DOI: https://doi.org/10.5194/tc-20-1543-2026
تاريخ النشر: 2026-03-11
المؤلف: Shaoxia Liu وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تقدم البحث إطارًا جديدًا للتنبؤ بتدفق الحرارة الجيولوجية (GHF) تحت صفائح الجليد في القارة القطبية الجنوبية (AIS) باستخدام شبكة عصبية عميقة (DNN) معززة بتحسين سرب الجسيمات (PSO) وطبقة بايزي. يتناول هذا النهج التحدي المتمثل في محدودية الملاحظات في الموقع من خلال تحسين معلمات DNN بشكل مستقل عبر PSO، بينما تسهل الطبقة البايزية التنبؤات الاحتمالية وتحدد عدم اليقين. تشير التحقق من البيانات ضد مجموعات بيانات GHF الأوروبية إلى أن هذا الإطار يتفوق بشكل كبير على الطرق التقليدية، خاصة في ظروف نقص البيانات. تقدر الدراسة أن GHF في القارة القطبية الجنوبية يتراوح بين 20 إلى 110 مW m$^{-2}$، مع متوسط قاري قدره 65.6 مW m$^{-2}$. ومن الجدير بالذكر أن قيم GHF المرتفعة شائعة في غرب القارة القطبية الجنوبية وتم تحديد مناطق ذات شذوذ مرتفع محليًا في شرق القارة القطبية الجنوبية، وخاصة حول بحيرة فوسطوك تحت الجليد.
تكشف النتائج عن ثنائية واضحة بين الشرق والغرب في توزيع GHF، مع وجود شذوذات أعلى على الهوامش الساحلية لغرب القارة القطبية الجنوبية، والتي تُعزى إلى العمليات التكتونية النشطة. يقترح النموذج أن شرق القارة القطبية الجنوبية قد لا يكون مستقرًا بشكل موحد كما كان يُعتقد سابقًا، مما يشير إلى الحاجة لفهم جيولوجي أكثر دقة. تُظهر تحليل عدم اليقين أن معظم تباين التنبؤات ينشأ من ضوضاء الملاحظات والتنوع الجيولوجي، مما يبرز ضرورة تحسين جمع البيانات في المناطق التي تعاني من نقص في العينات. يجب أن تركز الأعمال المستقبلية على الحصول على قياسات عالية الجودة من الآبار ودمج القيود المستندة إلى الفيزياء لتعزيز قابلية تفسير النموذج ودقته.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية تدفق الحرارة الجيولوجية (GHF) تحت صفائح الجليد في القارة القطبية الجنوبية (AIS) كعامل حاسم يؤثر على الهيدرولوجيا تحت الجليد، والانصهار القاعدي، وتوازن الكتلة لـ AIS، وهو أمر حيوي لتوقع التغيرات في مستوى سطح البحر العالمي. يبرز المؤلفون التحديات المتعلقة بالحصول على قياسات GHF المباشرة في داخل القارة القطبية الجنوبية بسبب القيود اللوجستية، مما يؤدي إلى الاعتماد على طرق التقدير التي تستخدم إما أنواع ملاحظات فردية، مثل التصوير الزلزالي أو الشذوذات المغناطيسية، أو أساليب إحصائية جديدة تدمج مصادر بيانات متعددة. بينما تُظهر الطرق الأخيرة وعدًا في تحسين تقديرات GHF، لا تزال هناك تناقضات على المقاييس الإقليمية، مما يتطلب اختيار ميزات بعناية وإدارة عدم اليقين في المدخلات لتعزيز موثوقية النموذج.
تؤكد الورقة أيضًا على أهمية تقليل عدم اليقين في GHF لتحسين توقعات ارتفاع مستوى سطح البحر، والتي يمكن أن تختلف بشكل كبير تحت سيناريوهات مختلفة. لمعالجة قيود نماذج الشبكات العصبية الحالية في تقدير GHF، يقترح المؤلفون إطارًا هجينًا يجمع بين الشبكات العصبية العميقة (DNNs) مع تحسين سرب الجسيمات (PSO) لضبط المعلمات و module بايزي لتحديد عدم اليقين. يهدف هذا النهج إلى تعزيز تعميم النموذج وموثوقيته من خلال تحسين معلمات DNN وتفكيك عدم اليقين إلى مكونات عشوائية ومعرفية، مما يوفر إطارًا أكثر قوة للتحقيقات المستقبلية في GHF وآثاره على ديناميات صفائح الجليد وتوقعات مستوى سطح البحر.
