Gehen Sie Das Problem Des Datenmangels Zum Qinghai-Tibet-Plateau Direkt An! Ein Team Der Zhejiang-Universität Hat Ein Neues GeoAI-Modell Vorgeschlagen, Um Die Verteilung Des Oberflächenwärmeflusses Auf Dem Qinghai-Tibet-Plateau Zu Erklären

In der geowissenschaftlichen Forschung hat der Oberflächenwärmefluss (SHF) als wichtige Darstellung der Freisetzung tiefer Wärmeenergie in der Erde schon immer große Aufmerksamkeit auf sich gezogen.Der Wärmefluss an der Oberfläche ist nicht nur ein „Fenster“ zur Energie, die das Erdinnere antreibt, sondern auch ein wichtiger Parameter, der Aufschluss über die thermische Struktur der Erdkruste, die Thermodynamik des Erdmantels und die Entwicklung geologischer Strukturen gibt.Durch die Untersuchung des Wärmeflusses an der Erdoberfläche können wir ein tieferes Verständnis der thermischen Mechanismen im Inneren der Erde gewinnen und die dynamischen Prozesse hinter geologischen Phänomenen wie Plattensubduktion, Erdmantelauftrieb und Riftausdehnung aufdecken.

Obwohl in den letzten Jahrzehnten große Fortschritte in der Erforschung des Oberflächenwärmeflusses erzielt wurden, gibt es in bestimmten Regionen der Welt noch immer viele ungelöste Rätsel, insbesondere in komplexen tektonischen Zonen wie dem Qinghai-Tibet-Plateau.

Als „dritter Pol“ der Erde ist das Qinghai-Tibet-Plateau mit seinen enormen Unterschieden in der Landform und seinen komplexen Strukturmerkmalen zu einem natürlichen Labor für die Untersuchung der Geodynamik geworden. Seit der Kollision der indischen und eurasischen Platte ist die Region intensiver tektonischer Aktivität ausgesetzt, was zu einer Vielzahl unterschiedlicher geologischer Einheiten und thermischer Anomalien geführt hat. Neuere Studien haben gezeigt, dassDer Oberflächenwärmefluss des Qinghai-Tibet-Plateaus weist eine erhebliche geografische räumliche Heterogenität auf: Hohe Wärmeflusswerte konzentrieren sich in der Yarlung-Zangbo-Nahtzone und der Nord-Süd-Riftzone, während die Wärmeflussverteilung in anderen Gebieten relativ gering ist.Aufgrund der geringen Anzahl an Messpunkten und der begrenzten Abdeckung gibt es jedoch noch immer große technische Engpässe bei der quantitativen Analyse dieses Wärmestromverteilungsgesetzes. Besonders in Gebieten mit zerklüftetem Gelände und geringer Bevölkerungsdichte lassen sich herkömmliche Bohrmessverfahren und Beobachtungsgeräte nur schwer in großem Maßstab durchführen, sodass in diesen Gebieten fast keine Daten zum Oberflächenwärmestrom vorliegen.

Zur Lösung dieses Problems schlug die Fakultät für Geowissenschaften der Zhejiang-Universität eine Methode der räumlichen Intelligenz vor – das gewichtete Regressionsmodell mit geografischen neuronalen Netzwerken und verbesserter Interpretierbarkeit (EI-GNNWR).Diese Methode erfasst die nichtlineare Beziehung des Oberflächenwärmeflusses durch Integration der räumlichen Heterogenitätsmerkmale geophysikalischer und geologischer Daten und bietet einen neuen Forschungsrahmen und technische Unterstützung für ein umfassendes Verständnis der Wärmeflussverteilung und des geodynamischen Mechanismus des Qinghai-Tibet-Plateaus.

Die entsprechende Forschungsarbeit wurde im Journal of Geophysical Research: Solid Earth, einer renommierten Zeitschrift im Bereich der Geowissenschaften, unter dem Titel „The Distribution of Surface Heat Flow on the Tibetan Plateau Revealed by Data‐Driven Methods“ veröffentlicht.

