Abordons Directement Le Problème Du Manque De Données Sur Le Plateau Qinghai-Tibet ! Une Équipe De L'université Du Zhejiang a Proposé Un Nouveau Modèle GeoAI Pour Expliquer La Distribution Du Flux De Chaleur De Surface Sur Le Plateau Qinghai-Tibet
Dans la recherche en sciences de la Terre, le flux de chaleur de surface (SHF) a toujours attiré beaucoup d’attention en tant que représentation importante de la libération d’énergie thermique profonde dans la Terre.Le flux de chaleur de surface n’est pas seulement une « fenêtre » sur l’énergie qui anime l’intérieur de la Terre, mais aussi un paramètre clé qui révèle la structure thermique de la croûte, la thermodynamique du manteau et l’évolution des structures géologiques.Grâce à l’étude du flux de chaleur de surface, nous pouvons acquérir une compréhension plus approfondie des mécanismes thermiques à l’intérieur de la Terre et révéler les processus dynamiques à l’origine de phénomènes géologiques tels que la subduction des plaques, la remontée du manteau et l’expansion des rifts.
Bien que de nombreux progrès aient été réalisés dans la recherche sur les flux de chaleur de surface au cours des dernières décennies, de nombreux mystères restent encore non résolus dans certaines régions du monde, en particulier dans des zones tectoniques complexes telles que le plateau Qinghai-Tibet.
En tant que « troisième pôle » de la Terre, le plateau Qinghai-Tibet est devenu un laboratoire naturel pour l’étude de la géodynamique avec ses énormes différences de relief et ses caractéristiques structurelles complexes. Depuis la collision des plaques indienne et eurasienne, la région a connu une intense activité tectonique, entraînant une diversité d'unités géologiques et d'anomalies thermiques. Des études récentes ont montré queLe flux de chaleur de surface du plateau Qinghai-Tibet présente une hétérogénéité spatiale géographique importante : les valeurs élevées de flux de chaleur sont concentrées dans la zone de suture de Yarlung Zangbo et la zone de rift nord-sud, tandis que la distribution du flux de chaleur dans d'autres zones est relativement faible.Cependant, en raison de la rareté des points de mesure et de la couverture limitée, il existe encore des goulots d'étranglement techniques majeurs dans l'analyse quantitative de cette loi de distribution du flux de chaleur. En particulier dans les zones au terrain accidenté et peu peuplées, les méthodes de mesure de forage traditionnelles et les équipements d'observation sont difficiles à mettre en œuvre à grande échelle, ce qui entraîne une absence quasi totale de données sur le flux de chaleur de surface dans ces zones.
Pour résoudre ce problème, l'École des sciences de la Terre de l'Université du Zhejiang a proposé une méthode d'intelligence spatiale : le modèle de régression pondérée du réseau neuronal géographique avec interprétabilité améliorée (EI-GNNWR).Cette méthode capture la relation non linéaire du flux de chaleur de surface en intégrant les caractéristiques d'hétérogénéité spatiale des données géophysiques et géologiques, fournissant un nouveau cadre de recherche et un support technique pour une compréhension globale de la distribution du flux de chaleur et du mécanisme géodynamique du plateau Qinghai-Tibet.
La recherche connexe a été publiée dans le Journal of Geophysical Research: Solid Earth, une revue bien connue dans le domaine des sciences de la Terre, sous le titre « La distribution du flux de chaleur de surface sur le plateau tibétain révélée par des méthodes basées sur les données ».
Points saillants de la recherche :
* Une approche d'interprétabilité basée sur les données qui prend pleinement en compte les informations sur la structure géologique et les données géophysiques est proposée : le modèle EI-GNNWR
* Le modèle EI-GNNWR prédit avec précision les cartes de flux de chaleur de surface de l’Australie et du plateau Qinghai-Tibet. La précision des prévisions est nettement supérieure à celle des quatre principaux modèles, XGBoost, FCNN, OLR et GWR, ce qui compense efficacement le manque de données sur le flux de chaleur de surface sur le plateau Qinghai-Tibet.
* Le modèle EI-GNNWR révèle efficacement la distribution du flux de chaleur de surface sur le plateau Qinghai-Tibet et son mécanisme d'influence
Adresse du document :
https://doi.org/10.1029/2023JB028491
Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s
Formation du modèle basée sur les ensembles de données du plateau tibétain et du flux de chaleur de surface mondial
Les chercheurs ont fusionné l'ensemble de données sur les flux de chaleur de surface compilé à l'échelle mondiale, l'ensemble de données sur les flux de chaleur terrestres NGHF et l'ensemble de données sur les flux de chaleur de surface de mon pays pour le plateau Qinghai-Tibet, et ont supprimé les données de mesure océaniques et toutes les données de mesure marquées comme « D : Données non utilisées pour la carte des flux de chaleur » pour former l'ensemble de données initial.
