突破數據瓶頸：浙江大學團隊運用GeoAI模型揭示青藏高原地表熱流奧秘

內含 GNNWR 開源地址

原標題：直擊青藏高原數據匱乏難題！浙江大學團隊提出GeoAI新模型，解釋青藏高原地表熱流分布
文章來源：HyperAI超神經
內容字數：8981字

青藏高原地表熱流的研究進展

浙江大學地球科學學院提出了一種新型的地理神經網絡加權回歸模型（EI-GNNWR），旨在增強對青藏高原地表熱流分布及其地球動力學機制的理解。地表熱流（SHF）作為地球內部熱能釋放的重要指示，一直受到廣泛關注，尤其是在復雜的青藏高原地區，熱流分布的研究仍存在許多未解之謎。

研究背景與必要性

青藏高原被稱為地球的“第三極”，由于其復雜的地質構造和顯著的地貌高差，自板塊與歐亞板塊碰撞以來，該區域經歷了劇烈的構造活動。盡管已有研究發現該地區熱流值存在顯著的不均勻性，但由于測量點稀缺，傳統的觀測方法難以覆蓋廣泛區域，因此急需新的技術手段進行數據補充和解析。

EI-GNNWR模型的優勢

EI-GNNWR模型通過整合地球物理和地質數據的空間異質性特征，能夠捕捉地表熱流的非線性關系，提供了一種全新的研究框架。研究顯示，該模型在青藏高原及澳大利亞地區的熱流預測中，表現出優于傳統模型（如XGBoost、FCNN等）的顯著優勢，預測精度高達R2值0.91，歸一化RMSE僅為0.07。

數據集與模型訓練

研究人員整合了全球及區域的地表熱流數據集，去除了不相關數據，以構建用于訓練的初始數據集。共使用220個測量點進行模型訓練和測試，確保了研究的可靠性和有效性。采用交叉驗證技術，進一步提升了模型的準確性。

青藏高原熱流分布圖與影響因素分析

通過EI-GNNWR模型，研究人員繪制了青藏高原的SHF分布圖，顯示該地區平均熱流值為66.2 mW/m2，高于全球平均值62.8 mW/m2。分析表明，地質和地球物理因素對熱流的分布起著重要作用，特別是在山脊附近和地形復雜的區域，熱流值顯著增加。

未來研究方向

研究團隊計劃繼續探索GIS理論與方法，致力于GeoAI的發展，推動地學智能分析平臺技術的應用，進一步提升對地表熱流及其他地質現象的理解。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例