Chemical weathering detection in the periglacial landscapes of Maritime Antarctica: New approach using geophysical sensors, topographic variables and machine learning algorithms
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de periódico
Título alternativo
Detecção de intemperismo químico nas paisagens periglaciais da Antártida Marítima: Nova abordagem usando sensores geofísicos, variáveis topográficas e algoritmos de aprendizado de máquina
Primeiro orientador
Membros da banca
Resumo
The chemical weathering intensity in Antarctica is underestimated. As the chemical weathering intensity increases, hydrological, geochemical and geophysical changes occur in the different environmental spheres and at
their interfaces through reactions and energy flows. Thus, once chemical weathering rates are understood and
estimated, they can be used to predict and assess changes and trends in different environmental spheres. Few
studies on the chemical weathering intensity have been performed in Antarctica. We used radiometric and
magnetic properties associated with terrain attributes and the chemical degree of alteration of the igneous rock
to model the chemical weathering intensity in Maritime Antarctica by using machine learning. Then, we related
the chemical weathering intensity and geophysical variables with periglacial processes. To do this, gammaspectrometric and magnetic readings were carried out using proximal-field sensors at 91 points located on
different lithologies in a representative area of Maritime Antarctica. A qualitative analysis of chemical alteration
for the different lithologies was carried out based on field observations and rock properties, and the levels of the
chemical weathering degree were established. The geophysical data associated with terrain attributes were used
as input data in the modeling of the weathering intensity. Then, the levels of the rock weathering degree were
used as the “y” variable in the models. The results indicated that the C5.0 algorithm had the best performance in
predicting the weathering intensity, and the most important variables were eTh, 40K, 40K/eTh, 40K/eU, the
magnetic susceptibility and terrain attributes. The contents of radionuclides and ferrimagnetic minerals in
different lithologies, concomitantly with the intensity at which chemical weathering occurs, determine the
contents of these elements. However, the stability and distribution of these elements in a cold periglacial
environment are controlled by periglacial processes. The chemical weathering intensity prediction model using
gamma-spectrometric and magnetic data matched the in situ estimate of the chemical degree of alteration of the
rock. The pyritized andesites showed the highest intensities of weathering, followed by tuffites, diorites,
andesitic basalts and basaltic andesites, and the lowest weathering intensity was shown by undifferentiated
marine sediments. This work highlighted the suitability of using machine learning techniques and proximal-field
sensor data to study the chemical weathering process on different rocks in these important and inhospitable areas
of the cryosphere system.
Abstract
A intensidade do intemperismo químico na Antártida é subestimada. À medida que a intensidade do intemperismo químico aumenta, mudanças hidrológicas, geoquímicas e geofísicas ocorrem nas diferentes esferas ambientais e em
suas interfaces por meio de reações e fluxos de energia. Assim, uma vez que as taxas de intemperismo químico são compreendidas e
estimadas, elas podem ser usadas para prever e avaliar mudanças e tendências em diferentes esferas ambientais. Poucos
estudos sobre a intensidade do intemperismo químico foram realizados na Antártida. Usamos propriedades radiométricas e
magnéticas associadas a atributos do terreno e o grau químico de alteração da rocha ígnea
para modelar a intensidade do intemperismo químico na Antártida Marítima usando aprendizado de máquina. Então, relacionamos
a intensidade do intemperismo químico e as variáveis geofísicas com processos periglaciais. Para fazer isso, leituras gamaespectrométricas e magnéticas foram realizadas usando sensores de campo proximal em 91 pontos localizados em
diferentes litologias em uma área representativa da Antártida Marítima. Uma análise qualitativa da alteração química
para as diferentes litologias foi realizada com base em observações de campo e propriedades das rochas, e os níveis do
grau de intemperismo químico foram estabelecidos. Os dados geofísicos associados aos atributos do terreno foram usados
como dados de entrada na modelagem da intensidade do intemperismo. Então, os níveis do grau de intemperismo da rocha foram
usados como a variável “y” nos modelos. Os resultados indicaram que o algoritmo C5.0 teve o melhor desempenho na
previsão da intensidade do intemperismo, e as variáveis mais importantes foram eTh, 40K, 40K/eTh, 40K/eU, a
suscetibilidade magnética e atributos do terreno. Os conteúdos de radionuclídeos e minerais ferrimagnéticos em
diferentes litologias, concomitantemente com a intensidade em que ocorre o intemperismo químico, determinam os
conteúdos desses elementos. No entanto, a estabilidade e a distribuição desses elementos em um ambiente periglacial frio
são controladas por processos periglaciais. O modelo de previsão da intensidade do intemperismo químico usando
dados gama-espectrométricos e magnéticos correspondeu à estimativa in situ do grau químico de alteração da
rocha. Os andesitos piritizados mostraram as maiores intensidades de intemperismo, seguidos por tufitos, dioritos,
basaltos andesíticos e andesitos basálticos, e a menor intensidade de intemperismo foi mostrada por sedimentos marinhos indiferenciados. Este trabalho destacou a adequação do uso de técnicas de aprendizado de máquina e dados de sensores de campo proximal
para estudar o processo de intemperismo químico em diferentes rochas nessas áreas importantes e inóspitas
do sistema criosférico.
Assunto
Espectrometria, Intemperismo, Geofísica, Aprendizado de Máquina
Palavras-chave
Spectrometry, Weathering, Geophysics, Machine Learning
Citação
Departamento
Curso
Endereço externo
https://www.sciencedirect.com/science/article/pii/S0016706123002926