基于机器学习的中国东部深源高温地热场研究

《Tectonophysics》：The deep-source high-temperature geothermal field in Eastern China from machine learning

地表热流（SHF）是研究地球内部热过程和 crust-mantle 交互作用的关键指标。本文提出随机森林加权神经网络（RFWNNs）模型，整合 crustal 厚度、LAB 深度、莫霍面深度等12类地质地球物理数据，揭示中国东部SHF非线性的深层控制机制。模型R2达0.815，识别出东北（岩石圈变薄）、华北（裂谷 crust 架构）、华南（俯冲带岩浆活动）三大高热流区，为大陆边缘热动力学研究提供新方法。

　　

刘建宁|张波|张锦江|邱亮|科伊·赫明|吴辉

DeepMinE，北京大学地球与空间科学学院，北京市海淀区，邮编100871，中国

摘要

地表热流（SHF）是地球内部热过程和地壳-地幔相互作用的重要指标，其精确评估对于理解区域性地热系统和潜在能源开发至关重要。中国东部以其独特的高热流和复杂的构造背景而著称，这为地热研究带来了独特的挑战和重大机遇。然而，控制其异质热流模式的多种地质因素尚未得到充分量化。传统的地球物理方法在阐明这种复杂地质环境中的复杂非线性关系方面存在局限性。本研究引入了一种创新的混合机器学习模型——随机森林加权神经网络（RFWNNs），以解析中国东部地表热流与多尺度地质和地球物理参数之间的复杂非线性关系。我们整合了多种数据集，包括地壳厚度、岩石圈-软流圈边界（LAB）深度、莫霍面深度、布格重力异常、海拔高度、断层密度等地质特征，构建了一个全面的地质背景。RFWNNs模型表现出出色的预测性能，决定系数（R²）达到0.815，并成功识别出三个主要的地热异常区域：中国东北部、北部和南部。通过特征重要性分析和SHAP可解释性评估，阐明了这些高热流区域的独特深部热控制机制。特征重要性分析和SHAP解释揭示了不同的主导机制：中国东北部的岩石圈减薄和地幔上涌、中国北部的裂谷相关地壳构造以及中国南部的俯冲驱动岩浆活动。本研究为解释区域性地热异常提供了一个稳健的、数据驱动的框架，并为汇聚型大陆边缘的深部热过程提供了新的见解。

引言

地表热流（SHF）是一个基本的地球物理参数，用于量化从地球内部向表面传递的热能，直接反映了地球深部热引擎的作用（Davies和Davies，2010；Pollack等人，1993）。从区域上看，SHF的空间分布和变化反映了地下热结构、岩石圈热传递机制以及构造单元的热状态的综合影响（Jaupart等人，2007）。因此，对SHF的研究为地壳和地幔的热状态、演化和动力学提供了关键约束（Sclater等人，1980；Pollack等人，1993；Davies和Davies，2010；Jiang等人，2019；Wang等人，2023a）。

汇聚型大陆-海洋边缘，如西太平洋边界，在调节热传输过程中起着重要作用（Minshull等人，1998；Hall和Morley，2004；Wang等人，2006；Li等人，2021）。一个显著的例子是中国东部，特别是在南北重力线（NSGL）以东的地区。在这一区域，靠近西太平洋高温地热带的地方伴随着岩石圈的突然减薄（Maruyama，1989；Liu等人，2021），反映了深部热异常。东亚大陆边缘位于两个活跃的构造域之间：东侧的太平洋俯冲域和西侧的特提斯碰撞域（Espurt等人，2008；Dayem等人，2009；Kusky等人，2014；Li等人，2019a；Wang等人，2023b）。自中生代以来，太平洋板块的俯冲一直是主要驱动力，引发了广泛的岩石圈伸展（Ren等人，2002；Li等人，2017）、地壳减薄（Wang等人，2009；Zhu和Xu，2019a；Liu等人，2021）、广泛的构造-岩浆活动以及地貌构造（Ren等人，2002；Xue等人，2007；Coble和Mahood，2012；Ye等人，2013；Ryu和Lee，2017；Mather等人，2020；Chen等人，2022；Wang等人，2023a；Huang等人，2024）。

古太平洋俯冲与深部地幔流动之间的复杂相互作用深刻影响了东亚的构造-热演化（Zhao等人，2007；Wang等人，2019）。这一点在长白山-天池火山场等火山系统中得到了体现，其中火山活动、构造和地幔动力学之间的相互作用仍然活跃（Chen等人，2017；Andreeva等人，2018）。在中国北部，高地热异常与岩石圈减薄和与大陆裂谷相关的地幔热对流密切相关（Zhu等人，2011；He等人，2014）。在中国南部，新生代南海裂谷作用使东南沿海地区的岩石圈热状态减弱，导致沿海地区地表热流显著增强（Tu等人，1992；Chung等人，1997；Cullen等人，2010；Li等人，2012；Burton-Johnson和Cullen，2023）。这些过程，如俯冲引起的地幔流动、软流圈上涌和地壳减薄，共同促成了中国东部多个高热流区域（> 80 mW/m²）的形成，包括：（1）中国北部的新生代渤海湾盆地（大陆内部裂谷，90–110 mW/m²）（Xie等人，1980；Ye等人，1985；Liu等人，2016；Wang等人，2021）；（2）中国南部的中生代-古近纪东南沿海火山带（弧相关，85–120 mW/m²）（Anderson等人，1978；Taylor和Hayes，1983；Nissen等人，1995；Zhou和Li，2000）；（3）第四纪长白山地热异常场（受地幔上涌影响，SHF高达约130 mW/m²；Lei和Zhao，2005；Jiang等人，2023）。

