معالجة مشكلة نقص البيانات حول هضبة تشينغهاي-التبت بشكل مباشر! اقترح فريق من جامعة تشجيانغ نموذجًا جديدًا للذكاء الاصطناعي الجغرافي لشرح توزيع تدفق الحرارة السطحية على هضبة تشينغهاي-التبت
في أبحاث علوم الأرض، كان تدفق الحرارة السطحية (SHF) دائمًا يجذب الكثير من الاهتمام باعتباره تمثيلًا مهمًا لإطلاق طاقة الحرارة العميقة في الأرض.إن تدفق الحرارة السطحية ليس مجرد "نافذة" على الطاقة التي تحرك باطن الأرض، بل هو أيضًا معلمة رئيسية تكشف عن البنية الحرارية للقشرة، والديناميكا الحرارية للوشاح، وتطور الهياكل الجيولوجية.من خلال دراسة تدفق الحرارة السطحية، يمكننا الحصول على فهم أعمق للآليات الحرارية في باطن الأرض والكشف عن العمليات الديناميكية وراء الظواهر الجيولوجية مثل الاندساس في الصفائح وارتفاع الوشاح وتوسع الصدع.
ورغم التقدم الكبير الذي أحرز في أبحاث تدفق الحرارة السطحية خلال العقود القليلة الماضية، لا تزال هناك العديد من الألغاز التي لم يتم حلها في مناطق معينة حول العالم، وخاصة في المناطق التكتونية المعقدة مثل هضبة تشينغهاي-التبت.
باعتبارها "القطب الثالث" للأرض، أصبحت هضبة تشينغهاي-التبت مختبراً طبيعياً لدراسة الديناميكا الجيولوجية مع اختلافاتها الضخمة في تضاريس الأرض وسماتها البنيوية المعقدة. منذ اصطدام الصفيحة الهندية والصفيحة الأوراسية، شهدت المنطقة نشاطًا تكتونيًا مكثفًا، مما أدى إلى مجموعة متنوعة من الوحدات الجيولوجية والشذوذ الحراري. وقد وجدت الدراسات الحديثة أنيتميز تدفق الحرارة السطحي لهضبة تشينغهاي-التبت بتباين مكاني جغرافي كبير: حيث تتركز قيم تدفق الحرارة العالية في منطقة خياطة يارلونغ زانغبو ومنطقة الصدع بين الشمال والجنوب، في حين أن توزيع تدفق الحرارة في المناطق الأخرى منخفض نسبيًا.ومع ذلك، ونظرا لندرة نقاط القياس والتغطية المحدودة، لا تزال هناك عقبات تقنية كبرى في التحليل الكمي لقانون توزيع تدفق الحرارة هذا. وخاصة في تلك المناطق ذات التضاريس الوعرة وقلة السكان، فإن طرق القياس التقليدية للحفر ومعدات المراقبة يصعب تنفيذها على نطاق واسع، مما يؤدي إلى عدم وجود بيانات لتدفق الحرارة السطحية في هذه المناطق تقريبًا.
ولحل هذه المشكلة، اقترحت كلية علوم الأرض بجامعة تشجيانغ طريقة ذكاء مكاني - نموذج الانحدار المرجح للشبكة العصبية الجغرافية مع القدرة على التفسير المعزز (EI-GNNWR).تلتقط هذه الطريقة العلاقة غير الخطية لتدفق الحرارة السطحية من خلال دمج خصائص التباين المكاني للبيانات الجيوفيزيائية والجيولوجية، مما يوفر إطارًا بحثيًا جديدًا ودعمًا فنيًا لفهم شامل لتوزيع تدفق الحرارة والآلية الجيوديناميكية لهضبة تشينغهاي-التبت.
نُشر البحث ذو الصلة في مجلة الأبحاث الجيوفيزيائية: الأرض الصلبة، وهي مجلة معروفة في مجال علوم الأرض، تحت عنوان "توزيع تدفق الحرارة السطحية على هضبة التبت كما كشفته أساليب تعتمد على البيانات".
