互动科普

卫星导航 搜寻化石

化石史上的很多重大发现多需仰仗好运，但新模型能够预测骨骼化石的方位，运气从此得靠边站了。

撰文 罗伯特 · I · 阿连莫尼（Robert l. Anemone） 查尔斯·W·爱默生（Charles W. Emerson） 翻译 蒋青

我（本文作者阿连莫尼）从1994年起，就带领一个由人类学家、古生物学家和地质学家组成的野外团队考察这个盆地。这些年来，荆棘刺一直是化石的多产地，科学家已经在此找到过好几个化石点。但这次，我们却遇上了麻烦——我带错路了，走上一条我们以前没走过的路。然而，我的错误却让我们撞上了大运。

道路渐渐隐没于荆棘和草丛中，我停下车，走下来看前面的路。我发现一座小山旁有一大片砂岩，它们离这儿不远，正好在路边。无论是在大分水岭盆地，还是在美国西部的其他沉积盆地，砂岩通常都是化石的“藏身处”。因此我决定，在继续向荆棘刺进发前，应该花时间在这些砂岩中找一找。我们趴在岩石上细细搜寻，一个小时后，我当时的研究生蒂姆·海德（Tim Held）和贾斯汀·吉什（Justin Gish）大叫说，他们找到了两块不错的哺乳动物颌骨化石。我兴致勃勃地加入了他们的行列。即使没有其他骨骼化石一起出土，带有牙齿的颌骨化石也很有价值，这是因为它们本身蕴含的信息就足以鉴定动物的类别，而且它们还能反映动物的食性。

后面发生的事情恐怕是每个古生物学家都梦寐以求的。我的学生们发现了一个化石热点区。普通的热点区不过是从砂岩中风化出来的几块颌骨、几把牙齿，可是这个热点区却非同寻常。我的学生们仿佛喊对了“芝麻开门”的口令，这个化石宝库至今已让我们采集到了近500块保存精美的颌骨，以及几千枚牙齿和几千块骨头。这些化石分属于20多种古老的哺乳动物，而且这些动物都生活于约5 000万年前。我们将这个点戏称为“蒂姆告白地”（Tim's Confession），如今，它已不仅仅是我们在大分水岭盆地找到的最佳化石产地，还是整个美国西部地区最丰富的始新世早期哺乳动物化石宝库。

我们并不是第一个受到幸运女神青睐的团队。发现重要的化石，多多少少要依靠运气，古生物学研究史上满是“被好运撞了一下腰”的例子。实际上，古无脊椎动物学家寻找高产化石点的方法，从科学萌芽至今都没什么改变。我们和19世纪的古生物学先驱一样，利用地质和地形证据来标定点位，推测在古老的沉积岩里，哪一层的化石风化得好，最容易找。尽管如此，我们能否“淘宝”成功在很大程度上还得看运气。结果经常是辛苦一场，却白费工夫。

“蒂姆告白地”的经历让我开始思考，会不会有一种更好的方法能够让我的野外队员知晓，应该去哪儿下工夫寻找新的化石点呢？我们已经知道，我们感兴趣的化石产自5 500万至5 000万年前的砂岩中；我们还清楚，这类沉积岩层在盆地的哪些地方有露头，适合做考察。虽然这些信息从某种程度上来说有助于缩小搜寻范围，但最后还是会留下几千平方千米的待勘察区域，让我们在大多数时候还是空手而归。

有一天露营时，我突然萌生了一个想法。在远离尘嚣、没有光污染的野外，我们常能看到划过天空的卫星。我很想知道，能否获得大分水岭盆地这片10 000平方千米地区的卫星全景图像，然后结合我们对这里地质、地形的认识，以及古生物方面的专业知识，绘制出可能的化石热点分布地图？也许，卫星能“看穿”肉眼看不见的地表特征，让我们找到更多砂岩露头，并且将包含化石的露头识别出来。

