Predicciones del flujo de calor geotérmico para Groenlandia. Mediciones directas de GHF de los núcleos de rocas costeras, inferencias de núcleos de hielo, y como muestras de entrenamiento se utilizan datos adicionales de GHF de ajuste gaussiano alrededor de los sitios de núcleos de hielo. Las predicciones se muestran para tres valores diferentes. La región de rayas blancas muestra aproximadamente la extensión del flujo de calor elevado y una posible trayectoria del movimiento de Groenlandia sobre la columna de Islandia. Crédito:Universidad de Kansas
Un papel que aparece en Cartas de investigación geofísica utiliza el aprendizaje automático para crear un modelo mejorado para comprender el flujo de calor geotérmico (calor que emana del interior de la Tierra) debajo de la capa de hielo de Groenlandia. Es un enfoque de investigación nuevo para la glaciología que podría conducir a predicciones más precisas de la pérdida de masa de hielo y el aumento global del nivel del mar.
Entre los hallazgos clave:
"El calor que proviene del interior de la Tierra contribuye a la cantidad de derretimiento en la parte inferior de la capa de hielo, por lo que es extremadamente importante comprender el patrón de ese calor y cómo se distribuye en la parte inferior de la capa de hielo. "dijo Soroush Rezvanbehbahani, estudiante de doctorado en geología en la Universidad de Kansas que encabezó la investigación. "Cuando caminamos por una pendiente mojada, es más probable que resbalemos. Lo mismo ocurre con el hielo:cuando no está congelado, es más probable que se deslice hacia el océano. Pero no tenemos una manera fácil de medir el flujo de calor geotérmico, a excepción de campañas de campo extremadamente costosas que perforan la capa de hielo. En lugar de costosas encuestas de campo, tratamos de hacer esto 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.
Usando todos los datos geológicos disponibles, datos de flujo de calor geotérmico y tectónico para Groenlandia, junto con 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 todo Groenlandia en función de 22 variables geológicas, como la topografía del lecho rocoso, espesor de la corteza, anomalías magnéticas, tipos de rocas y proximidad a características como trincheras, crestas grietas jóvenes, volcanes y puntos calientes.
Autor principal, Soroush Rezvanbehbahani, estudiante de posgrado en geología en la Universidad de Kansas, explora una cueva de hielo. Crédito:Universidad de Kansas
"Tenemos muchos puntos de datos alrededor de la Tierra; sabemos que en ciertas partes del mundo la corteza tiene un cierto grosor, compuesto de un tipo específico de roca y ubicado a una distancia conocida de un volcán, y tomamos esas relaciones y las aplicamos a lo que sabemos sobre Groenlandia, "dijo el coautor Leigh Stearns, profesor asociado 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. En efecto, Muchos modelos numéricos de capas de hielo de Groenlandia asumen que existe un valor uniforme de flujo de calor geotérmico en todas partes de Groenlandia.
"La mayoría de los otros modelos 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 espesor de la corteza o el tipo de roca o la distancia de un punto caliente. Pero sabemos 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 C.J. van der Veen de KU, así como Amir Kadivar de la Universidad McGill. Rezvanbehbahani y Stearns también están afiliados al Centro para la percepción remota de 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, distancia a las grietas jóvenes, distancia a la trinchera, profundidad del límite litosfera-astenosfera (capas del manto de la Tierra) y profundidad a Mohoroviči? discontinuidad (el límite entre la 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 marcado 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. Basándonos en el núcleo sur, pensamos que se trataba de una región localizada de bajo flujo de calor, pero nuestro modelo muestra que una parte mucho mayor de la capa de hielo del sur tiene un bajo flujo de calor. Por el contrario, en las regiones del norte, encontramos grandes áreas con alto 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, que era un hallazgo nuevo. Esa no es solo una ubicación al norte con un alto flujo de calor, pero una amplia región ".
Los investigadores dijeron que su modelo sería aún más preciso a medida que la comunidad investigadora recopilara más información sobre Groenlandia.
"Damos la ligera 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 datos disponibles públicamente. 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 ".