Ett papper som dyker upp i Geofysiska forskningsbrev använder maskininlärning för att skapa en förbättrad modell för att förstå geotermiskt värmeflöde – värme som kommer från jordens inre – under Grönlands inlandsis. Det är en ny forskningsmetod inom glaciologin som kan leda till mer exakta förutsägelser för förlust av ismassa och global havsnivåhöjning.

Bland de viktigaste resultaten:

• Grönland har ett onormalt högt värmeflöde i en relativt stor nordlig region som sprider sig från inlandet till öster och väster.
• Södra Grönland har relativt lågt geotermiskt värmeflöde, motsvarande utbredningen av den nordatlantiska kratonen, en stabil del av en av de äldsta bevarade kontinentala skorporna på planeten.
• Forskningsmodellen förutspår något förhöjt värmeflöde uppströms flera snabbströmmande glaciärer i Grönland, inklusive Jakobshavn Isbræ i centrala väster, den snabbast rörliga glaciären på jorden.

"Värme som kommer upp från jordens inre bidrar till mängden smälta på botten av inlandsisen - så det är extremt viktigt att förstå mönstret för den värmen och hur den fördelar sig på botten av inlandsisen, "sa Soroush Rezvanbehbahani, en doktorand i geologi vid University of Kansas som ledde forskningen. "När vi går på en sluttning som är våt, vi är mer benägna att halka. Det är samma idé med is - när den inte är frusen, det är mer sannolikt att glida ner i havet. Men vi har inget enkelt sätt att mäta geotermiskt värmeflöde förutom extremt dyra fältkampanjer som borrar genom inlandsisen. Istället för dyra fältundersökningar, vi försöker göra detta genom statistiska metoder. "

Rezvanbehbahani och hans kollegor har använt maskininlärning - en typ av artificiell intelligens som använder statistiska tekniker och datoralgoritmer - för att förutsäga värmeflödesvärden som skulle vara skrämmande att få i samma detalj via konventionella iskärnor.

Med hjälp av all tillgänglig geologisk, tektoniska och geotermiska värmeflödesdata för Grönland – tillsammans med geotermiska värmeflödesdata från hela världen – använde teamet en maskininlärningsmetod som förutsäger geotermiska värmeflödesvärden under inlandsisen över hela Grönland baserat på 22 geologiska variabler som bergtopografi, skorptjocklek, magnetiska anomalier, bergarter och närhet till funktioner som diken, åsar, unga sprickor, vulkaner och hot spots.

"Vi har många datapunkter från hela jorden - vi vet att i vissa delar av världen har skorpan en viss tjocklek, består av en specifik typ av sten och ligger på ett känt avstånd från en vulkan – och vi tar dessa relationer och tillämpar dem på det vi vet om Grönland, " sa medförfattaren Leigh Stearns, docent i geologi vid KU.

Forskarna sa att deras nya prediktiva modell är en "definitiv förbättring" jämfört med nuvarande modeller av geotermiskt värmeflöde som inte innehåller så många variabler. Verkligen, många numeriska inlandsismodeller av Grönland antar att ett enhetligt värde på geotermiskt värmeflöde finns överallt på Grönland.

"De flesta andra modeller respekterar egentligen bara en viss datamängd, " sade Stearns. "De tittar på geotermiskt värmeflöde genom seismiska signaler eller magnetiska data på Grönland, men inte jordskorpans tjocklek eller bergart eller avstånd från en het punkt. Men vi vet att de är relaterade till geotermiskt värmeflöde. Vi försöker införliva så många geologiska datamängder som vi kan istället för att anta att en är den viktigaste."

Förutom Rezvanbehbahani och Stearns, forskargruppen bakom den nya uppsatsen inkluderar KU:s J. Doug Walker och C.J. van der Veen, samt Amir Kadivar från McGill University. Rezvanbehbahani och Stearns är också anslutna till Center for the Remote Sensing of Ice Sheets, med huvudkontor vid KU.

Författarna fann att de fem viktigaste geologiska egenskaperna för att förutsäga geotermiska flödesvärden är topografi, avstånd till unga klyftor, avstånd till dike, djup litosfär-astenosfär gräns (lager av jordens mantel) och djup till Mohoroviči? diskontinuitet (gränsen mellan jordskorpan och manteln i jorden). Forskarna sa att deras geotermiska värmeflödeskarta över Grönland förväntas ligga inom cirka 15 procent av de verkliga värdena.

"Det mest intressanta fyndet är den skarpa kontrasten mellan södra och norra Grönland, " sa Rezvanbehbahani. "Vi hade lite information i söder, men vi hade tre eller fyra kärnor till i den norra delen av inlandsisen. Baserat på den södra kärnan trodde vi att detta var en lokaliserad region med lågt värmeflöde - men vår modell visar att en mycket större del av den södra inlandsisen har lågt värmeflöde. Däremot i de norra regionerna, vi hittade stora områden med högt geotermiskt värmeflöde. Detta är inte lika förvånande eftersom vi har en iskärna med mycket hög läsning. Men det rumsliga mönstret och hur värmeflödet fördelas, att a var ett nytt fynd. Det är inte bara en nordlig plats med högt värmeflöde, men en stor region."

Utredarna sa att deras modell skulle göras ännu mer exakt eftersom mer information om Grönland sammanställs i forskarsamhället.

"Vi avsäger oss att det här bara är en annan modell - det är vår bästa statistiska modell - men vi har inte återgett verkligheten, " sade Stearns. "Inom geovetenskap och glaciologi, vi ser en explosion av allmänt tillgänglig data. Maskininlärningsteknik som syntetiserar denna data och hjälper oss att lära oss av hela utbudet av datasensorer blir allt viktigare. Det är spännande att ligga i framkant."