Sediment fingerprinting in data sparse regions, such as the mountainous areas of Iran, is more suited to a confluence-based sample design wherein tributary sub-basins are characterised by sediment samples using different size fractions. Our objective was therefore to fingerprint spatial source contributions to the < 37 and 37–63 µm fractions of fine-grained channel bed sediment samples collected in a large erodible mountainous river basin in Iran based on a number of statistical and machine learning approaches. Geochemical elements were measured in channel bed surface drape sediments from seven sub-basins and in delivered sediments from the basin outlet. A Bayesian mass balance model (modified MixSIR) was applied to apportion sub-basin spatial sources with four composite signatures selected using the different statistical approaches. For the < 37 and 37–63 µm fractions, the signatures all indicated that sub-basins 3 (Andajroud; 46.7%) and 7 (Ninehroud; 36.8%) were the dominant spatial sources of the fine-grained bed drape sediment samples, respectively, identifying the most active erosional zones spatially. The statistical error between known and predicted spatial source contributions using virtual mixture tests for both size fractions demonstrated the importance of using multiple different composite fingerprints to decrease the model prediction uncertainties. Despite the difficult terrain in such data sparse areas, the source fingerprinting approach provides a basis for assembling new evidence which, in turn, is of interest to scientists and managers alike.

数据稀疏区域（例如伊朗的山区）的泥沙指纹更适合于基于汇流的样本设计，其中支流子流域的特点是使用大小不同的沉积物样本。因此，我们的目标是根据许多统计和机器学习方法，对在伊朗的大型易蚀山区河流盆地中采集的细颗粒河床沉积物样品中的<37和37–63 µm分数进行空间指纹识别。在七个子流域的河床层悬垂沉积物和盆地出口的沉积物中测量了地球化学元素。将贝叶斯质量平衡模型（改进的MixSIR）应用于具有不同统计方法选择的四个复合特征的分盆地空间源。对于小于37和37-63 µm的馏分，所有特征均表明，细盆地悬垂沉积物样品的主要空间源分别为3个盆地（安达杰鲁德； 46.7％）和7个盆地（Ninehroud； 36.8％）。 ，在空间上确定最活跃的侵蚀带。使用两个大小部分的虚拟混合测试，已知和预测空间源贡献之间的统计误差证明了使用多个不同的合成指纹来减少模型预测不确定性的重要性。尽管在这样的数据稀疏区域中地形困难，但是源指纹识别方法为收集新证据提供了基础，而新证据反过来又引起了科学家和管理人员的兴趣。8％）是细粒床垂悬沉积物样品的主要空间来源，在空间上确定了最活跃的侵蚀带。使用两个大小部分的虚拟混合测试，已知和预测空间源贡献之间的统计误差证明了使用多个不同的合成指纹来减少模型预测不确定性的重要性。尽管在这样的数据稀疏区域中地形困难，但是源指纹识别方法为收集新证据提供了基础，而新证据反过来又引起了科学家和管理人员的兴趣。8％）是细粒床垂悬沉积物样品的主要空间来源，在空间上确定了最活跃的侵蚀带。使用两个大小部分的虚拟混合测试，已知和预测空间源贡献之间的统计误差证明了使用多个不同的合成指纹来减少模型预测不确定性的重要性。尽管在这样的数据稀疏区域中地形困难，但是源指纹识别方法为收集新证据提供了基础，而新证据反过来又引起了科学家和管理人员的兴趣。使用两个大小部分的虚拟混合测试，已知和预测空间源贡献之间的统计误差证明了使用多个不同的合成指纹来减少模型预测不确定性的重要性。尽管在这样的数据稀疏区域中地形困难，但是源指纹识别方法为收集新证据提供了基础，而新证据反过来又引起了科学家和管理人员的兴趣。使用两个大小部分的虚拟混合测试，已知和预测空间源贡献之间的统计误差证明了使用多个不同的合成指纹来减少模型预测不确定性的重要性。尽管在这样的数据稀疏区域中地形困难，但是源指纹识别方法为收集新证据提供了基础，而新证据反过来又引起了科学家和管理人员的兴趣。