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

青藏高原地表熱流研究的重要進展

浙江大學地球科學學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網絡加權回歸模型（EI-GNNWR），為青藏高原的地表熱流（SHF）分布及其地球動力學機制的理解提供了新的視角。地表熱流是地球內部熱能釋放的重要指標，對地殼的熱結構和地質構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”，其復雜的構造和顯著的地貌差異使其成為研究地球動力學的理想場所。近年來的研究表明，該地區的地表熱流呈現出明顯的不均勻性，高熱流值主要集中在特定區域，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，青藏高原的熱流數據仍然相對不足。

2. EI-GNNWR模型的創新

為了解決這一問題，研究團隊開發了EI-GNNWR模型，通過整合地球物理和地質數據的空間異質性，捕捉地表熱流的非線性關系。該模型在澳大利亞等地區的驗證中顯示出優越的預測性能，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. 數據集構建與模型訓練

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

4. 預測結果與影響因素分析

模型預測結果表明，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和地球物理變量，揭示了其復雜的非線性關系，為理解地熱形成的決定因素提供了重要依據。

5. 未來展望

該研究為青藏高原區域的熱流研究提供了新的方框架，具有重要的科學價值和應用前景。未來，研究團隊將繼續探索GeoAI的發展，并致力于推動相關領域的進一步研究與應用。

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