突破數(shù)據(jù)瓶頸：浙江大學(xué)團隊運用GeoAI新模型揭示青藏高原地表熱流奧秘

內(nèi)含 GNNWR 開源地址

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(jīng)
內(nèi)容字數(shù)：8981字

青藏高原地表熱流研究的重要進展

浙江大學(xué)地球科學(xué)學(xué)院的研究團隊近期提出了一種具有增強可解釋性的地理神經(jīng)網(wǎng)絡(luò)加權(quán)回歸模型（EI-GNNWR），為青藏高原的地表熱流（SHF）分布及其地球動力學(xué)機制的理解提供了新的視角。地表熱流是地球內(nèi)部熱能釋放的重要指標(biāo)，對地殼的熱結(jié)構(gòu)和地質(zhì)構(gòu)造演化具有重要意義。

1. 青藏高原的熱流特征

青藏高原被稱為地球的“第三極”，其復(fù)雜的構(gòu)造和顯著的地貌差異使其成為研究地球動力學(xué)的理想場所。近年來的研究表明，該地區(qū)的地表熱流呈現(xiàn)出明顯的不均勻性，高熱流值主要集中在特定區(qū)域，如雅魯藏布江縫合帶和裂谷帶。盡管已有研究取得了一定進展，但由于測量點稀缺，青藏高原的熱流數(shù)據(jù)仍然相對不足。

2. EI-GNNWR模型的創(chuàng)新

為了解決這一問題，研究團隊開發(fā)了EI-GNNWR模型，通過整合地球物理和地質(zhì)數(shù)據(jù)的空間異質(zhì)性，捕捉地表熱流的非線性關(guān)系。該模型在澳大利亞等地區(qū)的驗證中顯示出優(yōu)越的預(yù)測性能，R2值達到0.823，顯著高于其他四種模型。通過這一方法，研究人員能夠有效揭示青藏高原的地表熱流分布及其影響機制。

3. 數(shù)據(jù)集構(gòu)建與模型訓(xùn)練

研究者們將全球和中國的熱流數(shù)據(jù)集進行了整合，剔除無效數(shù)據(jù)后，形成了新的訓(xùn)練集。使用220個測量點進行模型訓(xùn)練和驗證，其中90%用于訓(xùn)練，10%用于測試。模型訓(xùn)練階段采用了交叉驗證技術(shù)，以提高實驗的準確性。

4. 預(yù)測結(jié)果與影響因素分析

模型預(yù)測結(jié)果表明，青藏高原的平均熱流值為66.2 mW/m2，顯著高于全球平均值。研究還利用SHAP值分析了影響熱流的地質(zhì)和地球物理變量，揭示了其復(fù)雜的非線性關(guān)系，為理解地?zé)嵝纬傻臎Q定因素提供了重要依據(jù)。

5. 未來展望

該研究為青藏高原區(qū)域的熱流研究提供了新的方框架，具有重要的科學(xué)價值和應(yīng)用前景。未來，研究團隊將繼續(xù)探索GeoAI的發(fā)展，并致力于推動相關(guān)領(lǐng)域的進一步研究與應(yīng)用。

聯(lián)系作者

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