研究表明，湄公河上游剥蚀的物质在搬运过程中，往往被储存在沿途盆地或被其他支流稀释，对最终入海的沉积物贡献十分有限。结合热年代学证据与南海的同位素记录，团队推断该侵蚀“热点”在晚中新世气候变冷和亚洲季风增强的背景下，持续存在了数百万年。这一发现不仅解释了南海近800万年来沉积物源保持稳定的原因，也为理解古海洋环境变化提供了陆源物质输入的关键证据。

　　引入人工智能：构建物源示踪的新范式

　　在确认了侵蚀“热点”后，团队进一步思考：面对庞大且复杂的地质地球化学数据，如何才能更精准、高效地进行物源分类与识别？为此，在《Geomorphology》发表的另一项研究中，团队开创性地将人工智能技术引入了传统的地球化学物源示踪体系中。

　　团队提取了全球已知源区的岩石数据以及湄公河实测碎屑锆石的微量元素（REE）特征，运用随机森林（Random Forest）、K近邻（KNN）和极端梯度提升（XGBoost）三种机器学习算法进行模型训练与测试。结果表明，机器学习模型对源区岩石分类的准确率达到了93%至97%（表1）。

　　表1：使用十折交叉验证的三种机器学习模型的性能指标得分