Predicting the Geothermal Gradient in Colombia: a Machine Learning Approach

准确确定地温梯度对于评估某一地区地热能潜力至关重要，哥伦比亚是一个拥有丰富地热资源的国家，因此尤其值得关注。活跃的石油和天然气勘探和生产历史在不同的地质环境中留下了钻孔井，直接测量了地温梯度。不幸的是，该国许多可能存在地热资源的地区缺乏这样的测量数据。间接的地球物理测量成本高，而且在区域尺度上难以进行。可以构建计算热模型，但需要对基础地质学有非常详细的了解，并需要对地下温度进行均匀采样才能得到良好的约束。我们提出了一种替代方法，利用最近在监督式机器学习方面的进展和可用的直接测量数据，来预测仅有全球尺度地球物理数据和粗略地质知识的地区的地温梯度。我们发现，梯度提升回归树算法可以得到最佳预测结果，并对训练模型进行了广泛验证。我们展示了我们模型的预测精度在12％以内，并且由其他作者进行的独立测量与我们的模型非常吻合。最后，我们呈现了哥伦比亚的地温梯度图，突出了需要进行进一步勘探和数据收集的地区。

本论文旨在利用监督式机器学习和已有的直接测量数据来预测哥伦比亚地区地温梯度，以此解决在缺乏直接测量数据的区域评估地热能潜力的问题。

本论文提出了一种基于梯度提升回归树算法的预测模型，该模型利用全球尺度地球物理数据和初步的地质知识，能够在缺乏直接测量数据的地区对地温梯度进行预测。

论文通过大量验证表明，所提出的模型预测结果的准确度高达12％，并且与其他研究人员的独立测量结果相符合。此外，本论文还提供了哥伦比亚地区的地温梯度地图，为进一步的勘探和数据收集提供了指导。

近期在该领域的相关研究包括：1. 'A Machine Learning Approach for Geothermal Energy Potential Mapping'；2. 'Assessment of Geothermal Energy Potential in the Colombian Andes Using a Geology-Based Methodology'。