Por favor, avalie esta postagem
Estas são previsões de fluxo de calor geotérmico para a Groenlândia. Medições diretas de GHF a partir de núcleos de rochas costeiras, inferências de núcleos de gelo e dados adicionais de GHF com ajuste gaussiano em torno de locais de núcleo de gelo são usados como amostras de treinamento. As previsões são mostradas para três valores diferentes. A região tracejada branca mostra aproximadamente a extensão do elevado fluxo de calor e uma possível trajetória do movimento da Groenlândia sobre a pluma islandesa. Serviço de notícias KU
Um artigo publicado na Geophysical Research Letters usa aprendizado de máquina criar um modelo melhorado para compreender o fluxo de calor geotérmico – calor que emana do interior da Terra – abaixo do manto de gelo da Gronelândia. É uma abordagem de pesquisa nova na glaciologia que pode levar a previsões mais precisas sobre a perda de massa de gelo e o aumento global do nível do mar.
Entre as principais descobertas:
- A Gronelândia tem um fluxo de calor anormalmente elevado numa região norte relativamente grande, espalhando-se do interior para leste e oeste.
- O sul da Groenlândia tem um fluxo de calor geotérmico relativamente baixo, correspondendo à extensão do Cráton do Atlântico Norte, uma porção estável de uma das mais antigas crostas continentais existentes no planeta.
- O modelo de investigação prevê um fluxo de calor ligeiramente elevado a montante de vários glaciares de fluxo rápido na Gronelândia, incluindo Jakobshavn Isbræ, no centro-oeste, o glaciar que se move mais rapidamente na Terra.
“O calor que vem do interior da Terra contribui para a quantidade de derretimento na parte inferior da camada de gelo – por isso é extremamente importante compreender o padrão desse calor e como ele está distribuído na parte inferior da camada de gelo”, disse. Soroush Rezvanbehbahani, estudante de doutorado em geologia na Universidade do Kansas que liderou a pesquisa. “Quando andamos numa encosta molhada, temos maior probabilidade de escorregar. É a mesma ideia com o gelo – quando não está congelado, é mais provável que deslize para o oceano. Mas não temos uma maneira fácil de medir o fluxo de calor geotérmico, exceto em campanhas de campo extremamente caras que perfuram a camada de gelo. Em vez de pesquisas de campo caras, tentamos fazer isso através de métodos estatísticos.”
Rezvanbehbahani e os seus colegas adoptaram a aprendizagem automática – um tipo de inteligência artificial que utiliza técnicas estatísticas e algoritmos informáticos – para prever valores de fluxo de calor que seriam difíceis de obter com o mesmo detalhe através de núcleos de gelo convencionais.
Usando todos os dados geológicos, tectônicos e de fluxo de calor geotérmico disponíveis para a Groenlândia – juntamente com dados de fluxo de calor geotérmico de todo o mundo – a equipe implantou uma abordagem de aprendizado de máquina que prevê valores de fluxo de calor geotérmico sob o manto de gelo em toda a Groenlândia com base em 22 variáveis geológicas. como topografia do leito rochoso, espessura da crosta, anomalias magnéticas, tipos de rochas e proximidade de características como trincheiras, cristas, fendas jovens, vulcões e pontos quentes.
“Temos muitos dados de toda a Terra – sabemos que em certas partes do mundo a crosta tem uma certa espessura, composta por um tipo específico de rocha e localizada a uma distância conhecida de um vulcão – e pegamos essas relações e aplique-os ao que sabemos sobre a Groenlândia”, disse o coautor Leigh Stearns, professor associado de geologia na KU.
Os pesquisadores disseram que seu novo modelo preditivo é uma “melhoria definitiva” em relação aos modelos atuais de fluxo de calor geotérmico que não incorporam tantas variáveis. Na verdade, muitos modelos numéricos do manto de gelo da Groenlândia assumem que existe um valor uniforme de fluxo de calor geotérmico em toda a Groenlândia.
“A maioria dos outros modelos realmente respeita apenas um conjunto de dados específico”, disse Stearns. “Eles analisam o fluxo de calor geotérmico através de sinais sísmicos ou dados magnéticos na Groenlândia, mas não a espessura da crosta terrestre, o tipo de rocha ou a distância de um ponto quente. Mas sabemos que estes estão relacionados com o fluxo de calor geotérmico. Tentamos incorporar tantos conjuntos de dados geológicos quanto possível, em vez de assumir que um é o mais importante.”
Além de Rezvanbehbahani e Stearns, a equipe de pesquisa por trás do novo artigo inclui J. Doug Walker e CJ van der Veen da KU, bem como Amir Kadivar da Universidade McGill. Rezvanbehbahani e Stearns também são afiliados ao Centro de Sensoriamento Remoto de Mantos de Gelo, com sede em KU.
Os autores descobriram que as cinco características geológicas mais importantes na previsão dos valores do fluxo geotérmico são topografia, distância até fendas jovens, distância até a trincheira, profundidade do limite litosfera-astenosfera (camadas do manto terrestre) e profundidade até a descontinuidade de Mohorovičić (o limite entre o crosta e o manto da Terra). Os pesquisadores disseram que seu mapa de fluxo de calor geotérmico da Groenlândia deverá estar dentro de cerca de 15% dos valores reais.
“A descoberta mais interessante é o nítido contraste entre o sul e o norte da Groenlândia”, disse Rezvanbehbahani. “Tínhamos poucas informações no sul, mas tínhamos mais três ou quatro núcleos na parte norte do manto de gelo. Com base no núcleo sul, pensámos que esta era uma região localizada de baixo fluxo de calor – mas o nosso modelo mostra que uma parte muito maior da camada de gelo sul tem baixo fluxo de calor. Por outro lado, nas regiões norte, encontramos grandes áreas com elevado fluxo de calor geotérmico. Isto não é tão surpreendente porque temos um núcleo de gelo com uma leitura muito elevada. Mas o padrão espacial e a forma como o fluxo de calor é distribuído foram uma descoberta nova. Não se trata apenas de um local no norte com alto fluxo de calor, mas de uma ampla região.”
Os investigadores disseram que o seu modelo se tornará ainda mais preciso à medida que mais informações sobre a Groenlândia forem compiladas pela comunidade científica.
“Fazemos uma pequena ressalva de que este é apenas mais um modelo – é o nosso melhor modelo estatístico – mas não reproduzimos a realidade”, disse Stearns. “Nas ciências da Terra e na glaciologia, estamos a assistir a uma explosão de dados disponíveis publicamente. A tecnologia de aprendizado de máquina que sintetiza esses dados e nos ajuda a aprender com toda a gama de sensores de dados está se tornando cada vez mais importante. É emocionante estar na vanguarda.”
Referência: “Prevendo o fluxo de calor geotérmico na Groenlândia: uma abordagem de aprendizado de máquina” por Soroush Rezvanbehbahani, Leigh A. Stearns, Amir Kadivar, J. Doug Walker e CJ van der Veen, 16 de novembro de 2017, Cartas de Pesquisa Geofísica.
DOI: 10.1002/2017GL075661