基于深度神经网络的南极洲大地热流预测
初东方1
范晓鹏1
李静1
白利舸2
王卓3
郭井学4
1.地球信息探测仪器教育部重点实验室(吉林大学),长春 130026;吉林大学地球探测科学与技术学院,长春 1300262.地球信息探测仪器教育部重点实验室(吉林大学),长春 1300263.斯德哥尔摩大学塔法拉研究站,斯德哥尔摩SE-106914.中国极地研究中心,上海 200136
摘要：南极冰盖对全球气候系统的调控作用愈发显著,其中大地热流(GHF)作为基底热状态的关键指标,了解其分布特征对研究动力学演化具有重要意义.南极洲GHF测量受限于极寒地质条件与高昂钻孔成本,已知的热流点仅有 52个.基于地质与地球物理数据估计的热流分布存在较大不确定性,无法解释基底的非线性传热过程.深度学习算法可以捕捉热流与不同数据特征的耦合关系,对稀疏数据的插值重构具有较高的预测精度.本研究构建了一种深度神经网络(DNN)与高维不确定性量化框架,用于预测南极洲GHF分布.通过将 4000多个全球热流观测点及 22类地质与地球物理特征参数(地壳厚度、重磁异常、莫霍面等)作为训练数据,对澳大利亚与南极已知热流点进行了测试对比.不确定性量化方法通过相关性、灵敏度和主成分分析重组训练集,结合DNN模型评估南极洲最佳热流分布.预测结果显示南极洲热流范围为 24～103mW/m2,平均值为 60.1mW/m2,与已知热流误差为 10.05%,其中甘布尔采夫冰下山脉表现出显著高热流异常(50～74mW/m2).通过不确定量化结果证实甘布尔采夫冰下山脉的高预测热流具有较高置信度.该模型解译了南极地壳热结构的空间异质性特征,预测结果可用于南极尺度的冰盖动力学或热力学模拟,为冰盖运动、冰下湖分布等研究提供了可靠的数据支持.
关键词：深度神经网络大地热流南极洲不确定性量化
分类号：P631(天文学、地球科学)P314(大地（岩石界）物理学（固体地球物理学）)
论文发表日期：2026-03-31
在线出版日期：2025-11-07（本平台首次上网日期，不代表文献的发表时间）
页数：14( 177-190 )
英文信息