L'adresse de l'ensemble de données sur le flux de chaleur de surface pour la Chine continentale est :
En raison du petit nombre d’ensembles de données mesurées sur le plateau Qinghai-Tibet, les observations existantes sont principalement concentrées sur le bord du plateau et notre compréhension des zones internes est limitée. Les chercheurs ont donc augmenté l’ensemble de données en incorporant des mesures de flux de chaleur de surface provenant des plaques environnantes.
Dans cette étude, 220 points de mesure du flux thermique de surface ont été utilisés, dont 90% ont été utilisés comme ensembles de données d'entraînement et de validation pour le modèle, et 10% ont été utilisés comme ensembles de données de test.Pour vérifier l'exactitude du modèle. Afin d’améliorer la précision expérimentale, les chercheurs ont adopté une technologie de validation croisée dans les étapes de formation et de vérification du modèle.
De plus, la prédiction des valeurs du flux de chaleur de surface sur le plateau Qinghai-Tibet, où les données sont rares, nécessite d'ajuster la relation entre cette valeur et les caractéristiques géophysiques et géologiques. À cette fin, les chercheurs ont sélectionné certaines caractéristiques clés liées au flux de chaleur de surface, comme indiqué dans le tableau ci-dessous.
Sur la base du modèle GNNWR, la méthode de calcul de la valeur SHAP est introduite
Les données de mesure du flux de chaleur de surface sur le plateau Qinghai-Tibet sont relativement limitées et montrent une non-stationnarité spatiale importante.De plus, comme le montre la figure ci-dessous, la ligne de tendance du lissage de dispersion localement pondéré non paramétrique (LOWESS) montre des fluctuations importantes entre des paramètres tels que la profondeur du Moho, la topographie, les unités tectoniques et la distance aux jeunes rifts et au flux de chaleur de surface, indiquant qu'il existe une relation non linéaire complexe entre le flux de chaleur de surface et les paramètres géologiques et géophysiques.
À cette fin, les chercheurs ont adopté le modèle GNNWR. Le modèle combine la régression linéaire ordinaire (OLR) avec un algorithme de réseau neuronal pour capturer avec précision la non-stationnarité spatiale, établissant ainsi un cadre de régression robuste pour la corrélation du flux de chaleur de surface avec les données géologiques et géophysiques.
Pour améliorer davantage l'interprétabilité du modèle GNNWR et quantifier avec précision la contribution de chaque variable à la valeur du flux de chaleur de surface, les chercheurs ont utilisé la méthode de calcul de la valeur SHAP (SHapley Additive ExPlanations). Avec cette approche, les interactions locales peuvent être quantifiées et des valeurs d’importance attribuées à des caractéristiques individuelles dans une prédiction particulière, fournissant des explications plus détaillées et localement nuancées.Sur la base de cette approche d’intégration, les chercheurs ont proposé un modèle de régression pondéré par réseau neuronal géographique avec une interprétabilité améliorée (EI-GNNWR).
Adresse du tutoriel lié à SHAP :
https://go.hyper.ai/deK6H
La précision de prédiction du modèle EI-GNNWR est nettement supérieure à celle des autres modèles.
Pour tester l’efficacité du modèle EI-GNNWR, les chercheurs ont sélectionné la région australienne où les données géothermiques sont vastes et précises pour la validation.
La région australienne étant le centre d’une vaste exploration géothermique avec des mesures de flux de chaleur de surface abondantes et relativement précises, elle constitue un terrain d’essai idéal pour l’efficacité des approches basées sur les données. Sur cette base, les chercheurs ont d’abord choisi de réaliser des tests de modèles en Australie et ont comparé les résultats prévus de la distribution spatiale du flux de chaleur de surface en Australie avec ceux de quatre modèles différents.Ces modèles sont les modèles Extreme Gradient Boosting (XGBoost), Fully Connected Neural Network (FCNN), Ordinary Linear Regression (OLR) et Geographically Weighted Regression (GWR).
