突破數(shù)據(jù)瓶頸：浙江大學(xué)團(tuán)隊(duì)運(yùn)用GeoAI模型揭示青藏高原地表熱流奧秘

內(nèi)含 GNNWR 開(kāi)源地址

原標(biāo)題：直擊青藏高原數(shù)據(jù)匱乏難題！浙江大學(xué)團(tuán)隊(duì)提出GeoAI新模型，解釋青藏高原地表熱流分布
文章來(lái)源：HyperAI超神經(jīng)
內(nèi)容字?jǐn)?shù)：8981字

青藏高原地表熱流的研究進(jìn)展

浙江大學(xué)地球科學(xué)學(xué)院提出了一種新型的地理神經(jīng)網(wǎng)絡(luò)加權(quán)回歸模型（EI-GNNWR），旨在增強(qiáng)對(duì)青藏高原地表熱流分布及其地球動(dòng)力學(xué)機(jī)制的理解。地表熱流（SHF）作為地球內(nèi)部熱能釋放的重要指示，一直受到廣泛關(guān)注，尤其是在復(fù)雜的青藏高原地區(qū)，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(fù)雜的地質(zhì)構(gòu)造和顯著的地貌高差，自板塊與歐亞板塊碰撞以來(lái)，該區(qū)域經(jīng)歷了劇烈的構(gòu)造活動(dòng)。盡管已有研究發(fā)現(xiàn)該地區(qū)熱流值存在顯著的不均勻性，但由于測(cè)量點(diǎn)稀缺，傳統(tǒng)的觀測(cè)方法難以覆蓋廣泛區(qū)域，因此急需新的技術(shù)手段進(jìn)行數(shù)據(jù)補(bǔ)充和解析。

EI-GNNWR模型的優(yōu)勢(shì)

EI-GNNWR模型通過(guò)整合地球物理和地質(zhì)數(shù)據(jù)的空間異質(zhì)性特征，能夠捕捉地表熱流的非線性關(guān)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(qū)的熱流預(yù)測(cè)中，表現(xiàn)出優(yōu)于傳統(tǒng)模型（如XGBoost、FCNN等）的顯著優(yōu)勢(shì)，預(yù)測(cè)精度高達(dá)R2值0.91，歸一化RMSE僅為0.07。

數(shù)據(jù)集與模型訓(xùn)練

研究人員整合了全球及區(qū)域的地表熱流數(shù)據(jù)集，去除了不相關(guān)數(shù)據(jù)，以構(gòu)建用于訓(xùn)練的初始數(shù)據(jù)集。共使用220個(gè)測(cè)量點(diǎn)進(jìn)行模型訓(xùn)練和測(cè)試，確保了研究的可靠性和有效性。采用交叉驗(yàn)證技術(shù)，進(jìn)一步提升了模型的準(zhǔn)確性。

青藏高原熱流分布圖與影響因素分析

通過(guò)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(qū)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(zhì)和地球物理因素對(duì)熱流的分布起著重要作用，特別是在山脊附近和地形復(fù)雜的區(qū)域，熱流值顯著增加。

未來(lái)研究方向

研究團(tuán)隊(duì)計(jì)劃繼續(xù)探索GIS理論與方法，致力于GeoAI的發(fā)展，推動(dòng)地學(xué)智能分析平臺(tái)技術(shù)的應(yīng)用，進(jìn)一步提升對(duì)地表熱流及其他地質(zhì)現(xiàn)象的理解。

聯(lián)系作者

文章來(lái)源：HyperAI超神經(jīng)
作者微信：
作者簡(jiǎn)介：解構(gòu)技術(shù)先進(jìn)性與普適性，報(bào)道更前沿的 AIforScience 案例