青海チベット高原に関するデータ不足の問題に対処してください!浙江大学のチームは、チベット高原の表面熱流分布を説明する新しいGeoAIモデルを提案した
地球科学研究において、地表熱流 (SHF) は、地球深部における熱エネルギーの放出を表す重要な表現として、常に大きな注目を集めてきました。表面熱流は、地球の内部エネルギーによって駆動される「窓」であるだけでなく、地球の地殻の熱構造、マントルの熱力学、および地質構造の進化を明らかにする重要なパラメーターでもあります。表面熱流の研究を通じて、地球内部の熱メカニズムを深く理解することができ、プレートの沈み込み、マントルの隆起、地溝帯の拡大などの地質現象の背後にある動的なプロセスを明らかにすることができます。
過去数十年間で表面熱流の研究は大きく進歩しましたが、世界の一部の地域、特にチベット高原のような複雑な構造帯では、未解決の謎がまだ多く残っています。
地球の「第三極」であるチベット高原は、その巨大な地形の高低差と複雑な構造的特徴により、地球力学を研究するための自然の実験場となっています。インドプレートとユーラシアプレートの衝突以来、この地域は激しい地殻活動を経験し、その結果、多様な地質単位と熱異常が生じています。近年の研究により、チベット高原の表面熱流は、地理的空間的不均一性が顕著です。高い熱流値はブラマプトラ縫合帯と南北地溝帯に集中していますが、他の地域の熱流分布は比較的低いです。しかし、この熱流分布則の定量的解析には、測定点の少なさと対象範囲の制限のため、依然として大きな技術的ボトルネックが存在します。特に、地形が急峻で人が近づけない地域では、従来のボーリング孔測定方法や観測機器を大規模に導入することが難しく、その結果、これらの地域の表面熱流データはほとんど空白になります。
この問題を解決するために、浙江大学地球科学院は、空間インテリジェンス手法、つまり解釈可能性が強化された地理ニューラル ネットワーク加重回帰モデル (EI-GNNWR) を提案しました。この方法は、地球物理学的データと地質学的データの空間的不均一性特性を統合することによって表面熱流の非線形関係を捉え、チベット高原における熱流分布とその地球力学的メカニズムを包括的に理解するための新しい研究枠組みと技術サポートを提供します。
関連する研究は「データ駆動法によって明らかにされたチベット高原の表面熱流の分布」と題され、地球科学の分野で有名なジャーナルであるJournal of Geophysical Research: Solid Earthに掲載された。
研究のハイライト:
※地質構造情報や地球物理データを十分に考慮した解釈可能なデータドリブン手法を提案：EI-GNNWRモデル
* EI-GNNWR モデルは、オーストラリアとチベット高原の表面熱流マップを正確に予測します。予測精度は、XGBoost、FCNN、OLR、GWR の 4 つの主要なモデルよりも大幅に高く、表面熱流の不足を効果的に補います。チベット高原地域のデータ。
* EI-GNNWR モデルは、チベット高原の表面熱流分布とその影響メカニズムを効果的に明らかにします。
用紙のアドレス:
https://doi.org/10.1029/2023JB028491
オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、大規模なデータ セットとツールを提供します。
https://github.com/hyperai/awesome-ai4s
チベット高原と世界的にコンパイルされた表面熱流データセットに基づくモデル トレーニング
研究者らは、世界的にまとめられた地表熱流データセット、NGHF地表熱流データセット、そしてチベット高原における我が国の地表熱流データセットを統合し、海洋測定データと「D:熱流に使用されないデータ」とマークされたすべてのデータを削除した。 " グラフの測定データは初期データセットを形成します。
中国本土の表面熱流データセットのアドレス:
チベット高原では測定されたデータセットの数が少ないため、既存の観測は主に高原の端に集中しており、内部領域の理解は限られています。そこで研究者らは、周囲のプレートからの表面熱流の測定値を含めることでデータセットを拡張しました。
この研究では 220 の表面熱流測定点が使用され、そのうち 90% がモデルのトレーニングおよび検証データ セットに使用され、10% がテスト データ セットに使用されました。モデルの精度を検証します。実験の精度を向上させるために、研究者らはモデルのトレーニングと検証の段階で相互検証テクノロジーを使用しました。
さらに、データが不足しているチベット高原地域の表面熱流値を予測するには、この値と地球物理学的および地質学的特性との関係をフィッティングする必要があります。これを行うために、研究者らは、以下の表に示すように、表面熱流に関連するいくつかの重要な特徴を選択しました。
GNNWRモデルに基づいてSHAP値計算方法を導入