尽管广泛的 granite 岩浆活动和第四纪火山活动对区域热输入做出了重要贡献（Zhou等人，2006；Sun等人，2007），但大多数以往的研究主要集中在浅层地表和地壳特征上。关键的深层参数，如岩石圈-软流圈边界（LAB）、地幔热结构和下地壳流变学，仍然知之甚少（Zhang等人，2002；Ichiki等人，2006；Zhao等人，2011；Zhao和Tian，2013）。控制热传递和地表-地壳-地幔边界分布的机制，包括流体迁移和多尺度热耦合的作用，仍未完全理解。

为了解决这些知识空白，本研究应用了一种机器学习框架——随机森林加权神经网络（RFWNNs）来分析中国东部的多源地质和地球物理数据。近年来，机器学习算法越来越多地应用于地表热流预测，包括支持向量机（SVM）、随机森林（RF）和反向传播神经网络（BPNN）（Rezvanbehbahani等人，2017）。然而，单一模型在应用于复杂地质环境时存在明显局限性。例如，虽然随机森林通过特征重要性排名提供了出色的可解释性，但其基于树的架构倾向于生成离散的、阶梯状的预测结果，这在连续的地热场中并不现实。相反，神经网络在平滑非线性映射方面表现出色，但存在“黑箱”问题，并且容易在小规模地质数据集上过拟合（Bergen等人，2019中讨论）。因此，需要一个结合了RF的可解释性和NN的连续映射精度的混合框架。本研究引入了RFWNNs模型来应对这些挑战，旨在提高预测准确性（RMSE/R²）和地质可解释性。

通过整合地表特征、地壳厚度、岩石圈热流变结构和其他深层特征的约束，我们旨在量化地表热流与深部过程之间的非线性关系。这种方法为理解中国东部高温地热场提供了数据驱动的、机制性的解释，最终揭示了大陆边缘环境中浅层热异常与深部地球动力学之间的相互作用。

地质背景：中国东部

东亚占据欧亚大陆的东部边缘，东侧与太平洋和菲律宾海板块相邻，南侧与印度板块相邻（图1）。自印支造山运动（约2.5亿年前）以来，其东部地区通过多阶段地质动力学过程演化成为一个统一的大陆边缘构造带（Wegener，1966；Zhang等人，2008；Dong等人，2019；Zhang等人，2019b）。这一构造演化以2亿至1.7亿年前的广泛岩浆活动为特征，标志着

数据整合与预处理

为了研究岩石圈属性与地表热流（SHF）之间的联系，我们编译并空间配准了研究区域内12个地球物理参数与SHF测量点的数据（表2）。低分辨率数据集使用反距离加权方法进行了插值处理，而高分辨率参数则在相应的SHF坐标处直接采样。通过定量探索性分析和线性回归评估了变量之间的初步关联。

建模框架

鉴于

数据来源

地表热流（SHF）数据来源于Jiang等人（2019）编制的中国地热热流数据库，可通过https://chfdb.xyz/获取。共选择了436个位于中国东部的SHF测量点进行分析（见图2a - j中的空间分布）。布格重力异常数据来源于国际重力局（BGI）提供的WGM2012全球重力模型（https://bgi.obs-mip.fr）。该模型提供了高分辨率的全球重力异常网格

探索性趋势分析

我们首先评估了中国东部地表热流（SHF）与多种地质特征之间的关系，包括地壳厚度、岩石圈结构、地形以及与俯冲带和火山的距离（图3、图4、图5、图6、表3）。非参数局部加权散点平滑分析（LOWESS）可视化了这些地质参数与SHF之间的复杂非线性趋势（图3、图4、图5、图6）。为了统计量化这些

用于解析地热控制因素的机器学习框架

RFWNNs模型整合了多源地球物理和地质数据集，为理解中国东部地表热流的分布和控制因素提供了宝贵见解。这种混合机器学习方法能够有效量化地表热流（SHF）与关键参数（如俯冲带、重力梯度带、莫霍面深度、LAB深度等）之间的非线性关系，揭示了将岩石圈构造与地表热异常联系起来的深部热传输机制。

结论

本研究使用一种新颖的随机森林加权神经网络（RFWNNs）框架，为中国东部建立了一个高分辨率的地表热流（SHF）模型。通过整合多源地球物理数据和机器学习，我们成功克服了非线性映射和有限地质样本的挑战。在方法上，混合RFWNNs模型表现出优于单独的机器学习算法的预测性能（R² = 0.815）。

CRediT作者贡献声明

刘建宁：撰写——原始草稿、可视化、软件开发。张波：撰写——审稿与编辑、资源获取、概念构思。张锦江：资源支持。邱亮：方法论、研究实施。科伊·赫明：撰写——审稿与编辑。吴辉：研究实施。

利益冲突声明

作者声明本手稿不存在利益冲突。

致谢

本工作得到了国家重点研发计划（SQ2021YFA070137）、国家自然科学基金（资助编号42430304）以及中国石油公司-北京大学基础研究战略合作项目的支持。我们衷心感谢邱南生教授、张健教授和朱传庆教授提出的建设性建议，这些建议极大地改进了本手稿的质量。同时，我们也感谢金志军教授和刘润超教授的宝贵帮助