突破数据瓶颈：浙江大学团队运用GeoAI新模型揭示青藏高原地表热流奥秘

内含 GNNWR 开源地址

原标题：直击青藏高原数据匮乏难题！浙江大学团队提出GeoAI新模型，解释青藏高原地表热流分布
文章来源：HyperAI超神经
内容字数：8981字

青藏高原地表热流研究的重要进展

浙江大学地球科学学院的研究团队近期提出了一种具有增强可解释性的地理神经网络加权回归模型（EI-GNNWR），为青藏高原的地表热流（SHF）分布及其地球动力学机制的理解提供了新的视角。地表热流是地球内部热能释放的重要指标，对地壳的热结构和地质构造演化具有重要意义。

1. 青藏高原的热流特征

青藏高原被称为地球的“第三极”，其复杂的构造和显著的地貌差异使其成为研究地球动力学的理想场所。近年来的研究表明，该地区的地表热流呈现出明显的不均匀性，高热流值主要集中在特定区域，如雅鲁藏布江缝合带和裂谷带。尽管已有研究取得了一定进展，但由于测量点稀缺，青藏高原的热流数据仍然相对不足。

2. EI-GNNWR模型的创新

为了解决这一问题，研究团队开发了EI-GNNWR模型，通过整合地球物理和地质数据的空间异质性，捕捉地表热流的非线性关系。该模型在澳大利亚等地区的验证中显示出优越的预测性能，R²值达到0.823，显著高于其他四种模型。通过这一方法，研究人员能够有效揭示青藏高原的地表热流分布及其影响机制。

3. 数据集构建与模型训练

研究者们将全球和中国的热流数据集进行了整合，剔除无效数据后，形成了新的训练集。使用220个测量点进行模型训练和验证，其中90%用于训练，10%用于测试。模型训练阶段采用了交叉验证技术，以提高实验的准确性。

4. 预测结果与影响因素分析

模型预测结果表明，青藏高原的平均热流值为66.2 mW/m²，显著高于全球平均值。研究还利用SHAP值分析了影响热流的地质和地球物理变量，揭示了其复杂的非线性关系，为理解地热形成的决定因素提供了重要依据。

5. 未来展望

该研究为青藏高原区域的热流研究提供了新的方框架，具有重要的科学价值和应用前景。未来，研究团队将继续探索GeoAI的发展，并致力于推动相关领域的进一步研究与应用。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例