南美洲热流预测的挑战

热流是理解地球内部热状态的关键参数。然而，相比全球其他区域，南美洲的热流数据稀疏性对精确绘制该地区热流分布构成挑战。现有南美热流图多依赖插值方法，忽略了复杂地质因素的控制，导致数据匮乏区域预测失真。全球热流模型虽可提供全域预测，但在南美地区误差显著，暗示该区域可能存在不同于全球普遍规律的独特地热系统。

机器学习的应用

针对数据匮乏与现有模型的局限，中山大学地球科学与工程学院的研究团队转向机器学习技术。研究人员采用三种监督学习算法——随机森林（RF）、支持向量机（SVM）和极限梯度提升（Xgboost），预测南美热流分布（图1）。通过对比多种统计指标（均方根误差RMSE、平均绝对误差MAE、R²分数）以及实测地热流数据，证实训练后的模型预测精度显著优于全球模型。其中，Xgboost模型在所有评价指标上均表现最优。

核心发现：岩浆活动热效应是俯冲带热异常的关键

基于最优的Xgboost模型，研究团队生成了南美大陆高精度热流分布图。对比显示，全球模型在安第斯山脉（尤其是南段）误差较大，最大偏差超过250 mW/m²（图1a）。安第斯地区缘何成为全球模型的“失准区”？团队提出了关键见解：俯冲带相关的岩浆活动产生了显著的热效应，而该过程被全球模型忽略。沿安第斯火山弧中心剖面提取并对比两种模型（Xgboost模型和全球模型）的热流预测值发现，其差异峰值恰好对应于火山活动密集区；在缺乏火山活动的平板俯冲区，差异则显著减小（图2a）。这种空间关联性有力地表明，岩浆活动热效应是俯冲带热异常的关键驱动因素。

为深入验证这一空间关联，研究团队运用局部奇异性分析（LSA）技术，计算了热流、火山活动和岩浆岩分布的奇异性指数（k）（图2b-2d）。结果显示：热流奇异性指数峰值在空间上与火山活动和岩浆岩的奇异性指数峰值高度吻合。这进一步证实，Xgboost模型成功捕捉到了热流空间分布与俯冲带岩浆活动剧烈区域的内在联系。

另一热异常来源：板片窗的加热效应

研究观测到安第斯南部火山区南段存在高热流异常与低俯冲带岩浆活动强度并存的地质现象（图2），表明该南段可能存在额外热源。本研究认为，此异常热源可归因于巴塔哥尼亚板片窗结构对大陆岩石圈的加热效应。

巴塔哥尼亚板片窗是俯冲带与洋中脊相互作用的产物，表现为洋中脊与俯冲带交汇时在俯冲洋壳板块中形成的缺口。板片窗的形成导致上覆板块地壳下方缺乏刚性岩石圈地幔，直接暴露于炽热的软流圈地幔（图3）。随着板片窗的发育，区域地幔物质逐渐增温脱水。脱水作用抑制了弧火山活动；同时，板片窗内的岩浆作用可能取代了俯冲带熔融。这一机制合理解释了南部火山区南段热流值升高，而火山和岩浆岩分布密度自北向南降低的观测特征。

结论与展望

成功绘制高精度热流图：本研究利用机器学习算法（尤其是Xgboost）成功预测并绘制了南美大陆高分辨率热流图，填补了该地区地热研究的重要空白。

揭示关键热源机制：研究发现并证实，安第斯俯冲带岩浆活动的热效应是造成该区域地热流显著高于全球模型预测值的关键热源，其热贡献需在地球动力学模型中予以重视。

方法学启示：该研究证明了机器学习在整合多源地质地球物理信息、克服数据稀疏性方面的巨大潜力，为理解南美洲独特地质特性提供了新视角，并显示机器学习方法在全球其他热流数据分布不均区域具有显著应用潜力。

图1 多种模型绘制的南美洲热流图和重采样的空间误差点。(a) 全球模型，(b) Xgboost，(c) RF，(d) SVM。

图2 (a) Xgboost 模型、全球模型和两种模型差异的热流值。(b)Xgboost 模型预测的热流的奇异指数值。(c) 岩浆岩空间分布和奇异性指数值。直方图表示岩浆岩的数量。(d) 火山空间分布和奇异性指数值。直方图表示火山数量。蓝色虚线划分了火山区和平板俯冲区。黑框代表有热异常的区域。NVZ：北部火山区；CVZ：中部火山区；SVZ：南部火山区；PeFS：秘鲁平板俯冲区；PaFS：潘帕斯平板俯冲区。

图3 巴塔哥尼亚板片窗横截面示意图。

以上成果发表在：Junjie Ji, Qiuming Cheng, Yang Zhang, Yuanzhi Zhou, Tao Hong, 2025. Machine Learning Discovers South American Subduction Zone Hotter than previously Predicted.Journal of Earth Science, 36(3): 1277–1289.