Forschungshighlights:
* Es wird ein datenbasierter Ansatz zur Interpretierbarkeit vorgeschlagen, der geologische Strukturinformationen und geophysikalische Daten vollständig berücksichtigt: das EI-GNNWR-Modell

* Das EI-GNNWR-Modell sagt die Oberflächenwärmeflusskarten von Australien und dem Qinghai-Tibet-Plateau genau voraus. Die Vorhersagegenauigkeit ist deutlich höher als die der vier Hauptmodelle XGBoost, FCNN, OLR und GWR, was den Mangel an Daten zum Oberflächenwärmefluss auf dem Qinghai-Tibet-Plateau effektiv ausgleicht.
* Das EI-GNNWR-Modell zeigt effektiv die Verteilung des Oberflächenwärmeflusses auf dem Qinghai-Tibet-Plateau und seinen Einflussmechanismus

Papieradresse:

https://doi.org/10.1029/2023JB028491

Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:

https://github.com/hyperai/awesome-ai4s

Modelltraining basierend auf den Datensätzen zum tibetischen Plateau und dem globalen Oberflächenwärmefluss

Die Forscher führten den weltweit zusammengestellten Datensatz zum Oberflächenwärmestrom, den NGHF-Datensatz zum Landwärmestrom und den Datensatz zum Oberflächenwärmestrom meines Landes für das Qinghai-Tibet-Plateau zusammen und entfernten die Ozeanmessdaten und alle als „D: Daten nicht für Wärmestromkarte verwendet“ gekennzeichneten Messdaten, um den ursprünglichen Datensatz zu erstellen.

Die Adresse des Oberflächenwärmestrom-Datensatzes für das chinesische Festland lautet:

https://go.hyper.ai/oYfAz

Aufgrund der geringen Anzahl gemessener Datensätze zum Qinghai-Tibet-Plateau konzentrieren sich die vorhandenen Beobachtungen hauptsächlich auf den Rand des Plateaus und unser Verständnis der inneren Bereiche ist begrenzt. Die Forscher erweiterten daher den Datensatz durch die Einbeziehung von Oberflächenwärmestrommessungen der umgebenden Platten.

In dieser Studie wurden 220 Messpunkte für den Oberflächenwärmefluss verwendet, von denen 90% als Trainings- und Validierungsdatensätze für das Modell und 10% als Testdatensätze verwendet wurden.Um die Genauigkeit des Modells zu überprüfen. Um die experimentelle Genauigkeit zu verbessern, setzten die Forscher in den Trainings- und Verifizierungsphasen des Modells eine Kreuzvalidierungstechnologie ein.

Darüber hinaus erfordert die Vorhersage von Oberflächenwärmestromwerten auf dem Qinghai-Tibet-Plateau, wo Daten rar sind, eine Anpassung der Beziehung zwischen diesem Wert und geophysikalischen und geologischen Merkmalen. Zu diesem Zweck wählten die Forscher einige Schlüsselmerkmale im Zusammenhang mit dem Oberflächenwärmefluss aus, wie in der folgenden Tabelle dargestellt.

Basierend auf dem GNNWR-Modell wird die SHAP-Wertberechnungsmethode eingeführt

Die Messdaten zum Oberflächenwärmefluss auf dem Qinghai-Tibet-Plateau sind relativ begrenzt und weisen eine erhebliche räumliche Nichtstationarität auf.Darüber hinaus zeigt die nichtparametrische, lokal gewichtete Streuglättungs-Trendlinie (LOWESS), wie in der Abbildung unten dargestellt, erhebliche Schwankungen zwischen Parametern wie Moho-Tiefe, Topografie, tektonischen Einheiten und Entfernung zu jungen Rissen und Oberflächenwärmefluss, was darauf hindeutet, dass zwischen Oberflächenwärmefluss und geologischen und geophysikalischen Parametern eine komplexe nichtlineare Beziehung besteht.

Zu diesem Zweck übernahmen die Forscher das GNNWR-Modell. Das Modell kombiniert die gewöhnliche lineare Regression (OLR) mit einem neuronalen Netzwerkalgorithmus, um räumliche Nichtstationarität genau zu erfassen und so einen robusten Regressionsrahmen für die Korrelation des Oberflächenwärmeflusses mit geologischen und geophysikalischen Daten zu schaffen.