أبرز الأبحاث:
* تم اقتراح نهج قائم على البيانات للتفسير يأخذ في الاعتبار بشكل كامل معلومات البنية الجيولوجية والبيانات الجيوفيزيائية: نموذج EI-GNNWR
* يتنبأ نموذج EI-GNNWR بدقة بخرائط تدفق الحرارة السطحية لأستراليا وهضبة تشينغهاي-التبت. إن دقة التنبؤ أعلى بشكل ملحوظ من دقة النماذج الأربعة الرئيسية، XGBoost، وFCNN، وOLR، وGWR، مما يعوض بشكل فعال عن نقص بيانات تدفق الحرارة السطحية في هضبة تشينغهاي-التبت.
* يكشف نموذج EI-GNNWR بشكل فعال عن توزيع تدفق الحرارة السطحية على هضبة تشينغهاي-التبت وآلية تأثيره
عنوان الورقة:
https://doi.org/10.1029/2023JB028491
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
تدريب النموذج استنادًا إلى هضبة تشينغهاي-التبت ومجموعات بيانات تدفق الحرارة السطحية العالمية
قام الباحثون بدمج مجموعة بيانات تدفق الحرارة السطحية المجمعة عالميًا، ومجموعة بيانات تدفق الحرارة الأرضية NGHF، ومجموعة بيانات تدفق الحرارة السطحية لبلدي لهضبة تشينغهاي-التبت، وإزالة بيانات قياس المحيط وجميع بيانات القياس التي تحمل علامة "D: بيانات غير مستخدمة لخريطة تدفق الحرارة" لتشكيل مجموعة البيانات الأولية.
عنوان مجموعة بيانات تدفق الحرارة السطحية للصين القارية هو:
ونظراً لقلة مجموعات البيانات المقاسة على هضبة تشينغهاي-التبت، فإن الملاحظات الحالية تتركز بشكل رئيسي على حافة الهضبة، وفهمنا للمناطق الداخلية محدود. وبناء على ذلك، قام الباحثون بتوسيع مجموعة البيانات من خلال دمج قياسات تدفق الحرارة السطحية من الصفائح المحيطة.
في هذه الدراسة، تم استخدام 220 نقطة لقياس تدفق الحرارة السطحية، منها 90% تم استخدامها كمجموعة بيانات للتدريب والتحقق من صحة النموذج، و10% تم استخدامها كمجموعة بيانات اختبار.للتحقق من دقة النموذج. ومن أجل تحسين دقة التجارب، اعتمد الباحثون تقنية التحقق المتبادل في مراحل تدريب النموذج والتحقق منه.
علاوة على ذلك، فإن التنبؤ بقيم تدفق الحرارة السطحية في هضبة تشينغهاي-التبت، حيث البيانات نادرة، يتطلب ملاءمة العلاقة بين هذه القيمة والخصائص الجيوفيزيائية والجيولوجية. ولتحقيق هذه الغاية، اختار الباحثون بعض السمات الرئيسية المتعلقة بتدفق الحرارة السطحية، كما هو موضح في الجدول أدناه.
بناءً على نموذج GNNWR، تم تقديم طريقة حساب قيمة SHAP
إن بيانات قياس تدفق الحرارة السطحية على هضبة تشينغهاي-التبت محدودة نسبيًا وتظهر عدم ثبات مكاني كبير.وعلاوة على ذلك، وكما هو موضح في الشكل أدناه، يظهر خط اتجاه التنعيم غير المعياري المحلي الموزون (LOWESS) تقلبات كبيرة بين معلمات مثل عمق موهو، والتضاريس، والوحدات التكتونية، والمسافة إلى الشقوق الصغيرة وتدفق الحرارة السطحية، مما يشير إلى وجود علاقة غير خطية معقدة بين تدفق الحرارة السطحية والمعلمات الجيولوجية والجيوفيزيائية.
ولتحقيق هذه الغاية، اعتمد الباحثون نموذج GNNWR. يجمع النموذج بين الانحدار الخطي العادي (OLR) وخوارزمية الشبكة العصبية لالتقاط عدم الثبات المكاني بدقة، وبالتالي إنشاء إطار انحدار قوي لارتباط تدفق الحرارة السطحية بالبيانات الجيولوجية والجيوفيزيائية.
