机器学习有助于预测格陵兰岛的地热通量

这些是格陵兰岛的地热通量预测。来自沿海岩芯的直接GHF测量，来自冰芯的推论以及位于冰芯位置周围的其他高斯拟合GHF数据均用作训练样本。显示了三个不同值的预测。白色虚线区域大致显示了热通量的升高程度以及格陵兰在冰岛羽流上方运动的可能轨迹。KU新闻服务

《地球物理研究快报》上发表的一篇论文使用机器学习来构建一种改进的模型，以了解格陵兰冰盖下的地热热通量（地球内部散发的热量）。这是冰川学的新研究方法，可能会导致对冰量损失和全球海平面上升的更准确的预测。

主要发现中：

“来自地球内部的热量有助于冰盖底部的融化量，因此，了解热量的分布及其在冰盖底部的分布方式非常重要，”他说。堪萨斯大学地质学博士生Soroush Rezvanbehbahani率先开展了这项研究。“当我们在潮湿的斜坡上行走时，我们更有可能滑倒。使用冰块的想法是一样的-如果不冻结，它更有可能滑入大海。但是，除了极其昂贵的实地演习会穿透冰盖之外，我们没有一种简便的方法来测量地热通量。我们尝试通过统计方法来代替昂贵的现场调查。”

Rezvanbehbahani和他的同事采用了机器学习（一种使用统计技术和计算机算法的人工智能）来预测热通量值，而通过传统的冰芯很难以相同的细节获得热通量值。

利用格陵兰岛所有可用的地质，构造和地热通量数据以及全球各地的地热通量数据，该团队部署了一种机器学习方法，该方法基于22个地质变量，预测了整个格陵兰岛冰盖下的地热通量值，例如包括基岩地形，地壳厚度，磁异常，岩石类型以及与诸如沟渠，山脊，年轻裂谷，火山和热点等地物的接近度。

“我们有来自地球各地的大量数据点-我们知道在世界某些地区，地壳的厚度是一定的，由某种岩石组成，并且距火山的距离已知-我们采取了这些关系并将它们应用于我们对格陵兰岛的了解，” KU地质学副教授Leigh Stearns说。

研究人员说，他们的新预测模型是对当前没有包含太多变量的地热通量模型的“绝对改进”。实际上，格陵兰岛的许多数值冰盖模型都假定在整个格陵兰岛各处都存在一致的地热通量值。

斯特恩斯说：“大多数其他模型实际上只支持一个特定的数据集。”“他们通过格陵兰的地震信号或磁数据查看地热通量，而不是地壳厚度或岩石类型或距热点的距离。但是我们知道这些都与地热通量有关。我们尝试合并尽可能多的地质数据集，而不是假设其中一个是最重要的。”

除了Rezvanbehbahani和Stearns之外，新论文的研究团队还包括KU的J. Doug Walker和C.J. van der Veen以及麦吉尔大学的Amir Kapar。Rezvanbehbahani和Stearns也隶属于总部位于KU的冰盖遥感中心。

作者发现预测地热通量值的五个最重要的地质特征是地形，到年轻裂谷的距离，到沟槽的距离，岩石圈-软流圈边界（地幔的层）的深度以及到Mohoroviči的深度？不连续性（地球上地壳与地幔之间的边界）。研究人员说，他们的格陵兰地热通量图预计将在真实值的15％以内。

Rezvanbehbahani说：“最有趣的发现是格陵兰南部和北部之间的鲜明对比。”“我们在南部的信息很少，但是在冰盖的北部，我们又有三个或四个核。基于南部核心，我们认为这是一个局部的低热通量区域，但我们的模型显示，南部冰原的很大一部分具有较低的热通量。相比之下，在北部地区，我们发现了地热通量较高的大区域。这并不奇怪，因为我们有一个冰芯，读数很高。但是，空间模式以及热通量的分布方式是一个新发现。那不仅是一个热流高的北部地区，而且是一个广阔的地区。”

研究人员说，随着格陵兰的更多信息在研究界得到汇编，他们的模型将变得更加准确。

斯坦恩斯说：“我们略微否认这只是另一种模型-这是我们最好的统计模型-但我们没有再现现实。”“在地球科学和冰川学方面，我们看到的是公开可用数据的爆炸式增长。能够综合这些数据并帮助我们从整个数据传感器中学习的机器学习技术变得越来越重要。站在最前沿是令人兴奋的。”

出版物：Soroush Rezvanbehbahani等人，“预测格陵兰的地热通量：《机器学习方法》，《地球物理研究快报》，2017年； DOI：10.1002 / 2017GL075661