地幔的化学不均一性是上个世纪地幔地球化学领域的一个重大发现(Zindler and Hart 1986)。基于洋岛玄武岩Sr-Nd-Pb等同位素的分布特征，地幔被分成DMM（亏损地幔）、EMI(富集地幔1)、EMII(富集地幔2)、HIMU（高μ值地幔，μ=²³⁸U/²⁰⁴Pb）等不同的端元。通过对这些端元的研究，不断推动着对固体地球动力学的认识。然而，随着洋岛玄武岩数据的不断积累，一些新的洋岛玄武岩的数据不能简单的用以上端元的混合来解释。此外，Stracke等2022年用多元数据统计算法（t-SNE）对来自全球MORB和OIB的同位素数据开展了机器学习，发现传统2/3D图解中所识别的不同端元间的演化趋势可能是不存在的。因此，对于地幔端元是否存在，以及各自的特征还存在很大争议。
       近年来，大数据以其能处理和分析高维数据的优势，被不断运用到地球化学的研究中，用于挖掘地质数据内在的联系和规律。本工通过从相关文献以及GEOROC、PetDB等岩石地球化学数据库中收集整理得到全球洋岛玄武岩的主、微量元素和Sr-Nd-Pd同位素等数据（共1474条）。运用大数据方法，使用非监督学习的K均值(K-Means)算法对洋岛玄武岩的数据进行聚类。这里的聚类是指在并不知道任何样本标签的情况下，依据数据之间的内在联系和规律，使得相似度高的样本聚集为一类，从而把样本划分为若干类别。
       结果显示，洋岛玄武岩被分成12类，每一类具有不同的主、微量元素和Sr-Nd-Pd同位素特征。其中，一类具有明显高的Pb同位素比值、低的Sr同位素比值和高的Nd同位素比值，与其他类别的截然不同，与传统认识中的HIMU端元相符。而对于在Sr-Nd同位素图上位于传统认识中的“EMⅠ”或“EMⅡ”的样本，我们发现这些样本所在类别的Sr-Nd特征分布范围较广，未能显示出端元组分的特征，指示“EMⅠ”或“EMⅡ”可能是并不是一个固定的端元。另外，通过对结合样本的主微量元素的分析，发现一些类别样本的主、微量元素和同位素特征的无法由其他组分混合而成，指示新的再循环组分的存在。综上，本工作通过无监督的机器学习从全球尺度揭示了洋岛玄武岩地幔源区不同组分的特征，深化了对于地幔的化学不均一性的认识。
 

机器学习,地幔源区,地球化学,洋岛玄武岩,聚类