为评估火山灰对人类和航空的危害，需要从爆炸性喷发的火山灰层追溯到它们的源头火山，一种新的机器学习分类方法可以解决这个问题。
阿拉斯加-阿留申地区有数十座活火山，要确定远端火山灰沉积物的火山源极具挑战性。而这一问题限制了海洋沉积物岩芯在评估每座火山危害时的效用，尽管它们记录了无数的火山灰层。根据来源对这些火山灰层进行准确而快速的分类，可以确定过去较长时间范围内喷发的规模和频率，从而更好地预测未来的喷发，特别是在近端记录短而零碎的情况下。Lubbers等人[2023]研究了火山灰碎片的主要元素或微量元素组成是否可以形成一个更敏感的指标，然后基于机器学习策略的集合开发了一个模型，使用火山灰微量元素测量将火山灰层与源火山相匹配。该模型使用源火山已知的近端沉积物的相对较短的全新世记录进行训练。然后，作者使用这个模型在更长的时间尺度上揭示哪些火山最经常产生可能构成重大地区危害的大规模爆炸性喷发。来自阿拉斯加海湾的两个综合大洋钻探的岩芯中含有大量火山灰层，记录了过去75万年来火山喷发的情况。需要确定这些火山灰层的火山源，来评估与每座火山相关的喷发危险。本文介绍的概率分类方法将大部分火山灰层追溯到阿拉斯加-阿留申链的三座火山——堡垒火山、卡特迈火山和埃蒙斯湖火山——证实了这些火山产生大规模爆炸性喷发的可能性最高。资料来源:Lubbers等人[2023]，图11以上内容英文原文发表于AGU Eos Editors' Highlights，中文翻译仅供参考。
点评编辑：
Paul Asimow, Editor, Geochemistry, Geophysics, Geosystems
原文链接：
https://eos.org/editor-highlights/machine-learning-identifies-source-volcanoes-of-ash-deposits
Text © 2023. The authors. CC BY-NC-ND 3.0
扫码访问原文
https://doi.org/10.1029/2023GC011037Lubbers, J., Loewen, M., Wallace, K., Coombs, M., & Addison, J. (2023). Probabilistic source classification of large tephra producing eruptions using supervised machine learning: An example from the Alaska-Aleutian arc. Geochemistry, Geophysics, Geosystems, 24, e2023GC011037. https://doi.org/10.1029/2023GC011037
Geochemistry, Geophysics, Geosystems
发表关于地球和行星过程的论文，聚焦于把地球当作一个系统来了解。期刊欢迎任何在所有时间和空间尺度上对固体地球、水圈、大气圈、生物圈和太阳系进行观察、实验和理论调查研究的论文。
2022年影响因子： 3.5
5年影响因子： 4.3
从投稿到一审意见的中位数时间：62天
点击下方“阅读原文”访问Geochemistry, Geophysics, Geosystems期刊网站，阅读更多精彩内容。
声明：欢迎转载、转发本号原创内容，可留言区留言或者后台联系小编(微信：gavin7675)进行授权。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请后台联系小编处理。
