基于机器学习的安第斯山脉生物可利用锶同位素分布图

《Journal of Archaeological Science》：A bioavailable strontium isoscape for the Andes based on machine learning

南美安第斯及巴塔哥尼亚地区633个锶同位素数据构建两个等位图：基于海岸距离、盐分及黏土含量的等位图1未体现地质年龄影响，而南部安第斯小样本等位图2显示地质年龄相关性。比较门多萨与莫克瓜人类迁移案例，发现样本量不足制约精确定位，建议采用高分辨率地质图及优化采样策略。

　　

埃里克·J·马什 | 马塞洛·卡迪略 | 凯莉·J·克努德森 | 艾莉森·达尔斯特德特 | 拉米罗·巴贝雷纳

阿根廷国家科学技术研究委员会（CONICET）

摘要

本文汇编了来自南美洲的锶动物群数据（共633个样本），这些数据几乎全部来自安第斯山脉和巴塔哥尼亚地区。为了构建生物可利用锶的等值面图，我们利用机器学习方法分析了与46个空间层的关系，其中包括一张高分辨率的1:500万比例尺地质地图。基于选定的变量，我们使用预测的⁸⁷Sr/⁸⁶Sr比值绘制了两幅等值面图。第一幅等值面图覆盖了整个研究区域，其构建依据的三个变量是：距离海岸的距离、海盐含量以及粘土百分比；令人惊讶的是，地质年龄并未成为区分因素。第二幅等值面图聚焦于安第斯山脉南部的一个较小样本群体，这一结果符合全球范围内的普遍预期，即生物可利用锶与地质年龄存在相关性。我们将这些等值面图与来自两个研究较为充分的地区的实际数据进行了对比：阿根廷的门多萨和秘鲁的莫克瓜。然而，在这两种情况下，数据均不足以准确判断迁徙者的地理位置。为了获得更可靠的等值面图并提高地理定位精度，我们建议未来的采样工作应基于高分辨率地质地图进行，并考虑使用数量较少但更具代表性的样本。

引言

我们正处于全球锶研究的黄金时代，因为这些数据使考古学家能够追踪古代人类群体的迁移活动（Britton等人，2022年；Price等人，2023年；Price等人，2002年；Spies等人，2025年）。与世界其他地区一样，安第斯地区的考古学家也通过比较人类牙齿和骨骼中的锶等值面图及相关数值，取得了令人信服的研究成果（例如，Andrushko等人，2009年；Barberena等人，2017年、2019年、2021年、2022年、2023年；Buzon等人，2012年；Chala-Aldana等人，2018年；Conlee等人，2009年；Dahlstedt等人，2021年、2024年；Fernández等人，2022年；Knudson和Buikstra，2007年；Knudson等人，2004年、2005年、2008年、2009年、2014年、2016年、2023年；Lucas，2012年；Mader等人，2018年；Marsteller等人，2017年；Scaffidi和Knudson，2020年；Scaffidi等人，2022年；Serna等人，2020年；Standen等人，2018年；Slovak等人，2009年、2018年；Turner等人，2009年；Washburn等人，2021年）。通过比较这些数值，我们可以确定迁徙者的具体位置，即识别出他们在生命中不同阶段居住过的地点。由于安第斯山脉的地质结构极为复杂，锶含量在短距离内存在显著差异——这既有利于构建高空间分辨率的等值面图，但也使得对如此多样化的地质单元进行有效采样变得具有挑战性。在安第斯地区追踪迁徙活动尤为重要，因为迁移行为是适应异质且不可预测的干旱环境的关键机制。从小型狩猎采集群体到农牧村落，再到帝国，所有前西班牙时期的群体都表现出不同程度的迁移特征。极少有情况导致迁徙活动完全转变为类似欧洲的定居生活方式。

