一项研究预测了格陵兰冰盖下地热热流的新细节。
这些是对格陵兰的地热热流预测。从海岸岩心直接GHF测量，从冰芯推断，以及在冰核点周围附加的gaussi -fit GHF数据作为训练样本。预测有三个不同的值。白色虚线区域大致显示了热通量上升的程度，以及格陵兰岛在冰岛羽毛上运动的可能轨迹。
在《地球物理研究快报》上发表的一篇论文，利用机器学习来设计一种改进的模型，以了解地热热流——来自地球内部的热量——在格陵兰冰盖之下。这是一种新的冰河学研究方法，可以更准确地预测冰川的损失和全球海平面的上升。
其中主要的发现:
格陵兰岛在一个相对较大的北部地区有异常高的热通量，从内陆向东部和西部扩散。
格陵兰岛南部的地热热通量相对较低，与北大西洋克拉通(North Atlantic Craton)的程度相对应，后者是地球上现存最古老的大陆地壳之一的稳定部分。研究模型预测略高热流上游的水流湍急的冰川在格陵兰岛,包括雅各布港冰川Isbræcappadocia旅馆,地球上最快的冰川移动。
“来自地球内部热量,导致底部的融化的冰盖,所以非常重要的是要理解的模式,如何分布和热底部的冰盖,“说Soroush Rezvanbehbahani,博士生在堪萨斯大学地质学研究的带头人。“当我们走在潮湿的斜坡上时，我们更容易滑倒。”这和冰的想法是一样的——当冰不结冰的时候，它更有可能滑入海洋。但是我们没有一种简单的方法来测量地热流，除非是在冰原上进行的非常昂贵的野外活动。我们没有进行昂贵的实地调查，而是通过统计方法来实现这一目标。
Rezvanbehbahani和他的同事们采用了机器学习——一种使用统计技术和计算机算法的人工智能——来预测那些通过传统的冰芯获得同样细节的热通量值。
使用所有可用的地质、构造和地热格陵兰热流数据,以及地热热流数据来自世界各地——团队部署一种机器学习方法,预测地热热流值在格陵兰岛冰盖下基于22地质变量如基岩地形、地壳厚度、磁异常,岩石类型和接近特性如战壕,山脊,年轻的裂痕,火山和热点。
“我们有很多数据点从地球——我们知道世界在某些地区的地壳一定厚度、组成的一种特定的岩石和火山位于一个已知的距离,我们利用这些关系,并将它们应用于我们知道格陵兰岛,”合著者利斯登说,KU地质副教授。
研究人员说，他们新的预测模型是对目前没有纳入很多变量的地热热流模型的“肯定改进”。事实上，格陵兰岛的许多数值冰盖模型都认为，格陵兰岛各地的地热热流的均一值是存在的。
“大多数其他的模型实际上只尊重一个特定的数据集，”斯特恩斯说。“他们通过在格陵兰岛的地震信号或磁性数据来观察地热热流，而不是地壳厚度或岩石类型或从一个热点地区的距离。”但我们知道这些都与地热热流有关。我们试着将尽可能多的地质数据集，而不是假设一个是最重要的。
作者发现五个最重要的地质特征预测地热通量值地形,距离年轻的裂痕,距离沟、深度lithosphere-asthenosphere边界(地幔层)和深度Mohorovičić不连续(地壳和地幔之间的边界在地上)。研究人员说，格陵兰岛的地热热流图预计将在真实值的15%以内。
“最有趣的发现是格陵兰岛南部和北部的强烈对比，”Rezvanbehbahani说。“我们在南方几乎没有什么信息，但我们在冰盖北部有3到4个核。”我们认为这是一个局部的低热流区，但我们的模型显示，南方冰盖的大部分区域都有低热流。相比之下，在北部地区，我们发现了大面积的地热热流。这并不令人惊讶，因为我们有一个高读数的冰核。但是空间格局和热通量是如何分布的，这是一个新的发现。这不仅仅是一个高热流的北部地区，而是一个广阔的区域。
调查人员说，随着更多关于格陵兰岛的信息被编入研究社区，他们的模型将会更加精确。
斯特恩斯说:“我们对这只是另一种模式——这是我们最好的统计模型——给予了轻微的否认，但我们没有再现现实。”“在地球科学和冰川学中，我们看到了公开数据的爆炸性增长。机器学习技术综合了这些数据，并帮助我们从各种数据传感器中学习变得越来越重要。站在最前沿是令人兴奋的。