Um die Interpretierbarkeit des GNNWR-Modells weiter zu verbessern und den Beitrag jeder Variablen zum Oberflächenwärmestromwert genau zu quantifizieren, verwendeten die Forscher die SHAP-Wertberechnungsmethode (SHapley Additive ExPlanations). Mit diesem Ansatz können lokale Interaktionen quantifiziert und einzelnen Merkmalen in einer bestimmten Vorhersage Wichtigkeitswerte zugewiesen werden, wodurch detailliertere und lokal differenziertere Erklärungen bereitgestellt werden.Basierend auf diesem Integrationsansatz schlugen die Forscher ein geographisches neuronales Netzwerk-gewichtetes Regressionsmodell mit verbesserter Interpretierbarkeit (EI-GNNWR) vor.
SHAP-bezogene Tutorial-Adresse:
https://go.hyper.ai/deK6H

Die Vorhersagegenauigkeit des EI-GNNWR-Modells ist deutlich höher als die anderer Modelle.

Um die Wirksamkeit des EI-GNNWR-Modells zu testen, wählten die Forscher die australische Region aus, in der umfangreiche und genaue geothermische Daten zur Validierung vorliegen.

Da die australische Region das Zentrum umfangreicher geothermischer Explorationen mit zahlreichen und relativ genauen Messungen des Oberflächenwärmeflusses ist, stellt sie ein ideales Testgelände für die Wirksamkeit datengesteuerter Ansätze dar. Auf dieser Grundlage führten die Forscher zunächst Modelltests in Australien durch und verglichen die vorhergesagten Ergebnisse der räumlichen Verteilung des Oberflächenwärmeflusses in Australien mit denen von vier verschiedenen Modellen.Bei diesen Modellen handelt es sich um Extreme Gradient Boosting (XGBoost), Fully Connected Neural Network (FCNN), Ordinary Linear Regression (OLR) und Geographically Weighted Regression (GWR).

Die Auswertungsergebnisse sind in der folgenden Abbildung dargestellt. Das EI-GNNWR-Modell schneidet bei der Vorhersageleistung mit einem R²-Wert von 0,823 gut ab, der 36%, 31%, 22% und 4% höher ist als die Modelle XGBoost, FCNN, OLR und GWR. Darüber hinaus beträgt sein normalisierter RMSE nur 0,10, was im Vergleich zu den Modellen XGBoost, FCNN, OLR und GWR eine Reduzierung um 47%, 50%, 44,4% und 23% darstellt. Dieses Modell verbessert sich um 17% im Vergleich zum vorherigen R²-Wert des XGBoost-Modells für die australische Region; Der normalisierte RMSE ist im Vergleich zum zuvor gemeldeten Wert ebenfalls um 55% reduziert.

* Das R² eines Modells ist ein statistischer Indikator zur Bewertung der Modellanpassung. Je höher der R²-Wert, desto besser ist die Modellanpassung und desto besser die Vorhersageleistung.
* RMSE (Root Mean Square Error) ist ein häufig verwendeter Indikator zur Bewertung des Vorhersagefehlers eines Regressionsmodells. Es wird verwendet, um die Lücke zwischen dem Modellvorhersagewert und dem wahren Wert zu messen. Je kleiner der RMSE, desto näher liegt die Modellvorhersage am wahren Wert.

(a) EI-GNNWR-Modell
(b) GWR-Modell
(c) XGBoost-Modell
(d) FCNN-Modell
(e) OLR-Modell
Die Kreise auf der Karte zeigen die Messpunkte an, und die angrenzenden Streudiagramme (f–j) zeigen die Beziehung zwischen den gemessenen Oberflächenwärmestromwerten und den vom Modell vorhergesagten Werten.

Aufdeckung der Verteilung des Oberflächenwärmeflusses auf dem Qinghai-Tibet-Plateau auf der Grundlage von Methoden der räumlichen Intelligenz

Nachdem die Forscher die Wirksamkeit der EI-GNNWR-Methode in Australien validiert hatten, trainierten sie das neue Modell mithilfe von Messpunkten des Oberflächenwärmeflusses auf dem Qinghai-Tibet-Plateau und den umliegenden Gebieten.