目前南美洲发表的大多数锶同位素数据都来自安第斯地区的人体组织样本。为了识别迁徙者，人们通常会寻找数据中的自然分界点，即本地锶含量与非本地锶含量之间的差异，但这种区分其实具有主观性（参见Scaffidi和Knudson，2020年，第3页；Slovak和Paytan，2012年，第746页；Wright，2005年）。为了建立更可靠的区分本地与非本地锶含量的基准，研究人员开始使用独立的非人类数据（Barberena等人，2019年；Conlee等人，2009年；Dahlstedt等人，2021年；Knudson等人，2014年；Serna等人，2020年；Slovak等人，2018年）。然而，在同一地点，不同类型的样本可能会产生不同的锶含量值，例如植物、水、基岩和土壤（Scaffidi和Knudson，2020年）。要解决这一问题，可能需要对整个食物链进行采样（Grimstead等人，2017年）。另一个问题是，不同分辨率和标准下的本地地质地图之间的比较可能会影响结果的一致性。我们的目标是构建一个适用于整个安第斯地区的等值面图，以便将其与人类数据对比，从而确定迁徙者的地理位置。

本文围绕以下研究问题展开：

●

哪些动物群对于预测生物可利用锶含量最为有用？

●

哪些地质和环境变量最能准确预测锶的比值？

●

哪些变量可以用来预测安第斯山脉南部一个样本量较大的地区的锶比值？

●

这些等值面图在地理定位人类迁徙者方面的效果如何？

材料与方法

我们整合了来自南美洲的现代和考古动物群数据（共633个样本；见附录A、图1、表1），在此基础上进一步扩展了Scaffidi和Knudson（2020年）之前的研究（共232个样本）。我们加入了来自提蒂卡卡湖南部流域的56个未发表的数据样本，这些数据由Knudson处理过。为了提高每个样本的空间定位精度，我们使用了Google Earth，并联系了相关研究人员，因为位置信息不准确可能会导致数据与地图层之间的关联错误。

等值面图1：距离海岸的距离

随机森林模型最终确定了三个关键变量（训练数据的r² = 0.84；测试数据的r² = 0.74；详见附录F）。该模型的线性趋势主要受三个变量影响：1）距离海岸的距离（锶含量的最佳预测因子）；2）低盐含量（对应较高的⁸⁷Sr/⁸⁶Sr比值）；3）盐含量的变化趋势（与粘土百分比呈相反趋势）。当⁸⁷Sr/⁸⁶Sr比值大于0.700时，通常出现在粘土百分比超过28%的区域。

结论与总结

我们根据动物群⁸⁷Sr/⁸⁶Sr比值的汇编结果，绘制了安第斯山脉的两幅锶等值面图。回到我们的研究问题，可以得出以下结论：

●

骆驼科动物的样本对于构建生物可利用锶的基准模型并不适用，因为野生和家养骆驼科动物都会在不同地质单元间移动。因此我们采用了非骆驼科动物的数据。

●

在整个数据集中，距离海岸的距离是最重要的变量。这一变量显著优于其他地质变量（见等值面图1；图2）。

●

对于……（此处数据缺失，原文未完整表述）

CRediT作者贡献声明

埃里克·J·马什：撰写内容、审稿与编辑、可视化处理、软件应用、方法论设计、数据整理、概念构建。马塞洛·卡迪略：撰写内容、审稿与编辑、可视化处理、软件应用、方法论设计、数据整理、概念构建。凯莉·J·克努德森：撰写内容、审稿与编辑、方法论设计、数据整理、资金筹措。艾莉森·达尔斯特德特：撰写内容、审稿与编辑、方法论设计、数据整理。

利益冲突声明

作者声明：他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

感谢Clément Bataille慷慨分享地质地图层并提供建议；感谢Christine Conlee提供有关秘鲁南部样本的信息。Knudson未发表的研究工作得到了美国国家科学基金会（BCS-0514624项目）以及亚利桑那州立大学社会科学研究所和人类进化与社会变迁学院的支持。国家地理学会（NGS-92679R-22项目）也资助了Barberena等人在安第斯山脉南部的研究。