Les résultats de l’évaluation sont présentés dans la figure ci-dessous. Le modèle EI-GNNWR obtient de bons résultats en termes de prédiction avec une valeur R² de 0,823, soit 36%, 31%, 22% et 4% de plus que les modèles XGBoost, FCNN, OLR et GWR respectivement. De plus, son RMSE normalisé n'est que de 0,10, ce qui est réduit de 47%, 50%, 44,4% et 23% par rapport aux modèles XGBoost, FCNN, OLR et GWR respectivement. Ce modèle s'améliore de 17% par rapport à la valeur R² précédente du modèle XGBoost pour la région australienne ; le RMSE normalisé est également réduit de 55% par rapport à la valeur précédemment rapportée.
* Le R² d’un modèle est un indicateur statistique utilisé pour évaluer l’ajustement du modèle. Plus le R² est élevé, meilleur est l'ajustement du modèle et meilleures sont les performances de prédiction.
* RMSE (root mean square error) est un indicateur couramment utilisé pour évaluer l'erreur de prédiction d'un modèle de régression. Il est utilisé pour mesurer l’écart entre la valeur de prédiction du modèle et la valeur réelle. Plus le RMSE est petit, plus la prédiction du modèle est proche de la valeur réelle.
(a) Modèle EI-GNNWR
(b) Modèle GWR
(c) Modèle XGBoost
(d) Modèle FCNN
(e) Modèle OLR
Les cercles sur la carte indiquent les points de mesure et les nuages de points adjacents (f–j) montrent la relation entre les valeurs mesurées du flux de chaleur de surface et les valeurs prédites par le modèle.
Révélation de la distribution du flux de chaleur de surface sur le plateau Qinghai-Tibet basée sur des méthodes d'intelligence spatiale
Après avoir validé l’efficacité de la méthode EI-GNNWR en Australie, les chercheurs ont formé le nouveau modèle en utilisant des points de mesure du flux de chaleur de surface du plateau Qinghai-Tibet et des zones environnantes.
Les résultats de la recherche montrent que le modèle présente une précision de prédiction élevée, avec une valeur R² de 0,91, un RMSE normalisé de 0,07 et un niveau d'erreur compris entre 7%. Les chercheurs ont produit une carte de distribution du flux de chaleur de surface (SHF) du plateau Qinghai-Tibet. Comme le montre la figure ci-dessous, la valeur moyenne du flux de chaleur du plateau Qinghai-Tibet est de 66,2 mW/m², ce qui est nettement supérieur à la moyenne mondiale de 62,8 mW/m².Le plateau Qinghai-Tibet étant l’une des régions connaissant l’activité tectonique la plus intense au monde, le flux de chaleur y est inégalement réparti. Les zones de flux de chaleur élevé sont principalement concentrées dans le sud, le nord-est et le sud-est, en particulier dans la zone de suture de Yarlung Zangbo, la limite nord-est du plateau et la région de Tengchong dans l'ouest du Yunnan.
Pour mieux comprendre les déterminants de la formation géothermique, les chercheurs ont également analysé la distribution spatiale des valeurs SHAP dans le modèle EI-GNNWR (comme le montre la figure ci-dessous), en se concentrant sur le rôle des variables géologiques et géophysiques. Cette approche identifie la contribution spécifique de chaque variable à la formation du flux de chaleur de surface et clarifie la relation entre ces variables et l’activité géothermique.
En se concentrant sur les modèles de flux de chaleur dans le sud-ouest du plateau Qinghai-Tibet, les chercheurs ont exploré l’interaction des facteurs géologiques et géophysiques dans la formation de la production d’énergie géothermique.En prenant comme exemple la zone située entre la rivière Yarlung Zangbo et la rivière Nujiang (zone Ⅰ dans la figure ci-dessous), la valeur prévue du flux de chaleur de surface dépasse 90 mW/m². Les valeurs SHAP indiquent que la distance de la crête et la courbure moyenne de la gravité ont un effet positif sur l'augmentation du flux de chaleur de surface, ce qui est cohérent avec la fusion locale et les valeurs élevées de flux de chaleur de surface dans l'orogène himalayen. La courbure moyenne de la gravité a un impact significatif sur la formation d'anomalies géothermiques, en particulier dans la zone de fusion des ceintures orogéniques à faible vitesse sismique.
Dans la zone II de la figure ci-dessous, des valeurs de flux de chaleur de surface significativement plus élevées sont étroitement liées à la proximité des crêtes et à la complexité topographique. Les crêtes dans les jeunes zones crustales affectent les valeurs du flux de chaleur de surface par la montée du matériau du manteau. Dans le même temps, les changements topographiques façonnent la distribution et l’intensité géothermiques, formant un modèle géothermique unique dans la région.
