Een papier dat verschijnt in Geofysische onderzoeksbrieven gebruikt machine learning om een ​​verbeterd model te maken voor het begrijpen van geothermische warmteflux - warmte die uit het binnenste van de aarde komt - onder de Groenlandse ijskap. Het is een nieuwe onderzoeksbenadering voor de glaciologie die zou kunnen leiden tot nauwkeurigere voorspellingen voor het verlies van ijsmassa en de wereldwijde zeespiegelstijging.

Een van de belangrijkste bevindingen:

• Groenland heeft een abnormaal hoge warmtestroom in een relatief groot noordelijk gebied dat zich van het binnenland naar het oosten en westen verspreidt.
• Zuid-Groenland heeft een relatief lage aardwarmtestroom, overeenkomend met de omvang van het Noord-Atlantische kraton, een stabiel deel van een van de oudste nog bestaande continentale korsten op aarde.
• Het onderzoeksmodel voorspelt een licht verhoogde warmtestroom stroomopwaarts van verschillende snelstromende gletsjers in Groenland, waaronder Jakobshavn Isbræ in het centraal-westen, de snelst bewegende gletsjer op aarde.

"Warmte die uit het binnenste van de aarde komt, draagt ​​bij aan de hoeveelheid smelt op de bodem van de ijskap, dus het is uiterst belangrijk om het patroon van die warmte te begrijpen en hoe deze zich op de bodem van de ijskap verspreidt, " zei Soroush Rezvanbehbahani, een promovendus in de geologie aan de Universiteit van Kansas die het onderzoek leidde. "Als we op een helling lopen die nat is, we hebben meer kans om uit te glijden. Het is hetzelfde idee met ijs - als het niet bevroren is, het is meer kans om in de oceaan te glijden. Maar we hebben geen gemakkelijke manier om geothermische warmteflux te meten, behalve voor extreem dure veldcampagnes die door de ijskap boren. In plaats van dure veldonderzoeken, we proberen dit te doen door middel van statistische methoden."

Rezvanbehbahani en zijn collega's hebben machine learning geadopteerd - een soort kunstmatige intelligentie met behulp van statistische technieken en computeralgoritmen - om warmtefluxwaarden te voorspellen die ontmoedigend zouden zijn om in hetzelfde detail te verkrijgen via conventionele ijskernen.

Met behulp van alle beschikbare geologische, tektonische en geothermische warmtefluxgegevens voor Groenland - samen met geothermische warmtefluxgegevens van over de hele wereld - implementeerde het team een ​​machine learning-benadering die de geothermische warmtefluxwaarden onder de ijskap in heel Groenland voorspelt op basis van 22 geologische variabelen zoals gesteentetopografie, korst dikte, magnetische afwijkingen, gesteentesoorten en de nabijheid van kenmerken zoals loopgraven, richels, jonge kloven, vulkanen en hotspots.

"We hebben veel datapunten van over de hele aarde - we weten dat in bepaalde delen van de wereld de korst een bepaalde dikte heeft, samengesteld uit een specifiek soort gesteente en gelegen op bekende afstand van een vulkaan - en we nemen die relaties en passen ze toe op wat we weten over Groenland, " zei co-auteur Leigh Stearns, universitair hoofddocent geologie aan de KU.

De onderzoekers zeiden dat hun nieuwe voorspellende model een "definitieve verbetering" is ten opzichte van de huidige modellen van geothermische warmteflux die niet zoveel variabelen bevatten. Inderdaad, veel numerieke ijskapmodellen van Groenland gaan ervan uit dat er overal in Groenland een uniforme waarde van geothermische warmteflux bestaat.

"De meeste andere modellen eren eigenlijk maar één bepaalde dataset, Stearns zei. "Ze kijken naar geothermische warmteflux door seismische signalen of magnetische gegevens in Groenland, maar niet de dikte van de korst of het type gesteente of de afstand tot een hotspot. Maar we weten dat die verband houden met geothermische warmteflux. We proberen zoveel mogelijk geologische datasets op te nemen in plaats van aan te nemen dat één de belangrijkste is."

Naast Rezvanbehbahani en Stearns, het onderzoeksteam achter het nieuwe artikel omvat KU's J. Doug Walker en C.J. van der Veen, evenals Amir Kadivar van McGill University. Rezvanbehbahani en Stearns zijn ook aangesloten bij het Center for the Remote Sensing of Ice Sheets, hoofdkantoor aan de KU.

De auteurs ontdekten dat de vijf belangrijkste geologische kenmerken bij het voorspellen van geothermische fluxwaarden topografie, afstand tot jonge kloven, afstand tot geul, diepte van de lithosfeer-asthenosfeer grens (lagen van de aardmantel) en diepte tot Mohoroviči? discontinuïteit (de grens tussen de korst en de mantel in de aarde). De onderzoekers zeiden dat hun geothermische warmtefluxkaart van Groenland naar verwachting binnen ongeveer 15 procent van de werkelijke waarden zal liggen.

"De meest interessante bevinding is het scherpe contrast tussen het zuiden en het noorden van Groenland, "zei Rezvanbehbahani. "We hadden weinig informatie in het zuiden, maar we hadden nog drie of vier kernen in het noordelijke deel van de ijskap. Op basis van de zuidelijke kern dachten we dat dit een gelokaliseerd gebied met een lage warmteflux was, maar ons model laat zien dat een veel groter deel van de zuidelijke ijskap een lage warmteflux heeft. Daarentegen, in de noordelijke regio's, we vonden grote gebieden met een hoge aardwarmtestroom. Dit is niet zo verrassend omdat we één ijskern hebben met een zeer hoge waarde. Maar het ruimtelijke patroon en hoe de warmtestroom wordt verdeeld, dat a een nieuwe bevinding was. Dat is niet zomaar een noordelijke locatie met een hoge warmtestroom, maar een brede regio."

De onderzoekers zeiden dat hun model nog nauwkeuriger zou worden naarmate er meer informatie over Groenland wordt verzameld in de onderzoeksgemeenschap.

"We geven de kleine disclaimer dat dit gewoon een ander model is - het is ons beste statistische model - maar we hebben de werkelijkheid niet gereproduceerd, " zei Stearns. "In aardwetenschappen en glaciologie, we zien een explosie van openbaar beschikbare gegevens. Machine learning-technologie die deze gegevens synthetiseert en ons helpt te leren van het hele scala aan gegevenssensoren, wordt steeds belangrijker. Het is spannend om vooraan te staan."