طرق البحث
تم هيكلة الإطار المنهجي لنمذجة تدفق الحرارة الجيولوجية (GHF) عبر القارة القطبية الجنوبية في أربع مراحل رئيسية: جمع البيانات، المعالجة المسبقة، بناء النموذج، والتنبؤ مع رسم عدم اليقين. تتضمن مرحلة جمع البيانات تجميع قياسات GHF العالمية جنبًا إلى جنب مع ميزات الإدخال الجيوفيزيائية، بينما تشمل المعالجة المسبقة تصفية الجودة، وإزالة القيم الشاذة، وتوزيع البيانات بدقة $0.5^\circ \times 0.5^\circ$. يستخدم بناء النموذج بنية شبكة عصبية عميقة (DNN) تم تحسينها من خلال تحسين سرب الجسيمات (PSO) وتدمج تحديد عدم اليقين البايزي لتعزيز دقة التنبؤ.
تتناول المنهجية أيضًا التحديات مثل التعدد الخطي باستخدام نهج يعتمد على عامل تضخم التباين (VIF)، على الرغم من أن هذا قد يستبعد المتغيرات الجيولوجية المهمة بسبب التكرار. تتسبب طريقة PSO، على الرغم من فعاليتها في التنقل عبر مشهد المعلمات، في تكاليف حسابية عالية بسبب الحاجة إلى تدريب الشبكة العصبية بالكامل في كل تكرار. تكشف الدراسة أن عدم اليقين العشوائي، الناجم عن تباين الملاحظات وتعقيد الجيولوجيا، هو المصدر الرئيسي لعدم اليقين الكلي في توقعات GHF عبر القارة القطبية الجنوبية. يمكن أن تتضمن التحسينات المستقبلية إطار عمل مزيج من الخبراء (MoE) الذي يستخدم التجميع غير المراقب لإنشاء نماذج محلية، مما قد يقلل من عدم اليقين العشوائي ويعزز دقة التنبؤ، خاصة في المناطق الجيولوجية المتنوعة مثل غرب وشرق القارة القطبية الجنوبية.
النتائج
يقدم قسم “النتائج” النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تُبلغ الدراسة عن أحجام التأثير، التي تُظهر تأثيرًا معتدلًا إلى قوي للمتغير المستقل على المتغير التابع، مما يعزز الفرضية المقترحة في المقدمة.
علاوة على ذلك، توضح التمثيلات الرسومية، مثل المخططات والرسوم البيانية، الاتجاهات الملحوظة في البيانات، مما يوفر تأكيدًا بصريًا للنتائج الكمية. يناقش القسم أيضًا أي شذوذات أو نتائج غير متوقعة، مقدماً تفسيرات محتملة بناءً على الإطار النظري الذي تم إنشاؤه سابقًا في الورقة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يمهد الطريق لمزيد من الاستكشاف والنقاش في الأقسام اللاحقة.
المناقشة
في هذه الدراسة، يقدم المؤلفون تحليلًا شاملاً لمجموعة بيانات تدفق الحرارة العالمية (GHF)، والتي تدمج حوالي 86,210 قياسات في الموقع من قاعدتين رئيسيتين. خضعت مجموعة البيانات لتصفية صارمة لاستبعاد الشذوذات وضمان الجودة، مما أسفر عن متوسط GHF قدره 63.7 مW m$^{-2}$ وانحراف معياري قدره 25.3 مW m$^{-2}$. يتأثر التوزيع المكاني لـ GHF بالعوامل الجيولوجية والجيوفيزيائية، بما في ذلك عمق موهو، وعمق حدود الغلاف الصخري-الأستينوسفير (LAB)، وسمك القشرة، مع ملاحظات عن تحيزات جغرافية كبيرة في تغطية البيانات، خاصة في المناطق التي تم تمثيلها بشكل ناقص مثل إفريقيا والقارة القطبية الجنوبية. استخدم المؤلفون بنية شبكة عصبية عميقة (DNN) لنمذجة العلاقات المعقدة داخل مجموعة البيانات، مع دمج إطار بايزي لتحديد عدم اليقين، الذي يميز بين عدم اليقين العشوائي والمعرفي.
لتحسين معلمات DNN، استخدمت الدراسة تحسين سرب الجسيمات (PSO)، مما يظهر فعاليته في تعزيز دقة التنبؤ. تضمنت عملية التدريب خط أنابيب معالجة مسبقة من خطوتين، بما في ذلك ترميز التسمية وتوحيد ميزات الإدخال، تلاها تقييم قوي باستخدام التحقق المتقاطع 5-طيات لتقليل الإفراط في التكيف. تم استخدام مقاييس تقييم النموذج، بما في ذلك معامل التحديد (R²) وجذر متوسط مربع الخطأ المنظم (NRMSE)، لتقييم أداء النموذج. من الجدير بالذكر أن الدراسة تناولت التحديات في توقع GHF في المناطق التي تعاني من نقص القياسات من خلال استخدام تحليل كثافة التدريب، الذي يقيم العلاقة بين دقة التنبؤ وتوافر البيانات المحلية. يبرز هذا النهج متعدد الأوجه تعقيد نمذجة GHF وضرورة وجود منهجيات متقدمة لتحسين التنبؤات في البيئات التي تعاني من نقص البيانات.