لتحسين إمكانية تفسير نموذج GNNWR بشكل أكبر وتحديد مساهمة كل متغير في قيمة تدفق الحرارة السطحية بدقة، استخدم الباحثون طريقة حساب قيمة SHapley Additive exPlanations (SHAP). باستخدام هذا النهج، يمكن قياس التفاعلات المحلية وتخصيص قيم الأهمية للميزات الفردية في تنبؤ معين، مما يوفر تفسيرات أكثر تفصيلاً ودقة محليًا.وبناءً على نهج التكامل هذا، اقترح الباحثون نموذج الانحدار المرجح للشبكة العصبية الجغرافية مع إمكانية تفسير محسنة (EI-GNNWR).
عنوان البرنامج التعليمي المتعلق بـ SHAP:
https://go.hyper.ai/deK6H
إن دقة التنبؤ لنموذج EI-GNNWR أعلى بكثير من دقة النماذج الأخرى.
لاختبار فعالية نموذج EI-GNNWR، اختار الباحثون المنطقة الأسترالية حيث تتوفر بيانات الطاقة الحرارية الأرضية بشكل مكثف ودقيق للتحقق من صحتها.
وبما أن المنطقة الأسترالية هي مركز الاستكشاف الواسع للطاقة الحرارية الأرضية مع وجود قياسات وفيرة ودقيقة نسبيا لتدفق الحرارة السطحية، فإنها تشكل أرض اختبار مثالية لفعالية الأساليب القائمة على البيانات. وبناءً على ذلك، اختار الباحثون أولاً إجراء اختبار نموذجي في أستراليا ومقارنة النتائج المتوقعة للتوزيع المكاني لتدفق الحرارة السطحية في أستراليا مع نتائج أربعة نماذج مختلفة.تتضمن هذه النماذج نموذج تعزيز التدرج الشديد (XGBoost)، ونموذج الشبكة العصبية المتصلة بالكامل (FCNN)، ونموذج الانحدار الخطي العادي (OLR)، ونموذج الانحدار الموزون جغرافيًا (GWR).
وتظهر نتائج التقييم في الشكل أدناه. أظهر نموذج EI-GNNWR أداءً جيدًا في أداء التنبؤ بقيمة R² تبلغ 0.823، وهي أعلى بمقدار 36% و31% و22% و4% من نماذج XGBoost وFCNN وOLR وGWR على التوالي. بالإضافة إلى ذلك، فإن RMSE الطبيعي الخاص به هو 0.10 فقط، والذي يتم تقليله بمقدار 47%، و50%، و44.4%، و23% مقارنة بنماذج XGBoost، وFCNN، وOLR، وGWR على التوالي. يتحسن هذا النموذج بمقدار 17% مقارنة بقيمة R² السابقة لنموذج XGBoost للمنطقة الأسترالية؛ كما تم تقليل RMSE الطبيعي بمقدار 55% مقارنة بالقيمة المبلغ عنها سابقًا.
* R² للنموذج هو مؤشر إحصائي يستخدم لتقييم مدى ملاءمة النموذج. كلما زاد R²، كان النموذج أكثر ملاءمة وكان أداء التنبؤ أفضل.
* RMSE (خطأ الجذر التربيعي المتوسط) هو مؤشر يستخدم عادة لتقييم خطأ التنبؤ لنموذج الانحدار. يتم استخدامه لقياس الفجوة بين قيمة التنبؤ بالنموذج والقيمة الحقيقية. كلما كان RMSE أصغر، كلما اقتربت توقعات النموذج من القيمة الحقيقية.
(أ) نموذج EI-GNNWR
(ب) نموذج GWR
(ج) نموذج XGBoost
(د) نموذج FCNN
(هـ) نموذج OLR
تشير الدوائر الموجودة على الخريطة إلى نقاط القياس، وتُظهر مخططات التشتت المجاورة (f-j) العلاقة بين قيم تدفق الحرارة السطحية المقاسة والقيم المتوقعة للنموذج.
الكشف عن توزيع تدفق الحرارة السطحية على هضبة تشينغهاي-التبت استنادًا إلى أساليب الذكاء المكاني
بعد التحقق من فعالية طريقة EI-GNNWR في أستراليا، قام الباحثون بتدريب النموذج الجديد باستخدام نقاط قياس تدفق الحرارة السطحية من هضبة تشينغهاي-التبت والمناطق المحيطة بها.
