内含 GNNWR 开源地址

原标题：直击青藏高原数据匮乏难题！浙江大学团队提出GeoAI新模型，解释青藏高原地表热流分布
文章来源：HyperAI超神经
内容字数：8981字

青藏高原地表热流的研究进展

浙江大学地球科学学院提出了一种新型的地理神经网络加权回归模型（EI-GNNWR），旨在增强对青藏高原地表热流分布及其地球动力学机制的理解。地表热流（SHF）作为地球内部热能释放的重要指示，一直受到广泛关注，尤其是在复杂的青藏高原地区，热流分布的研究仍存在许多未解之谜。

研究背景与必要性

青藏高原被称为地球的“第三极”，由于其复杂的地质构造和显著的地貌高差，自印度板块与欧亚板块碰撞以来，该区域经历了剧烈的构造活动。尽管已有研究发现该地区热流值存在显著的不均匀性，但由于测量点稀缺，传统的观测方法难以覆盖广泛区域，因此急需新的技术手段进行数据补充和解析。

EI-GNNWR模型的优势

EI-GNNWR模型通过整合地球物理和地质数据的空间异质性特征，能够捕捉地表热流的非线性关系，提供了一种全新的研究框架。研究显示，该模型在青藏高原及澳大利亚地区的热流预测中，表现出优于传统模型（如XGBoost、FCNN等）的显著优势，预测精度高达R²值0.91，归一化RMSE仅为0.07。

数据集与模型训练

研究人员整合了全球及区域的地表热流数据集，去除了不相关数据，以构建用于训练的初始数据集。共使用220个测量点进行模型训练和测试，确保了研究的可靠性和有效性。采用交叉验证技术，进一步提升了模型的准确性。

青藏高原热流分布图与影响因素分析

通过EI-GNNWR模型，研究人员绘制了青藏高原的SHF分布图，显示该地区平均热流值为66.2 mW/m²，高于全球平均值62.8 mW/m²。分析表明，地质和地球物理因素对热流的分布起着重要作用，特别是在山脊附近和地形复杂的区域，热流值显著增加。

未来研究方向

研究团队计划继续探索GIS理论与方法，致力于GeoAI的发展，推动地学智能分析平台技术的应用，进一步提升对地表热流及其他地质现象的理解。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例