القيود
يسلط قسم القيود الضوء على التحديات الكبيرة في نمذجة تدفق الحرارة الجيولوجية (GHF) على نطاق قاري، خاصة بسبب التمثيل المكاني لقياسات النقاط في الموقع. قد لا تعكس هذه القياسات المحلية بدقة المتوسطات الإقليمية الأوسع، خاصة في المناطق الجيولوجية المتنوعة مثل القارة القطبية الجنوبية، حيث يجب أن تمثل البيانات النادرة مناطق واسعة. تشير الدراسات إلى وجود تباينات محلية كبيرة في GHF، تتأثر بعوامل مثل توزيع العناصر المنتجة للحرارة الإشعاعية والنشاط الجيولوجي. وبالتالي، تكافح نماذج التعلم الآلي المدربة على قياسات فردية في الغالب لكل منطقة للتمييز بين الظروف الإقليمية النموذجية والشذوذات المحلية.
علاوة على ذلك، تثير جودة قياسات تدفق الحرارة في القارة القطبية الجنوبية مخاوف إضافية. تُشتق العديد من القياسات من تدرجات الحرارة في أعمدة الجليد أو الرواسب الضحلة بدلاً من الآبار الصخرية، مما يؤدي إلى عدم اليقين المرتبط بعدم التوازن الحراري وعوامل أخرى. إن ندرة قياسات الصخور الأساسية عالية الجودة تتطلب الاستقراء من مجموعة بيانات محدودة وقد تكون متحيزة، مما يعقد من عملية التحقق من النموذج. بالإضافة إلى ذلك، فإن التناقضات بين تقديرات GHF المستمدة من الآبار وتوقعات النماذج الجيوفيزيائية، غالبًا بسبب الافتراضات الحرارية أحادية الأبعاد، تشكل تحديًا إضافيًا لدقة النماذج.
DOI: https://doi.org/10.5194/tc-20-1543-2026
Publication Date: 2026-03-11
Author(s): Shaoxia Liu et al.
Primary Topic: Cryospheric studies and observations
Overview
The research presents a novel framework for predicting geothermal heat flow (GHF) beneath the Antarctic Ice Sheet (AIS) using a deep neural network (DNN) enhanced by Particle Swarm Optimization (PSO) and a Bayesian output layer. This approach addresses the challenge of limited in-situ observations by autonomously optimizing DNN hyperparameters through PSO, while the Bayesian layer facilitates probabilistic predictions and quantifies uncertainty. Validation against European GHF datasets indicates that this framework significantly outperforms traditional methods, especially in data-sparse conditions. The study estimates Antarctic GHF to range from 20 to 110 mW m$^{-2}$, with a continental mean of 65.6 mW m$^{-2}$. Notably, elevated GHF values are prevalent in West Antarctica and localized high-anomaly regions are identified in East Antarctica, particularly around Subglacial Lake Vostok.
The findings reveal a distinct East-West dichotomy in GHF distribution, with higher anomalies along the coastal margins of West Antarctica, attributed to active tectonic processes. The model suggests that East Antarctica may not be as uniformly stable as previously thought, indicating a need for more refined geological understanding. Uncertainty analysis shows that most predictive variance stems from observational noise and geological heterogeneity, underscoring the necessity for improved data collection in under-sampled areas. Future work should focus on acquiring high-quality borehole measurements and integrating physics-informed constraints to enhance the model’s interpretability and accuracy.
Introduction
The introduction of this research paper discusses the significance of geothermal heat flow (GHF) beneath the Antarctic Ice Sheet (AIS) as a critical factor influencing subglacial hydrology, basal melting, and the mass balance of the AIS, which is vital for predicting global sea-level changes. The authors highlight the challenges of obtaining direct GHF measurements in the Antarctic interior due to logistical constraints, leading to a reliance on estimation methods that either utilize single observational types, such as seismic tomography or magnetic anomalies, or newer statistical approaches that integrate multiple data sources. While the latter methods show promise in improving GHF estimates, discrepancies at regional scales remain, necessitating careful feature selection and management of input uncertainties to enhance model reliability.
The paper further emphasizes the importance of reducing GHF uncertainty to improve sea-level rise projections, which can vary significantly under different scenarios. To address the limitations of existing neural network models in GHF estimation, the authors propose a hybrid framework that combines deep neural networks (DNNs) with particle swarm optimization (PSO) for hyperparameter tuning and a Bayesian module for uncertainty quantification. This approach aims to enhance model generalization and reliability by optimizing DNN parameters and decomposing uncertainty into aleatoric and epistemic components, thereby providing a more robust framework for future investigations into GHF and its implications for ice sheet dynamics and sea-level predictions.
Methods
The methodological framework for modeling geothermal heat flow (GHF) across Antarctica is structured into four key stages: data collection, preprocessing, model construction, and prediction with uncertainty mapping. The data collection phase involves compiling global GHF measurements alongside geophysical input features, while preprocessing includes quality filtering, outlier removal, and gridding to a resolution of $0.5^\circ \times 0.5^\circ$. The model construction employs a deep neural network (DNN) architecture optimized through particle swarm optimization (PSO) and incorporates Bayesian uncertainty quantification to enhance predictive accuracy.
The methodology also addresses challenges such as multicollinearity using a variance inflation factor (VIF)-based approach, although this may exclude geologically significant variables due to redundancy. The PSO method, while effective in navigating the parameter landscape, incurs high computational costs due to the need for complete neural network training at each iteration. The study reveals that aleatoric uncertainty, stemming from observational variability and geological complexity, is the primary source of total uncertainty in GHF predictions across Antarctica. Future improvements could involve a Mixture-of-Experts (MoE) framework that utilizes unsupervised clustering to create localized models, potentially reducing aleatoric uncertainty and enhancing prediction accuracy, particularly in geologically diverse regions like West and East Antarctica.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study reports on the effect sizes, which demonstrate a moderate to strong impact of the independent variable on the dependent variable, reinforcing the hypothesis proposed in the introduction.
Furthermore, graphical representations, such as plots and charts, illustrate the trends observed in the data, providing a visual confirmation of the quantitative results. The section also discusses any anomalies or unexpected findings, offering potential explanations based on the theoretical framework established earlier in the paper. Overall, the results contribute valuable insights into the research question, paving the way for further exploration and discussion in subsequent sections.
Discussion
In this study, the authors present a comprehensive analysis of the Global Heat Flow (GHF) dataset, which integrates approximately 86,210 in-situ measurements from two major databases. The dataset underwent rigorous filtering to exclude anomalies and ensure quality, resulting in a mean GHF of 63.7 mW m$^{-2}$ and a standard deviation of 25.3 mW m$^{-2}$. The spatial distribution of GHF is influenced by geological and geophysical factors, including Moho depth, lithosphere-asthenosphere boundary (LAB) depth, and crustal thickness, with significant geographic biases noted in data coverage, particularly in underrepresented regions like Africa and Antarctica. The authors utilized a deep neural network (DNN) architecture to model the complex relationships within the dataset, incorporating a Bayesian framework for uncertainty quantification, which distinguishes between aleatoric and epistemic uncertainties.
To optimize the DNN’s hyperparameters, the study employed Particle Swarm Optimization (PSO), demonstrating its effectiveness in enhancing predictive accuracy. The training process involved a two-step preprocessing pipeline, including label encoding and standardization of input features, followed by a robust 5-fold cross-validation to mitigate overfitting. The model evaluation metrics, including the coefficient of determination (R²) and normalized root mean square error (NRMSE), were utilized to assess model performance. Notably, the study addressed challenges in predicting GHF in sparsely measured regions by employing a training density analysis, which evaluates the relationship between prediction accuracy and local data availability. This multifaceted approach underscores the complexity of GHF modeling and the necessity for advanced methodologies to improve predictions in data-scarce environments.
Limitations
The section on limitations highlights significant challenges in modeling geothermal heat flow (GHF) at a continental scale, particularly due to the spatial representativeness of in-situ point measurements. These localized measurements may not accurately reflect broader regional averages, especially in geologically diverse areas like Antarctica, where sparse data must represent extensive regions. Studies indicate considerable local variations in GHF, influenced by factors such as the distribution of radiogenic heat-producing elements and geological activity. Consequently, machine learning models trained on predominantly single measurements per region struggle to differentiate between typical regional conditions and localized anomalies.
Furthermore, the quality of Antarctic heat flow measurements raises additional concerns. Many measurements are derived from temperature gradients in ice columns or shallow sediments rather than from bedrock boreholes, leading to uncertainties related to thermal non-equilibrium and other factors. The scarcity of high-quality bedrock measurements necessitates extrapolation from a limited and potentially biased dataset, complicating model validation. Additionally, discrepancies between borehole-derived GHF estimates and geophysical model predictions, often due to one-dimensional thermal assumptions, further challenge the accuracy of the models.