وتظهر نتائج البحث أن النموذج يتمتع بدقة تنبؤ عالية، مع قيمة R² تبلغ 0.91، وRMSE الموحد 0.07، ومستوى خطأ ضمن 7%. قام الباحثون بإعداد خريطة توزيع تدفق الحرارة السطحية (SHF) لهضبة تشينغهاي-التبت. كما هو موضح في الشكل أدناه، فإن متوسط قيمة تدفق الحرارة في هضبة تشينغهاي-التبت هو 66.2 ميغاواط/م²، وهو أعلى بكثير من المتوسط العالمي البالغ 62.8 ميغاواط/م².وباعتبارها واحدة من المناطق ذات النشاط التكتوني الأكثر كثافة في العالم، فإن تدفق الحرارة في هضبة تشينغهاي-التبت غير موزع بشكل متساوٍ. وتتركز مناطق تدفق الحرارة العالية بشكل رئيسي في الجنوب والشمال الشرقي والجنوب الشرقي، وخاصة في منطقة خياطة يارلونغ زانغبو، والحدود الشمالية الشرقية للهضبة ومنطقة تينغتشونغ في غرب يوننان.
لفهم محددات تكوين الطاقة الحرارية الأرضية بشكل أفضل، قام الباحثون أيضًا بتحليل التوزيع المكاني لقيم SHAP في نموذج EI-GNNWR (كما هو موضح في الشكل أدناه)، مع التركيز على دور المتغيرات الجيولوجية والجيوفيزيائية. يعمل هذا النهج على تحديد المساهمة المحددة لكل متغير في تشكيل تدفق الحرارة السطحية ويوضح العلاقة بين هذه المتغيرات والنشاط الحراري الأرضي.
من خلال التركيز على أنماط تدفق الحرارة في هضبة تشينغهاي-التبت الجنوبية الغربية، استكشف الباحثون التفاعل بين العوامل الجيولوجية والجيوفيزيائية في تشكيل توليد الطاقة الحرارية الأرضية.إذا أخذنا المنطقة الواقعة بين نهر يارلونغ زانغبو ونهر نوجيانغ كمثال (المنطقة Ⅰ في الشكل أدناه)، فإن قيمة تدفق الحرارة السطحية المتوقعة تتجاوز 90 ميغاواط/م². تشير قيم SHAP إلى أن المسافة من التلال وانحناء متوسط الجاذبية لها تأثير إيجابي على زيادة تدفق الحرارة السطحية، وهو ما يتوافق مع الذوبان المحلي وقيم تدفق الحرارة السطحية العالية في أوروجين الهيمالايا. يؤثر انحناء الجاذبية المتوسط بشكل كبير على تكوين الشذوذات الحرارية الأرضية، وخاصة في منطقة ذوبان الأحزمة الأوروجينية ذات السرعة الزلزالية المنخفضة.
في المنطقة الثانية من الشكل أدناه، ترتبط قيم تدفق الحرارة السطحية الأعلى بشكل كبير بقرب التلال والتعقيد الطبوغرافي. تؤثر التلال في المناطق القشرية الحديثة على قيم تدفق الحرارة السطحية من خلال ارتفاع مادة الوشاح. وفي الوقت نفسه، تؤثر التغيرات الطبوغرافية على توزيع الطاقة الحرارية الأرضية وكثافتها، مما يشكل نمطًا حراريًا أرضيًا فريدًا في المنطقة.
استنادًا إلى GNNWR، فإنه يساعد تطبيقات علوم الأرض متعددة المجالات
في عام 2020، اقترح باحثون من كلية علوم الأرض بجامعة تشجيانغ نموذج الانحدار المرجح للشبكة العصبية الجغرافية (GNNWR)، وهو نموذج لمعالجة عدم الثبات المكاني في مجالات مختلفة ذات عمليات جغرافية معقدة.وبناءً على هذا النموذج، اقترح الباحثون سلسلة من النماذج لاستخدامها في علم المحيطات، والجغرافيا، وعلوم الغلاف الجوي، والجيولوجيا وغيرها من المجالات، ونشروا أكثر من 30 بحثًا ذات صلة.
