一項研究預測了格陵蘭冰蓋下地熱熱流的新細節(jié)杨伙。

這些是對格陵蘭的地熱熱流預測。從海岸巖心直接GHF測量黔衡，從冰芯推斷债蓝，以及在冰核點周圍附加的gaussi -fit GHF數(shù)據(jù)作為訓練樣本。預測有三個不同的值鉴嗤。白色虛線區(qū)域大致顯示了熱通量上升的程度斩启，以及格陵蘭島在冰島羽毛上運動的可能軌跡。

在《地球物理研究快報》上發(fā)表的一篇論文醉锅，利用機器學習來設計一種改進的模型兔簇，以了解地熱熱流——來自地球內(nèi)部的熱量——在格陵蘭冰蓋之下。這是一種新的冰河學研究方法硬耍，可以更準確地預測冰川的損失和全球海平面的上升垄琐。

其中主要的發(fā)現(xiàn):

格陵蘭島在一個相對較大的北部地區(qū)有異常高的熱通量，從內(nèi)陸向東部和西部擴散经柴。

格陵蘭島南部的地熱熱通量相對較低狸窘，與北大西洋克拉通(North Atlantic Craton)的程度相對應，后者是地球上現(xiàn)存最古老的大陸地殼之一的穩(wěn)定部分坯认。研究模型預測略高熱流上游的水流湍急的冰川在格陵蘭島,包括雅各布港冰川Isbr?cappadocia旅館,地球上最快的冰川移動翻擒。

“來自地球內(nèi)部熱量,導致底部的融化的冰蓋,所以非常重要的是要理解的模式,如何分布和熱底部的冰蓋,“說Soroush Rezvanbehbahani,博士生在堪薩斯大學地質(zhì)學研究的帶頭人介杆。“當我們走在潮濕的斜坡上時韭寸，我們更容易滑倒春哨。”這和冰的想法是一樣的——當冰不結(jié)冰的時候恩伺，它更有可能滑入海洋赴背。但是我們沒有一種簡單的方法來測量地熱流，除非是在冰原上進行的非常昂貴的野外活動晶渠。我們沒有進行昂貴的實地調(diào)查凰荚，而是通過統(tǒng)計方法來實現(xiàn)這一目標。

Rezvanbehbahani和他的同事們采用了機器學習——一種使用統(tǒng)計技術(shù)和計算機算法的人工智能——來預測那些通過傳統(tǒng)的冰芯獲得同樣細節(jié)的熱通量值褒脯。

使用所有可用的地質(zhì)便瑟、構(gòu)造和地熱格陵蘭熱流數(shù)據(jù),以及地熱熱流數(shù)據(jù)來自世界各地——團隊部署一種機器學習方法,預測地熱熱流值在格陵蘭島冰蓋下基于22地質(zhì)變量如基巖地形、地殼厚度番川、磁異常,巖石類型和接近特性如戰(zhàn)壕,山脊,年輕的裂痕,火山和熱點到涂。

“我們有很多數(shù)據(jù)點從地球——我們知道世界在某些地區(qū)的地殼一定厚度、組成的一種特定的巖石和火山位于一個已知的距離,我們利用這些關(guān)系,并將它們應用于我們知道格陵蘭島,”合著者利斯登說,KU地質(zhì)副教授颁督。

研究人員說践啄，他們新的預測模型是對目前沒有納入很多變量的地熱熱流模型的“肯定改進”。事實上沉御，格陵蘭島的許多數(shù)值冰蓋模型都認為屿讽，格陵蘭島各地的地熱熱流的均一值是存在的。

“大多數(shù)其他的模型實際上只尊重一個特定的數(shù)據(jù)集吠裆，”斯特恩斯說伐谈。“他們通過在格陵蘭島的地震信號或磁性數(shù)據(jù)來觀察地熱熱流试疙，而不是地殼厚度或巖石類型或從一個熱點地區(qū)的距離诵棵。”但我們知道這些都與地熱熱流有關(guān)效斑。我們試著將盡可能多的地質(zhì)數(shù)據(jù)集非春，而不是假設一個是最重要的。

作者發(fā)現(xiàn)五個最重要的地質(zhì)特征預測地熱通量值地形,距離年輕的裂痕,距離溝缓屠、深度lithosphere-asthenosphere邊界(地幔層)和深度Mohorovi?i?不連續(xù)(地殼和地幔之間的邊界在地上)奇昙。研究人員說，格陵蘭島的地熱熱流圖預計將在真實值的15%以內(nèi)敌完。

“最有趣的發(fā)現(xiàn)是格陵蘭島南部和北部的強烈對比储耐，”Rezvanbehbahani說”醺龋“我們在南方幾乎沒有什么信息什湘，但我們在冰蓋北部有3到4個核长赞。”我們認為這是一個局部的低熱流區(qū)闽撤，但我們的模型顯示得哆，南方冰蓋的大部分區(qū)域都有低熱流。相比之下哟旗，在北部地區(qū)贩据，我們發(fā)現(xiàn)了大面積的地熱熱流。這并不令人驚訝闸餐，因為我們有一個高讀數(shù)的冰核饱亮。但是空間格局和熱通量是如何分布的，這是一個新的發(fā)現(xiàn)舍沙。這不僅僅是一個高熱流的北部地區(qū)近上，而是一個廣闊的區(qū)域。

調(diào)查人員說拂铡，隨著更多關(guān)于格陵蘭島的信息被編入研究社區(qū)壹无，他們的模型將會更加精確。

斯特恩斯說:“我們對這只是另一種模式——這是我們最好的統(tǒng)計模型——給予了輕微的否認和媳，但我們沒有再現(xiàn)現(xiàn)實格遭。”“在地球科學和冰川學中留瞳，我們看到了公開數(shù)據(jù)的爆炸性增長。機器學習技術(shù)綜合了這些數(shù)據(jù)骚秦，并幫助我們從各種數(shù)據(jù)傳感器中學習變得越來越重要她倘。站在最前沿是令人興奮的。