Basé sur GNNWR, il aide les applications géoscientifiques multi-domaines
En 2020, des chercheurs de l'École des sciences de la Terre de l'Université du Zhejiang ont proposé la régression pondérée du réseau neuronal géographique (GNNWR), un modèle permettant de traiter la non-stationnarité spatiale dans divers domaines avec des processus géographiques complexes.Sur la base de ce modèle, les chercheurs ont proposé une série de modèles à utiliser en océanographie, en géographie, en sciences atmosphériques, en géologie et dans d’autres domaines, et ont publié plus de 30 articles connexes.
Adresse du document :
https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1707834
Adresse open source du GNNWR :
https://github.com/zjuwss/gnnwr
Spécifiquement,Dans le domaine de l’analyse des prix de l’immobilier,Pour résoudre le problème selon lequel la « proximité spatiale » abstraite ne peut pas construire de fonctions de perte et les réseaux neuronaux sont difficiles à former, les chercheurs ont en outre combiné OSP avec GNNWR pour construire le modèle osp-GNNWR. Grâce à l’étude d’ensembles de données simulées et de cas empiriques de prix de l’immobilier à Wuhan, le modèle s’avère avoir de meilleures performances globales et peut décrire plus précisément des processus spatiaux complexes et des phénomènes géographiques.
Cliquez pour lire le rapport détaillé : Prévision précise des prix de l'immobilier à Wuhan ! Le laboratoire SIG de l'Université du Zhejiang a proposé le modèle osp-GNNWR : décrivant avec précision les processus spatiaux complexes et les phénomènes géographiques
Dans le domaine des sciences de l'atmosphère,Le modèle GNNWR est capable d’établir des relations de régression spatialement non stationnaires, d’estimer les concentrations de PM2,5 et de fournir une distribution de PM2,5 de haute précision et raisonnablement détaillée à travers le pays. Par exemple, grâce à la modélisation géospatiale, nous avons constaté que les concentrations de PM2,5 sont généralement élevées de Pékin à Lianyungang, ce qui peut être affecté par des facteurs tels que la direction et la vitesse du vent. De plus, des brise-vent dans des zones spécifiques peuvent empêcher la propagation des PM2,5.
L'article connexe a été publié dans MDPI sous le titre « Cartographie par satellite de PM(2.5) au niveau du sol à haute résolution avec VIIRS IP AOD en Chine via une régression pondérée par réseau neuronal spatial ».
Adresse du document :
https://www.mdpi.com/2072-4292/13/10/1979
Dans le domaine de la géologie,En particulier dans la prédiction de la distribution spatiale des mines d'or, le modèle GNNWR intègre des modèles spatiaux et des réseaux neuronaux, et se combine avec la théorie d'interprétation additive de Shapley, qui peut non seulement améliorer considérablement la précision des prédictions, mais également améliorer l'interprétabilité des prédictions minérales dans des scénarios spatiaux complexes.
Cliquez pour voir le rapport détaillé : Mieux que cinq modèles avancés, l'équipe de Du Zhenhong de l'Université du Zhejiang a proposé le modèle GNNWLR : améliorer la précision de la prédiction de la minéralisation
En termes de modélisation de l'environnement écologique marin,Les chercheurs ont proposé un nouveau modèle de prédiction d'apprentissage profond, ChloroFormer, qui combine l'analyse de Fourier et le réseau neuronal Transformer et adopte une architecture de décomposition de séries chronologiques pour améliorer efficacement la précision de la prédiction de la concentration de CHL-A. En outre, les chercheurs ont mené des expériences dans deux zones de recherche côtières différentes. Les résultats ont montré que le modèle proposé non seulement surpassait les six autres modèles de comparaison en termes de précision de prédiction en plusieurs étapes, mais conservait également ses avantages relatifs en cas de prolifération d'algues extrêmes et fréquentes.
Cliquez pour voir le rapport détaillé : L’apprentissage profond combat la crise des marées rouges marines ! Le laboratoire SIG de l'Université du Zhejiang a proposé le modèle ChloroFormer, qui peut fournir une alerte précoce en cas d'épidémie d'algues marines.
À l’avenir, l’équipe s’engage à développer pleinement la théorie et les méthodes SIG, ainsi que la technologie de la plate-forme d’analyse intelligente géoscientifique, et à continuer d’explorer le développement de GeoAI.
Page d'accueil personnelle du chef de l'équipe de recherche du GNNWR, Wu Sensen, et une brève introduction au modèle de régression intelligente spatio-temporelle :
https://mypage.zju.edu.cn/wusen