عنوان الورقة:
https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1707834
عنوان GNNWR مفتوح المصدر:
https://github.com/zjuwss/gnnwr
خاصة،في مجال تحليل أسعار المساكن،ولحل مشكلة عدم قدرة "القرب المكاني" المجرد على إنشاء وظائف الخسارة وصعوبة تدريب الشبكات العصبية، قام الباحثون بدمج OSP مع GNNWR لبناء نموذج osp-GNNWR. ومن خلال دراسة مجموعات البيانات المحاكاة والحالات التجريبية لأسعار المساكن في ووهان، ثبت أن النموذج يتمتع بأداء عالمي أفضل ويمكنه وصف العمليات المكانية المعقدة والظواهر الجغرافية بدقة أكبر.
انقر لقراءة التقرير المفصل: التنبؤ الدقيق بأسعار المساكن في ووهان! اقترح مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ نموذج osp-GNNWR: وصف دقيق للعمليات المكانية المعقدة والظواهر الجغرافية
في مجال علوم الغلاف الجوي،نموذج GNNWR قادر على إنشاء علاقات انحدار غير ثابتة مكانيًا، وتقدير تركيزات PM2.5، وتوفير توزيع PM2.5 عالي الدقة ومفصل بشكل معقول في جميع أنحاء البلاد. على سبيل المثال، من خلال النمذجة الجغرافية المكانية، وجدنا أن تركيزات PM2.5 مرتفعة بشكل عام من بكين إلى ليانيونقانغ، وهو ما قد يتأثر بعوامل مثل اتجاه الرياح وسرعتها. وبالإضافة إلى ذلك، قد تعمل أحزمة الحماية في مناطق محددة على منع انتشار الجسيمات PM2.5.
نُشرت الورقة ذات الصلة في MDPI تحت عنوان "رسم خرائط عالية الدقة على مستوى الأرض باستخدام الأقمار الصناعية لـ PM(2.5) باستخدام VIIRS IP AOD في الصين من خلال الانحدار المرجح بالشبكة العصبية المكانية".
عنوان الورقة:
https://www.mdpi.com/2072-4292/13/10/1979
في مجال الجيولوجيا،وخاصة في التنبؤ بالتوزيع المكاني لمناجم الذهب، يدمج نموذج GNNWR الأنماط المكانية والشبكات العصبية، ويتحد مع نظرية التفسير الإضافي لشابلي، والتي لا يمكنها فقط تحسين دقة التنبؤات بشكل كبير، بل تعمل أيضًا على تحسين قابلية تفسير التنبؤات المعدنية في السيناريوهات المكانية المعقدة.
انقر لعرض تقرير مفصل: أفضل من خمسة نماذج متقدمة، اقترح فريق Du Zhenhong بجامعة تشجيانغ نموذج GNNWLR: تحسين دقة التنبؤ بالتعدين
من حيث نمذجة البيئة الإيكولوجية البحرية،واقترح الباحثون نموذجًا جديدًا للتنبؤ بالتعلم العميق، وهو ChloroFormer، والذي يجمع بين تحليل فورييه وشبكة المحولات العصبية ويتبنى بنية تحلل السلاسل الزمنية لتحسين دقة التنبؤ بتركيز CHL-A بشكل فعال. بالإضافة إلى ذلك، أجرى الباحثون تجارب في منطقتين بحثيتين ساحليتين مختلفتين. وأظهرت النتائج أن النموذج المقترح لم يتفوق على نماذج المقارنة الستة الأخرى في دقة التنبؤ متعدد الخطوات فحسب، بل حافظ أيضًا على مزاياه النسبية في ظل ازدهار الطحالب الشديد والمتكرر.
انقر هنا لمشاهدة تقرير مفصل: التعلم العميق يحارب أزمة المد الأحمر البحري! اقترح مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ نموذج ChloroFormer، الذي يمكنه توفير إنذار مبكر لانتشار الطحالب البحرية
وفي المستقبل، يلتزم الفريق بتطوير نظرية وأساليب نظم المعلومات الجغرافية بشكل كامل، وتكنولوجيا منصة التحليل الذكي الجيولوجي، ومواصلة استكشاف تطوير GeoAI.
الصفحة الشخصية لـ Wu Sensen، قائد فريق البحث في GNNWR، ومقدمة موجزة عن نموذج الانحدار الذكي المكاني الزمني:
https://mypage.zju.edu.cn/wusen