分析卫星图像

当然，其他古生物学家也在思索，靠卫星图像能否提高野外化石的寻获率。作为古灵长类和古人类化石研究及进化方面的专家，我知道一些先例。20世纪90年代，埃塞俄比亚裂谷研究服务局（Rift Valley Research Service）的伯哈内·阿斯法（Berhane Asfaw）及其同事，曾经利用卫星图像在埃塞俄比亚识别过可能产出人类祖先化石的岩石露头。差不多同一时期，美国丹佛自然科学博物馆（Denver Museum of Nature & Science）的理查德·斯塔基（Richard Stucky）证明，用卫星图像分析怀俄明州中部富含化石的风河盆地（Wind River Basin），可以区分和定位不同的岩石组合。这两个项目都需要古生物学家和NASA遥感专家的精诚合作，它们也证明这种跨领域合作有着宝贵的价值。但是我想知道的是，能否从卫星图像中套取更多信息，让它更好地为化石搜寻服务。

于是我向本文的另一位作者——地理学家爱默生求助。我们俩很快就拟订了一个方案。陆地卫星七号（Landsat 7）采集的图像可免费下载，我们通过这个颗卫星，以及它所搭载的增强主题成像仪（Enhanced Thematic Mapper Plus，简称ETM+）获取盆地的卫星图像。ETM+传感器能够检测到地球表面反射或发出的辐射，波长范围覆盖了从蓝光到红外线的电磁波谱，最终会以8个单独的波段来显示检测结果。这些波段可以用来区分土壤和植被，也可以用来绘制矿产分布图。

接下来，我们就可以开发一种方法，以便利用卫星图像，分析大分水岭盆地中各个“产量丰富”的化石点的辐射特征，看它们是否有某些共同的光谱特征。如果确实如此，那么我们就可以在计算机中对整个大分水岭盆地展开搜索，锁定拥有该光谱特征的新点位，而这些地方藏有化石的可能性应该更高一些。然后，我们就可以亲自踏勘这些地点（当然也可以顺访具备不同光谱特征的地点），逐一检查有无化石，检验模型的实用性。

要确定已知化石点是否具有共同的光谱特征决非易事。因为拿到陆地卫星七号的数据后，我们要评估其中6个波段的值。我们其实是想从尽可能多的角度识别光谱特征，这个任务肉眼不擅长，计算机却做得得心应手。因此，我们使用了一种名为“人工神经网络”（artificial neural network）的计算机模型，它具备感知复杂模式的功能。

我们的人工神经网络模型有了结果：盆地中，那些已知化石点确实有着相同的光谱特征，要把这些砂岩化石产地与其他地貌区域（比如湿地和沙丘）分开很容易。但这个模型有它的局限性。由于自身条件所限，神经网络在分析过程方面的表现就像个“黑匣子”——它只能识别模式，却无法告诉我们，是哪些因素，让不同模式可以相互区别。

因此，尽管我们的神经网络模型可以很容易地识别出化石产地，准确地将它们与湿地沙丘等地貌区域分开，但它却无法告诉我们，在6个波段的陆地卫星七号数据中，不同地貌间的光谱特征到底有着怎样的差别——只有知道了这些信息，我们才能更有目的性地去寻找化石点。此外，神经网络分析的基本单位是单一的像素点，这是其另一重局限。陆地卫星七号的每个像素代表着地表225平方米的区域，它的大小不可能与一片化石产地的面积精确对应，这些产地与之相比肯定是有大有小。所以，神经网络对化石产地位置及潜在化石产区（或某一特定类型的地被区域）大小的预测总和现实有出入。

要克服这些制约因素，我们就得有能力分析邻近区域的，以及在光谱上比较相似的多个像素点，以便从统计学上来描述整个地区所有特有的光谱特征——无论是化石产区还是森林地带。于是，我们开始使用另一种名为“面向对象地理图像分析”（geographical object-based image analysis）的技术，并且购买由高分辨率卫星获得的、像素点直径小于1米的数据资料。与“人工神经网络”不同，这种方法可以把卫星图像分割为一个个“图像对象”（image object）。所谓图像对象，其实就是一组光谱特征相同的像素点，其特征可以由统计学参数来描述，比如亮度、质地等参数的平均值或中间值。这些图像对象与我们感兴趣的地表点更接近，更能代表一片化石产地或一片森林。利用图像分析技术，我们可以做出一份与神经网络预测相独立的化石产地预测图。