Die Forschungsergebnisse zeigen, dass das Modell eine hohe Vorhersagegenauigkeit mit einem R²-Wert von 0,91, einem normalisierten RMSE von 0,07 und einem Fehlerniveau innerhalb von 7% aufweist. Die Forscher erstellten eine Verteilungskarte des Oberflächenwärmeflusses (SHF) des Qinghai-Tibet-Plateaus. Wie in der Abbildung unten gezeigt, beträgt der durchschnittliche Wärmestromwert des Qinghai-Tibet-Plateaus 66,2 mW/m² und liegt damit deutlich über dem weltweiten Durchschnitt von 62,8 mW/m².Da das Qinghai-Tibet-Plateau eine der Regionen mit der intensivsten tektonischen Aktivität weltweit ist, ist der Wärmefluss ungleichmäßig verteilt. Die Gebiete mit hohem Wärmefluss konzentrieren sich hauptsächlich im Süden, Nordosten und Südosten, insbesondere in der Nahtzone Yarlung Zangbo, der nordöstlichen Grenze des Plateaus und im Gebiet Tengchong im Westen von Yunnan.

Um die Determinanten der geothermischen Bildung besser zu verstehen, analysierten die Forscher auch die räumliche Verteilung der SHAP-Werte im EI-GNNWR-Modell (wie in der Abbildung unten dargestellt) und konzentrierten sich dabei auf die Rolle geologischer und geophysikalischer Variablen. Dieser Ansatz identifiziert den spezifischen Beitrag jeder Variablen zur Bildung des Oberflächenwärmeflusses und verdeutlicht die Beziehung zwischen diesen Variablen und der geothermischen Aktivität.

Indem sie sich auf die Wärmeflussmuster im südwestlichen Qinghai-Tibet-Plateau konzentrierten, untersuchten die Forscher die Wechselwirkung geologischer und geophysikalischer Faktoren bei der Erzeugung geothermischer Energie.Am Beispiel des Gebiets zwischen dem Yarlung Zangbo-Fluss und dem Nujiang-Fluss (Gebiet Ⅰ in der Abbildung unten) liegt der prognostizierte Oberflächenwärmestromwert über 90 mW/m². Die SHAP-Werte deuten darauf hin, dass sich die Entfernung vom Grat und die durch die Schwerkraft bedingte mittlere Krümmung positiv auf die Erhöhung des Oberflächenwärmestroms auswirken, was mit dem lokalen Schmelzen und hohen Oberflächenwärmestromwerten im Himalaya-Orogen übereinstimmt. Die mittlere Schwerkraftkrümmung hat einen erheblichen Einfluss auf die Entstehung geothermischer Anomalien, insbesondere in der Schmelzzone orogener Gürtel mit geringer seismischer Geschwindigkeit.

Im Bereich II der Abbildung unten hängen deutlich höhere Oberflächenwärmestromwerte eng mit der Nähe von Bergrücken und der topografischen Komplexität zusammen. Grate in jungen Krustenbereichen beeinflussen die Wärmeflusswerte an der Oberfläche durch den Aufstieg von Mantelmaterial. Gleichzeitig beeinflussen topografische Veränderungen die geothermische Verteilung und Intensität und bilden in der Region ein einzigartiges geothermisches Muster.

Basierend auf GNNWR unterstützt es geowissenschaftliche Anwendungen in mehreren Bereichen

Im Jahr 2020 schlugen Forscher der School of Earth Sciences der Zhejiang University die Geographic Neural Network Weighted Regression (GNNWR) vor, ein Modell zur Behandlung räumlicher Nichtstationarität in verschiedenen Bereichen mit komplexen geografischen Prozessen.Auf der Grundlage dieses Modells haben die Forscher darüber hinaus eine Reihe von Modellen für die Verwendung in der Ozeanographie, Geographie, Atmosphärenwissenschaft, Geologie und anderen Bereichen vorgeschlagen und mehr als 30 diesbezügliche Arbeiten veröffentlicht.
Papieradresse:
https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1707834