チベット高原の表面熱流測定データは比較的限られており、顕著な空間的非定常性を示しています。さらに、以下の図に示すように、ノンパラメトリック局所加重散乱平滑化 (LOWESS) トレンド ラインは、モホ深さ、地形、構造単位、若いリフトまでの距離、表面熱流などのパラメーター間で大きな変動を示しており、表面の状況を示しています。熱流 地質学的パラメータおよび地球物理学的パラメータには複雑な非線形関係があります。
この目的を達成するために、研究者たちは GNNWR モデルを採用しました。このモデルは、通常の線形回帰 (OLR) とニューラル ネットワーク アルゴリズムを組み合わせて空間の非定常性を正確に捕捉し、それによって地質学的および地球物理学的データと表面熱流の相関関係のための堅牢な回帰フレームワークを確立します。
GNNWR モデルの解釈可能性をさらに向上させ、表面熱流値に対する各変数の寄与を正確に定量化するために、研究者らは SHapley Additive exPlanations (SHAP) 値計算手法を採用しました。このアプローチを使用すると、ローカルな相互作用を定量化し、特定の予測における個々の特徴に重要度の値を割り当てることができ、ローカルなニュアンスをより詳細に解釈できます。この統合アプローチに基づいて、研究者らは解釈可能性が強化された地理的ニューラル ネットワーク重み付け回帰モデル (EI-GNNWR) を提案しました。
SHAP 関連のチュートリアルのアドレス:
https://go.hyper.ai/deK6H
EI-GNNWR モデルの予測精度は他のモデルよりも大幅に高い
EI-GNNWR モデルの有効性をテストするために、研究者らは検証対象として広範囲かつ高精度の地熱データがあるオーストラリアの地域を選択しました。
オーストラリア地域は大規模な地熱探査の中心地であり、比較的正確な地表熱流測定が豊富に行われているため、データ駆動型手法の有効性を検証する理想的な試験場となっています。これに基づいて、研究者らはまずオーストラリア地域でモデルテストを実施することを選択し、オーストラリアの表面熱流の空間分布に関する 4 つの異なるモデルの予測結果を比較しました。これらのモデルは、極度勾配ブースティング (XGBoost)、完全接続ニューラル ネットワーク (FCNN)、通常の線形回帰 (OLR)、および地理的加重回帰 (GWR) モデルです。
評価結果は以下の図に示されており、EI-GNNWR モデルは R² 値が 0.823 で優れており、XGBoost、FCNN、OLR、GWR モデルよりもそれぞれ 36%、31%、22%、4% 高くなります。さらに、正規化された RMSE はわずか 0.10 で、XGBoost、FCNN、OLR、GWR モデルと比較して、それぞれ 47%、50%、44.4%、23% 減少しています。このモデルは、オーストラリア地域の XGBoost モデルの以前の R² 値と比較してモデルを 17% 改善し、正規化された RMSE も以前に報告された値と比較して 55% 減少しています。
※モデルのR²はモデルのフィッティング効果を評価するための統計指標であり、R²が大きいほどモデルのフィッティング効果が高く、予測性能が高くなります。
* RMSE (二乗平均平方根誤差) は、回帰モデルの予測誤差を評価するための一般的な指標です。RMSE が小さいほど、モデルの予測が近いことを示します。真の価値へ。
(a) EI-GNNWRモデル
(b) GWRモデル
(c) XGBoostモデル
(d) FCNNモデル
(e) OLRモデル
マップ上の円は測定点を表し、隣接する散布図 (f – j) は測定された表面熱流値とモデルの予測の関係を示します。
空間インテリジェンス手法に基づく青海チベット高原の表面熱流分布の解明
オーストラリアでEI-GNNWR法の有効性を検証した後、研究者らはチベット高原とその周辺地域の表面熱流測定点を使用して新しいモデルをトレーニングしました。
研究結果によると、このモデルは R² 値が 0.91、正規化された RMSE が 0.07、誤差レベルが 7% 以内に制御されており、高い予測精度を備えています。研究者らはチベット高原の表面熱流（SHF）分布図を作成しました。下の図に示すように、チベット高原の平均熱流値は 66.2 mW/m2 であり、世界平均の 62.8 mW/m2 よりも大幅に高くなります。平方メートル。世界で最も激しい地殻活動が見られる地域の 1 つであるチベット高原の熱流は不均一に分布しています。高熱流域は主に南部、北東部、南東部に集中しており、特にヤルンザンボ縫合帯、高原の北東境界、雲南西部の騰衝地域に集中している。
地熱形成の決定要因をより深く理解するために、研究者らはまた、地質学的および地球物理学的変数の役割に焦点を当てて、EI-GNNWR モデルにおける SHAP 値の空間分布 (下図を参照) を分析しました。この方法は、地表熱流の形成に対する各変数の具体的な寄与を特定し、これらの変数と地熱活動との関係を解明します。
