Un documento che appare in Lettere di ricerca geofisica utilizza l'apprendimento automatico per creare un modello migliorato per comprendere il flusso di calore geotermico, il calore emanato dall'interno della Terra, al di sotto della calotta glaciale della Groenlandia. È un approccio di ricerca nuovo alla glaciologia che potrebbe portare a previsioni più accurate per la perdita di massa di ghiaccio e l'innalzamento globale del livello del mare.

Tra i principali risultati:

• La Groenlandia ha un flusso di calore anomalo in una regione settentrionale relativamente ampia che si estende dall'interno verso est e ovest.
• La Groenlandia meridionale ha un flusso di calore geotermico relativamente basso, corrispondente all'estensione del Cratone Nord Atlantico, una porzione stabile di una delle più antiche croste continentali esistenti sul pianeta.
• Il modello di ricerca prevede un flusso di calore leggermente elevato a monte di diversi ghiacciai a flusso rapido in Groenlandia, tra cui Jakobshavn Isbræ nel centro-ovest, il ghiacciaio in movimento più veloce sulla Terra.

"Il calore che sale dall'interno della Terra contribuisce alla quantità di fusione sul fondo della calotta glaciale, quindi è estremamente importante capire lo schema di quel calore e come è distribuito sul fondo della calotta glaciale, " disse Soroush Rezvanbehbahani, uno studente di dottorato in geologia presso l'Università del Kansas che ha guidato la ricerca. "Quando camminiamo su un pendio bagnato, è più probabile che scivoliamo. È la stessa idea con il ghiaccio:quando non è congelato, è più probabile che scivoli nell'oceano. Ma non abbiamo un modo semplice per misurare il flusso di calore geotermico, tranne che per le campagne sul campo estremamente costose che perforano la calotta glaciale. Invece di costose indagini sul campo, cerchiamo di farlo attraverso metodi statistici".

Rezvanbehbahani e i suoi colleghi hanno adottato l'apprendimento automatico, un tipo di intelligenza artificiale che utilizza tecniche statistiche e algoritmi informatici, per prevedere i valori del flusso di calore che sarebbe scoraggiante ottenere con gli stessi dettagli tramite carote di ghiaccio convenzionali.

Utilizzando tutti i geologici disponibili, dati sul flusso di calore tettonico e geotermico per la Groenlandia, insieme ai dati sul flusso di calore geotermico da tutto il mondo, il team ha implementato un approccio di apprendimento automatico che prevede i valori del flusso di calore geotermico sotto la calotta glaciale in tutta la Groenlandia sulla base di 22 variabili geologiche come la topografia del substrato roccioso, spessore crostale, anomalie magnetiche, tipi di roccia e vicinanza a elementi come trincee, creste, giovani spaccature, vulcani e punti caldi.

"Abbiamo molti dati provenienti da tutta la Terra:sappiamo che in alcune parti del mondo la crosta ha un certo spessore, composto da un tipo specifico di roccia e situato a una distanza nota da un vulcano, e prendiamo queste relazioni e le applichiamo a ciò che sappiamo della Groenlandia, " ha detto il co-autore Leigh Stearns, professore associato di geologia presso KU.

I ricercatori hanno affermato che il loro nuovo modello predittivo è un "miglioramento definitivo" rispetto agli attuali modelli di flusso di calore geotermico che non incorporano tante variabili. Infatti, molti modelli numerici di calotta glaciale della Groenlandia presumono che un valore uniforme del flusso di calore geotermico esista ovunque in tutta la Groenlandia.

"La maggior parte degli altri modelli onora davvero solo un particolare set di dati, " Stearns ha detto. "Guardano il flusso di calore geotermico attraverso segnali sismici o dati magnetici in Groenlandia, ma non spessore crostale o tipo di roccia o distanza da un punto caldo. Ma sappiamo che sono legati al flusso di calore geotermico. Cerchiamo di incorporare il maggior numero possibile di set di dati geologici piuttosto che presumere che uno sia il più importante".

Oltre a Rezvanbehbahani e Stearns, il team di ricerca dietro il nuovo documento include J. Doug Walker e C.J. van der Veen di KU, così come Amir Kadivar della McGill University. Rezvanbehbahani e Stearns sono anche affiliati al Centro per il telerilevamento delle calotte glaciali, con sede a KU.

Gli autori hanno scoperto che le cinque caratteristiche geologiche più importanti nella previsione dei valori del flusso geotermico sono la topografia, distanza da giovani spaccature, distanza dalla trincea, profondità del confine litosfera-astenosfera (strati del mantello terrestre) e profondità di Mohoroviči? discontinuità (il confine tra la crosta e il mantello nella Terra). I ricercatori hanno affermato che la loro mappa del flusso di calore geotermico della Groenlandia dovrebbe rientrare in circa il 15% dei valori reali.

"La scoperta più interessante è il netto contrasto tra il sud e il nord della Groenlandia, " ha detto Rezvanbehbahani. "Avevamo poche informazioni nel sud, ma avevamo altre tre o quattro carote nella parte settentrionale della calotta glaciale. Basandoci sul nucleo meridionale, pensavamo che si trattasse di una regione localizzata a basso flusso di calore, ma il nostro modello mostra che una parte molto più ampia della calotta glaciale meridionale ha un basso flusso di calore. Al contrario, nelle regioni settentrionali, abbiamo trovato vaste aree con un elevato flusso di calore geotermico. Questo non è così sorprendente perché abbiamo un nucleo di ghiaccio con una lettura molto alta. Ma il modello spaziale e il modo in cui il flusso di calore è distribuito, quella era una nuova scoperta. Non è solo una località settentrionale con un flusso di calore elevato, ma una vasta regione."

Gli investigatori hanno affermato che il loro modello sarebbe stato reso ancora più accurato man mano che la comunità di ricerca raccoglieva maggiori informazioni sulla Groenlandia.

"Diamo la leggera esclusione di responsabilità che questo è solo un altro modello, è il nostro miglior modello statistico, ma non abbiamo riprodotto la realtà, " disse Stearns. "Nelle scienze della Terra e nella glaciologia, stiamo assistendo a un'esplosione di dati disponibili pubblicamente. La tecnologia di apprendimento automatico che sintetizza questi dati e ci aiuta a imparare dall'intera gamma di sensori di dati sta diventando sempre più importante. È emozionante essere in prima linea".