我院戴振学教授团队和陈剑平教授团队先后在Nature Index检索杂志、地学领域顶级期刊Geophysical Research Letters（GRL）上发表了最新研究成果，分别为“Stage-Wise Stochastic Deep Learning Inversion Framework for Subsurface Sedimentary Structure Identification”和“Mass-Wasting-Inferred Dramatic Variability of 130,000-Year Indian Summer Monsoon Intensity From Deposits in the Southeast Tibetan Plateau”。详细情况介绍如下：

1.戴振学教授团队提出了一种基于知识学习、数据融合和智能技术共同驱动的含水层岩相结构识别算法

准确的地下水水流及溶质运移模拟依赖于含水层岩相结构的准确刻画。基于地质统计的随机模型是目前最为常用的方法之一，但是由于钻孔分布较为稀疏，其识别得到的含水层岩相结构往往具有很大的不确定性。为了提高含水层结构刻画的准确性，并充分利用丰富的间接观测数据（如水头、浓度、温度数据），本研究以沉积岩相结构特征为指引，以场地监测数据为依据，引入对抗学习、图像回归、图像识别等深度学习理论与技术，提出了一种基于知识学习、数据融合和智能技术共同驱动的含水层岩相结构识别算法，以建立适合不同场地污染特征的高精度含水层非均质模型。

该算法首次将传统的基于地质统计的随机模型和先进的深度学习技术的优势进行了有效耦合，使其能够使用不同类型的稀疏观测数据来识别含水层非均质岩相结构，不需要提供额外的含水层结构样本即可进行深度学习模型训练。这使得该算法在实际含水层岩相结构识别应用中具有很大的优势，因为大多数基于深度学习的方法需要大量训练样本，而这些样本在实践过程中是难以获得的。因此，本研究所提出的含水层结构识别算法可以增强对污染场地非均质性的科学认识，为场地污染物的时空分布特征的精确预测提供有力保障。

该成果受国家重点研发项目（2018YFC1800904）和国家自然科学基金项目（41772253）资助。戴振学教授的博士研究生湛传俊为本文的第一作者，戴振学教授与张晓影副教授为本文的共同通讯作者。

论文原文链接：https://doi.org/10.1029/2021GL095823

2.陈剑平教授团队利用青藏高原滑坡堆积物推测了13万年以来印度夏季风强度变化

印度夏季风导致了印度次大陆大约80%的降水量，影响着世界上五分之一的人口。它的变化不仅影响了水体，同时也控制着印度次大陆的社会经济。迄今，很多学者已经对印度夏季风的起源与演化进行了广泛的研究，但我们对它的长期强度和变异性的认识依然不够全面。

青藏高原构造隆升是影响全球气候状况最重要因素之一，因此印度夏季风强度与青藏高原隆升息息相关。隆升导致了岩体的强烈挤压与变形，这些剧烈变形的岩体在侵蚀等作用下很容易发生大规模的滑坡。本研究认为，当滑体冲进河流并堆积在河谷时，这些滑坡堆积物在演化中所保留的时空信息可以用于古水文历史推测。据此，本研究提出了一个由青藏高原滑坡堆积物的年代和沉积高度推测河流下切历史，进而将河流下切速率与印度夏季风强度关联，以此对古气候与季风强度变化进行重建的新方法。

研究结果表明13万年以来印度夏季风强度至少呈现了四个明显的周期性变化，且该周期性与地球轨道倾角周期一致并滞后于海平面变化。此外，研究发现滑坡发生频率与剧烈气候变化呈正相关，尤其是极端环境变化会导致滑坡事件的显著增加；滑坡堆积物河流下切速度的高低预示着印度夏季风强度的强弱，故古水文（河流下切历史）可以作为印度夏季风强度重建的一个新的代用指标。

该成果受国家自然科学基金川藏重大专项、面上与青年项目（42022053，41877220，41941017）的资助。吉林大学建设工程学院张文教授为本文的第一作者，第二作者为博士生王佳，陈剑平教授为本文的通讯作者。

论文原文链接：https://doi.org/10.1029/2021GL097301