见证奇迹的时刻

两种预测模型都能生成大分水岭盆地的相关地图，并在其中标明与已知化石产地光谱特征最为相近的未探测区域。尽管两者预测的区域重合度很高，但在某些点上还是有分歧。我们决定把注意力放在同时被两个模型预测为可能性较高的潜在化石点上。2012年和2013年的夏季，我们手持地图驶向怀俄明州，试试模型能否把我们带向大分水岭盆地的新化石点。结果令人喜出望外：它们做到了！

人工神经网络模型在识别砂岩上很有一套，由它标定的点几乎都值得一试，因为盆地中的许多砂岩都保存有脊椎动物化石。2012年7月，光是它为我们标定的第一批砂岩中的一个点，就产出了十几块特征性的始新世哺乳动物化石，其中有五根脚趾的始祖马（hyracotherium）、早期灵长动物肯特猴（Cantius）和几种隶属于踝节类（Condylarthra）的有蹄类哺乳动物。神经网络还指引我们找到了几处水生脊椎动物的化石点，找到了鱼、鳄鱼和龟等生物的化石。

面向对象地理图像分析模型也帮助我们“逮”到了新的化石点。开头的进展比较慢，模型最初勾中的三四个点都不产化石，于是我们转战大分水岭盆地北部，想在弗莱特沟（Freighter Gap）附近，花一周时间实地检验我们的新技术。在此一周前，我的研究生布莱恩·波莫斯巴赫（Bryan Bommersbach）有一次曾带着我们徒步了很远却一无所获（我们后来把那个不产化石的预测点戏称为“布莱恩犯傻地”），现在仍由他打头，利用模型预测该去什么地方勘察。

到达预测点后，很多情况下我们几乎只要一眨眼就能找到化石。模型显示，有31个地方与已知化石产地的光谱特征相似。我们勘察了这些点，并在其中的25个点发现了脊椎动物化石。比起手中没有此类地图的传统搜寻法来，成功率翻了好几番。在这25个点里，又有10个点产出哺乳动物化石，其中还有一个产地可以追溯到古新世，这可是难得一见的发现。

我们有理由相信，和我们开发出的预测模型类似的模型在大分水岭以外的地区也管用。实际上，它们应该可以适用于世界各地。从理论上来说，只要手里有某一地区的卫星图像，同时还有数个已知化石产地的数据（用于调整预测模型），我们就能生成预测性地图，用以显示该地区的哪些地点可能蕴藏着我们要找的化石。

对于上述方法，我们做了一次比较保守的测试。我们利用针对大分水岭盆地开发的神经网络，去预测野牛盆地（Bison Basin，就在大分水岭盆地附近）中哪些地方可能有化石。众所周知，这块盆地埋藏着古新世的哺乳动物化石。（因为在野牛盆地，含化石沉积岩的种类与大分水岭盆地一样，所以我们没有用后者的已知化石产地数据调整模型。）

令人兴奋的事发生了：野牛盆地中，已知的产出最丰富的3个化石点，都被我们的神经网络系统推测出了！因此，如果野外队在第一次涉足这片广阔区域时，能用上我们的模型，那么他们发现这些点的几率就要比用传统方法高很多。

我们在2012年和2013年间于怀俄明州开展的试验表明，卫星图像和地理空间预测模型“双剑合璧”能大大提高我们野外工作的效率，达到事半功倍的效果。但是，我们要做的还很多，目前我们正在进一步改善模型，使其能够更有效地识别和区分化石高产地的光谱特征。我们还向模型中引入更多约束条件，以减少地图所生成的错误预测的数量，这样就可以提高预测能力，让我们更准确地知道勘察地点的优先级。

我们相信，在这些模型和工具的帮助下，我们可以让未来的古生物考察更安全、更科学，“找到重要化石”这一结果也会渐渐从“运气使然”走向“成为必然”。只要能实现这个目标，付出多大的努力都值得。拼凑地球生命起源和演化的全景图——这项事业令人兴趣盎然，而且意义重大，决不能听天由命，把它打发给运气和机遇。在下一个“蒂姆告白地”出现之前，我们再不能坐等15年。

本文译者 蒋青是中国科学院南京地质古生物研究所助理研究员，古生物学与地层学博士，主要研究早期陆地植物及生态系统演化，对志留及泥盆纪维管植物化石学有所专。