Predicting the Geothermal Gradient in Colombia: a Machine Learning Approach

准确测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，因此尤其引人关注。活跃的油气勘探和生产历史在不同地质环境中留下了钻孔，提供了地温梯度的直接测量。不幸的是，该国许多潜在地热资源区域缺乏这样的测量。间接的地球物理测量成本高且难以在区域尺度上进行。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，并对地下温度进行统一的采样以得到良好的约束。我们提出了一种替代方法，利用最近监督机器学习的进展和可用的直接测量结果，预测在只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产生了最佳预测，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结果与我们的模型非常吻合。最后，我们提供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区域。

本论文旨在利用监督机器学习方法，预测哥伦比亚地区地热梯度，以便评估该地区地热能潜力。由于该地区许多地方缺乏直接测量数据，因此需要一种新的方法来预测地热梯度。

本论文的关键思路是使用梯度提升回归树算法来预测地热梯度。该算法利用现有的直接测量数据进行训练，以预测缺乏数据的地区的地热梯度。相比于传统的计算热模型方法，该方法更加高效且准确。

本论文的实验结果表明，该算法的预测精度可达到12％。同时，论文还提供了哥伦比亚地区的地热梯度地图，为进一步的勘探和数据收集提供了指导。此外，论文还对训练模型进行了广泛的验证，并与其他研究的结果进行了比较。

在相关研究方面，最近的一些研究集中于利用机器学习方法来预测地热梯度。例如，一篇题为“利用卫星数据和机器学习方法预测地热梯度”的论文。