GNNWR Open Source-Adresse:

https://github.com/zjuwss/gnnwr

Speziell,Im Bereich der ImmobilienpreisanalyseUm das Problem zu lösen, dass mit abstrakter „räumlicher Nähe“ keine Verlustfunktionen konstruiert werden können und neuronale Netzwerke schwer zu trainieren sind, kombinierten die Forscher OSP zusätzlich mit GNNWR, um das osp-GNNWR-Modell zu konstruieren. Durch die Untersuchung simulierter Datensätze und empirischer Fälle von Immobilienpreisen in Wuhan wurde nachgewiesen, dass das Modell insgesamt eine bessere Leistung aufweist und komplexe räumliche Prozesse und geografische Phänomene genauer beschreiben kann.
Klicken Sie hier, um den ausführlichen Bericht zu lesen: Genaue Vorhersage der Immobilienpreise in Wuhan! Das GIS-Labor der Zhejiang-Universität schlug das osp-GNNWR-Modell vor: Es beschreibt komplexe räumliche Prozesse und geografische Phänomene präzise

Im Bereich der AtmosphärenwissenschaftenDas GNNWR-Modell kann räumlich nichtstationäre Regressionsbeziehungen herstellen, PM2,5-Konzentrationen schätzen und eine hochpräzise und einigermaßen detaillierte PM2,5-Verteilung im ganzen Land liefern. Beispielsweise haben wir durch georäumliche Modellierung herausgefunden, dass die PM2,5-Konzentrationen von Peking bis Lianyungang im Allgemeinen hoch sind, was durch Faktoren wie Windrichtung und Windgeschwindigkeit beeinflusst werden kann. Darüber hinaus können Windschutzstreifen in bestimmten Gebieten die Ausbreitung von PM2,5 hemmen.

Das zugehörige Papier wurde in MDPI unter dem Titel „Satellite-Based Mapping of High-Resolution Ground-Level PM(2.5) with VIIRS IP AOD in China through Spatially Neural Network Weighted Regression“ veröffentlicht.

Papieradresse:
https://www.mdpi.com/2072-4292/13/10/1979

Im Bereich der GeologieInsbesondere bei der Vorhersage der räumlichen Verteilung von Goldminen integriert das GNNWR-Modell räumliche Muster und neuronale Netzwerke und kombiniert es mit Shapleys additiver Interpretationstheorie, wodurch nicht nur die Genauigkeit der Vorhersagen erheblich verbessert werden kann, sondern auch die Interpretierbarkeit von Mineralienvorhersagen in komplexen räumlichen Szenarien verbessert wird.
Klicken Sie hier, um den ausführlichen Bericht anzuzeigen: Besser als fünf fortgeschrittene Modelle, das Team von Du Zhenhong von der Zhejiang-Universität schlug das GNNWLR-Modell vor: Verbesserung der Genauigkeit der Mineralisierungsvorhersage

Im Hinblick auf die Modellierung der marinen ökologischen UmweltDie Forscher schlugen mit ChloroFormer ein neues Deep-Learning-Vorhersagemodell vor, das Fourieranalyse und Transformer-Neuralnetzwerk kombiniert und eine Zeitreihenzerlegungsarchitektur verwendet, um die Genauigkeit der CHL-A-Konzentrationsvorhersage effektiv zu verbessern. Darüber hinaus führten die Forscher Experimente in zwei verschiedenen Küstenforschungsgebieten durch. Die Ergebnisse zeigten, dass das vorgeschlagene Modell nicht nur die anderen sechs Vergleichsmodelle hinsichtlich der Genauigkeit der mehrstufigen Vorhersage übertraf, sondern auch seine relativen Vorteile bei extremen und häufigen Algenblüten beibehielt.
Klicken Sie hier, um den ausführlichen Bericht anzuzeigen: Deep Learning bekämpft die Rote Flutkrise im Meer! Das GIS-Labor der Zhejiang-Universität hat das ChloroFormer-Modell vorgeschlagen, das frühzeitig vor dem Ausbruch von Meeresalgen warnen kann

Das Team hat sich zum Ziel gesetzt, in Zukunft die GIS-Theorie und -Methoden sowie die Technologie intelligenter geowissenschaftlicher Analyseplattformen weiterzuentwickeln und die Entwicklung von GeoAI weiter zu erforschen.

Persönliche Homepage des Leiters des GNNWR-Forschungsteams Wu Sensen und eine kurze Einführung in das räumlich-zeitliche intelligente Regressionsmodell:
https://mypage.zju.edu.cn/wusen