研究者らは、チベット高原南西部の熱流パターンに焦点を当て、地熱エネルギー生産の形成における地質学的要因と地球物理学的要因の相互作用を調査しました。ヤルンザンボ川とヌー川の間の地域（下図のI地域）を例にとると、予測される表面熱流値は90 mW/m²を超えます。 SHAP 値は、尾根からの距離と重力平均曲率が表面熱流の増加にプラスの影響を及ぼしていることを示しており、これはヒマラヤ造山帯の局所的な融解と高い表面熱流値と一致しています。重力の平均曲率は、特に低地震速度帯の造山溶融帯における地熱異常の形成に重大な影響を及ぼします。
以下の領域 II では、著しく高い表面熱流値は、尾根の近さと地形の複雑さに密接に関係しています。地殻の若い領域の尾根は、マントル物質の隆起を通じて表面の熱流値に影響を与え、同時に地形の変化が地熱の分布と強度を形成し、この領域に独特の地熱パターンを形成します。
GNNWR に基づいて、さまざまな分野での地球科学アプリケーションを支援します
2020年、浙江大学地球科学部の研究者らは、複雑な地理的プロセスを伴うさまざまな領域の空間非定常性を解決するためのモデルである地理ニューラルネットワーク加重回帰(GNNWR)を提案した。このモデルに基づいて、研究者らはさらに海洋学、地理学、大気科学、地質学などの分野向けの一連のモデルを提案し、30 以上の関連論文を発表しました。
用紙のアドレス:
https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1707834
GNNWR オープンソース アドレス:
https://github.com/zjuwss/gnnwr
具体的には、住宅価格分析の分野では、抽象的な「空間的近接性」では損失関数を構築できず、ニューラルネットワークのトレーニングが難しいという問題を解決するために、研究者らはさらにOSPとGNNWRを組み合わせてosp-GNNWRモデルを構築した。シミュレートされたデータセットと武漢の住宅価格の経験的ケースの研究を通じて、このモデルは世界的に優れたパフォーマンスを持ち、複雑な空間プロセスと地理的現象をより正確に記述できることが証明されました。
クリックして詳細レポートを読む: 武漢の住宅価格を正確に予測!浙江大学の GIS 研究室は、複雑な空間プロセスと地理現象を正確に記述する osp-GNNWR モデルを提案しました。
大気科学の分野では、GNNWR モデルは、空間的な非定常回帰関係を確立し、PM2.5 濃度を推定し、全国にわたる高精度で詳細かつ合理的な PM2.5 分布を提供できます。たとえば、地理空間モデリングを通じて、PM2.5 濃度は一般的に北京から連雲港まで高いことがわかりました。これは風向や風速などの要因に影響される可能性があります。さらに、特定の地域の防風林が PM2.5 の拡散を抑制する可能性があります。 。
関連する論文のタイトルは「空間ニューラル ネットワーク加重回帰による中国における VIIRS IP AOD を使用した高解像度地上レベル PM(2.5) の衛星ベース マッピング」で、MDPI に掲載されました。
用紙のアドレス:
https://www.mdpi.com/2072-4292/13/10/1979
地質学の分野では、特に金鉱床の空間分布の予測に関して、GNNWR モデルは空間パターンとニューラル ネットワークを統合し、Shapley の加法的説明理論と組み合わせることで、予測の精度が大幅に向上するだけでなく、複雑な空間シーンでの鉱物処理も改善できます。予測の解釈可能性。
クリックして詳細レポートを表示: 5 つの高度なモデルよりも優れた、浙江大学の Du Zhenhong チームは GNNWLR モデルを提案しました: 鉱化予測の精度を向上
海洋生態環境モデリングの観点からは、研究者らは、フーリエ解析とTransformerニューラルネットワークを組み合わせた新しい深層学習予測モデルChloroFormerを提案し、時系列分解アーキテクチャを採用してChl-a濃度予測の精度を効果的に向上させた。さらに、研究者らは 2 つの異なる沿岸調査地域でも実験を実施し、その結果、提案されたモデルが多段階予測精度において他の 6 つの比較モデルよりも優れているだけでなく、極端で頻繁な藻類の発生下でも相対的な安定性を維持できることがわかりました。 。
クリックして詳細レポートを表示: ディープラーニングは海洋赤潮危機と闘います!浙江大学の GIS 研究所は、海洋藻類の発生を早期に警告するために ChloroFormer モデルを提案しました。
将来的には、チームは GIS の理論と手法、地球科学インテリジェント分析プラットフォーム技術を完全に開発し、GeoAI の開発を引き続き探索することに取り組んでいます。
GNNWR 研究グループのリーダーであるウー センセン研究員の個人ホームページと、時空間インテリジェント回帰モデルの紹介:
https://mypage.zju.edu.cn/wusen