for studying major geological events such as plate movements, ice age extinctions, ocean anoxia, and biological mass extinctions during this period.
Keywords
Deep-time Digital Earth ； paleogeography ； big data ； machine learning ； reconstruction model
