Aparece un documento Cartas de investigación geofísica utiliza el aprendizaje automático para crear un modelo mejorado para comprender el flujo de calor geotérmico, el calor que emana del interior de la Tierra, debajo de la capa de hielo de Groenlandia. Es un enfoque de investigación nuevo en glaciología que podría conducir a predicciones más precisas para la pérdida de masa de hieloy aumento global del nivel del mar.
Entre los hallazgos clave :
Groenlandia tiene un flujo de calor anormalmente alto en una región norte relativamente grande que se extiende desde el interior hacia el este y el oeste.
El sur de Groenlandia tiene un flujo de calor geotérmico relativamente bajo, que corresponde a la extensión del Cratón del Atlántico Norte, una porción estable de una de las cortezas continentales existentes más antiguas del planeta. El modelo de investigación predice un flujo de calor ligeramente elevado aguas arriba de varios flujos rápidosglaciares en Groenlandia, incluido Jakobshavn Isbræ en el centro-oeste, el glaciar que se mueve más rápido en la Tierra.
"El calor que surge del interior de la Tierra contribuye a la cantidad de derretimiento en el fondo de la capa de hielo, por lo que es extremadamente importante comprender el patrón de ese calor y cómo se distribuye en el fondo de la capa de hielo", dijo Soroush Rezvanbehbahani, un estudiante de doctorado en geología en la Universidad de Kansas que encabezó la investigación." Cuando caminamos por una pendiente que está mojada, es más probable que resbalemos. Es la misma idea con hielo, cuando no estáestá congelado, es más probable que se deslice hacia el océano. Pero no tenemos una manera fácil de medir el flujo de calor geotérmico, excepto para campañas de campo extremadamente costosas que perforan la capa de hielo. En lugar de costosos estudios de campo, intentamos haceresto a través de métodos estadísticos "
Rezvanbehbahani y sus colegas han adoptado el aprendizaje automático, un tipo de inteligencia artificial que utiliza técnicas estadísticas y algoritmos informáticos, para predecir los valores de flujo de calor que sería desalentador obtener con el mismo detalle a través de núcleos de hielo convencionales.
Utilizando todos los datos de flujo de calor geológico, tectónico y geotérmico disponibles para Groenlandia, junto con los datos de flujo de calor geotérmico de todo el mundo, el equipo implementó un enfoque de aprendizaje automático que predice los valores de flujo de calor geotérmico bajo la capa de hielo en toda Groenlandia en función de22 variables geológicas como la topografía del lecho rocoso, el grosor de la corteza, las anomalías magnéticas, los tipos de rocas y la proximidad a características como trincheras, crestas, grietas jóvenes, volcanes y puntos calientes.
"Tenemos muchos puntos de datos de todo el planeta; sabemos que en ciertas partes del mundo la corteza es de cierto espesor, compuesta de un tipo específico de roca y ubicada a una distancia conocida de un volcán, ytomar esas relaciones y aplicarlas a lo que sabemos sobre Groenlandia ", dijo la coautora Leigh Stearns, profesora asociada de geología en KU.
Los investigadores dijeron que su nuevo modelo predictivo es una "mejora definitiva" sobre los modelos actuales de flujo de calor geotérmico que no incorporan tantas variables. De hecho, muchos modelos numéricos de capas de hielo de Groenlandia suponen que existe un valor uniforme de flujo de calor geotérmicoen todas partes a través de Groenlandia.
"La mayoría de los otros modelos realmente solo respetan un conjunto de datos en particular", dijo Stearns. "Observan el flujo de calor geotérmico a través de señales sísmicas o datos magnéticos en Groenlandia, pero no el grosor de la corteza o el tipo de roca o la distancia desde un punto caliente. Pero nosotrossabemos que están relacionados con el flujo de calor geotérmico. Intentamos incorporar tantos conjuntos de datos geológicos como podamos en lugar de asumir que uno es el más importante ".
Además de Rezvanbehbahani y Stearns, el equipo de investigación detrás del nuevo artículo incluye a J. Doug Walker y CJ van der Veen de KU, así como a Amir Kadivar de la Universidad McGill. Rezvanbehbahani y Stearns también están afiliados al Centro para la Teledetecciónde capas de hielo, con sede en KU.
Los autores encontraron que las cinco características geológicas más importantes para predecir los valores de flujo geotérmico son la topografía, la distancia a las fallas jóvenes, la distancia a la zanja, la profundidad del límite de litosfera y astenosfera capas del manto de la Tierra y la profundidad de la discontinuidad de Mohorovičić el límite entrela corteza y el manto en la Tierra. Los investigadores dijeron que se espera que su mapa de flujo de calor geotérmico de Groenlandia esté dentro de aproximadamente el 15 por ciento de los valores reales.
"El hallazgo más interesante es el fuerte contraste entre el sur y el norte de Groenlandia", dijo Rezvanbehbahani. "Teníamos poca información en el sur, pero teníamos tres o cuatro núcleos más en la parte norte de la capa de hielo.Con base en el núcleo sur, pensamos que esta era una región localizada de bajo flujo de calor, pero nuestro modelo muestra que una parte mucho más grande de la capa de hielo del sur tiene un flujo de calor bajo. Por el contrario, en las regiones del norte, encontramos grandes áreas conalto flujo de calor geotérmico. Esto no es tan sorprendente porque tenemos un núcleo de hielo con una lectura muy alta. Pero el patrón espacial y cómo se distribuye el flujo de calor, ese fue un nuevo hallazgo. Esa no es solo una ubicación en el norte con altaflujo de calor, pero una región amplia "
Los investigadores dijeron que su modelo se haría aún más preciso a medida que se recopile más información sobre Groenlandia en la comunidad de investigación.
"Le damos la leve advertencia de que este es solo otro modelo, es nuestro mejor modelo estadístico, pero no hemos reproducido la realidad", dijo Stearns. "En ciencias de la Tierra y glaciología, estamos viendo una explosión de información disponible públicamentedatos. La tecnología de aprendizaje automático que sintetiza estos datos y nos ayuda a aprender de toda la gama de sensores de datos es cada vez más importante. Es emocionante estar a la vanguardia ".
Fuente de la historia :
Materiales proporcionado por Universidad de Kansas . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :