Prédictions de flux de chaleur géothermique pour le Groenland. Mesures GHF directes à partir des carottes rocheuses côtières, inférences à partir de carottes de glace, et des données GHF supplémentaires à ajustement gaussien autour des sites de carottes de glace sont utilisées comme échantillons d'apprentissage. Les prédictions sont affichées pour trois valeurs différentes. La région en pointillés blancs montre approximativement l'étendue du flux de chaleur élevé et une trajectoire possible du mouvement du Groenland sur le panache islandais. Crédit :Université du Kansas
Un article paru dans Lettres de recherche géophysique utilise l'apprentissage automatique pour créer un modèle amélioré permettant de comprendre le flux de chaleur géothermique (la chaleur émanant de l'intérieur de la Terre) sous la calotte glaciaire du Groenland. Il s'agit d'une approche de recherche nouvelle en glaciologie qui pourrait conduire à des prédictions plus précises de la perte de masse de glace et de l'élévation du niveau de la mer à l'échelle mondiale.
Parmi les principales conclusions :
"La chaleur qui monte de l'intérieur de la Terre contribue à la quantité de fonte au fond de la calotte glaciaire - il est donc extrêmement important de comprendre le modèle de cette chaleur et comment elle est distribuée au fond de la calotte glaciaire, " a déclaré Soroush Rezvanbehbahani, un étudiant au doctorat en géologie à l'Université du Kansas qui a dirigé la recherche. "Quand on marche sur une pente mouillée, nous sommes plus susceptibles de glisser. C'est la même idée avec la glace - quand elle n'est pas gelée, il est plus susceptible de glisser dans l'océan. Mais nous n'avons pas de moyen facile de mesurer le flux de chaleur géothermique, sauf pour des campagnes de terrain extrêmement coûteuses qui forent à travers la calotte glaciaire. Au lieu d'enquêtes sur le terrain coûteuses, nous essayons de le faire à l'aide de méthodes statistiques. »
Rezvanbehbahani et ses collègues ont adopté l'apprentissage automatique - un type d'intelligence artificielle utilisant des techniques statistiques et des algorithmes informatiques - pour prédire des valeurs de flux de chaleur qu'il serait difficile d'obtenir avec les mêmes détails via des carottes de glace conventionnelles.
En utilisant tous les éléments géologiques disponibles, les données de flux de chaleur tectoniques et géothermiques pour le Groenland, ainsi que les données de flux de chaleur géothermiques du monde entier, l'équipe a déployé une approche d'apprentissage automatique qui prédit les valeurs de flux de chaleur géothermique sous la calotte glaciaire à travers le Groenland sur la base de 22 variables géologiques telles que la topographie du substratum rocheux, épaisseur de la croûte, anomalies magnétiques, types de roches et proximité de caractéristiques comme les tranchées, crêtes, jeunes failles, volcans et points chauds.
Auteur principal Soroush Rezvanbehbahani, étudiant diplômé en géologie à l'Université du Kansas, explore une grotte de glace. Crédit :Université du Kansas
"Nous avons beaucoup de points de données autour de la Terre - nous savons que dans certaines parties du monde la croûte a une certaine épaisseur, composé d'un type de roche spécifique et situé à une distance connue d'un volcan - et nous prenons ces relations et les appliquons à ce que nous savons du Groenland, " a déclaré le co-auteur Leigh Stearns, professeur agrégé de géologie à la KU.
Les chercheurs ont déclaré que leur nouveau modèle prédictif est une "amélioration nette" par rapport aux modèles actuels de flux de chaleur géothermique qui n'intègrent pas autant de variables. En effet, de nombreux modèles numériques de calotte glaciaire du Groenland supposent qu'une valeur uniforme de flux de chaleur géothermique existe partout au Groenland.
"La plupart des autres modèles n'honorent vraiment qu'un ensemble de données particulier, " Stearns a déclaré. "Ils regardent le flux de chaleur géothermique à travers des signaux sismiques ou des données magnétiques au Groenland, mais pas l'épaisseur de la croûte ou le type de roche ou la distance d'un point chaud. Mais nous savons que ceux-ci sont liés au flux de chaleur géothermique. Nous essayons d'incorporer autant d'ensembles de données géologiques que possible plutôt que de supposer que l'un est le plus important."
En plus de Rezvanbehbahani et Stearns, l'équipe de recherche à l'origine du nouvel article comprend J. Doug Walker et C.J. van der Veen de KU, ainsi qu'Amir Kadivar de l'Université McGill. Rezvanbehbahani et Stearns sont également affiliés au Centre de télédétection des calottes glaciaires, dont le siège est à KU.
Les auteurs ont découvert que les cinq caractéristiques géologiques les plus importantes pour prédire les valeurs de flux géothermique sont la topographie, distance aux jeunes failles, distance à la tranchée, profondeur de la limite lithosphère-asthénosphère (couches du manteau terrestre) et profondeur jusqu'à Mohoroviči ? discontinuité (la frontière entre la croûte terrestre et le manteau terrestre). Les chercheurs ont déclaré que leur carte des flux de chaleur géothermique du Groenland devrait se situer à environ 15% des valeurs réelles.
"La découverte la plus intéressante est le contraste marqué entre le sud et le nord du Groenland, " a déclaré Rezvanbehbahani. " Nous avions peu d'informations dans le sud, mais nous avions trois ou quatre autres carottes dans la partie nord de la calotte glaciaire. Sur la base du noyau sud, nous pensions qu'il s'agissait d'une région localisée à faible flux thermique, mais notre modèle montre qu'une partie beaucoup plus grande de la calotte glaciaire sud a un faible flux thermique. Par contre, dans les régions du nord, nous avons trouvé de vastes zones avec un flux de chaleur géothermique élevé. Ce n'est pas aussi surprenant car nous avons une carotte de glace avec une lecture très élevée. Mais le modèle spatial et la façon dont le flux de chaleur est distribué, que c'était une nouvelle découverte. Ce n'est pas seulement un endroit nordique avec un flux de chaleur élevé, mais une vaste région."
Les enquêteurs ont déclaré que leur modèle deviendrait encore plus précis à mesure que davantage d'informations sur le Groenland seraient compilées dans la communauté des chercheurs.
"Nous donnons le léger avertissement qu'il ne s'agit que d'un autre modèle - c'est notre meilleur modèle statistique - mais nous n'avons pas reproduit la réalité, " a déclaré Stearns. " En sciences de la Terre et en glaciologie, nous assistons à une explosion de données accessibles au public. La technologie d'apprentissage automatique qui synthétise ces données et nous aide à apprendre de toute la gamme de capteurs de données devient de plus en plus importante. C'est excitant d'être à l'avant-garde."
