基于地质年代与热流关系的中国陆区热流分布

Heat Flow Distribution in the Continental Area of China Based on the Relationship between Geologic Age and Heat Flow

摘要

大地热流是表征地球内部热状态传输到表层的重要参数，大地热流分布是地热研究中的基础工作. 我国陆区大地热流数据质量差异大且空间分布不均匀，对大地热流的科学预测是开展大地热流及相关研究的重要基础. 在地质年代与热流关系的基础上，采用地理信息系统（GIS）技术，利用中国陆区数字地质图定义不同地质区域的热流值，对热流离散性较大的地质年代结合构造分区统计赋值，使热流预测更符合我国构造-热背景. 热流预测采用1°×1°等经度网格将热流的影响范围约束在网格单元中. 我国陆区的大地热流预测平均值为63.54 mW/m²，中值为62.32 mW/m²，热流分布离散性较小.预测结果接近我国构造-热背景，为热流数据空白区的热流值预测提供科学依据.

Abstract

Terrestrial heat flow is an important parameter to characterize the heat transfer from the earth's interior to the surface. The distribution of terrestrial heat flow is the basic work in geothermal research. The data quality of terrestrial heat flow varies greatly and the spatial distribution of heat flow data in China is uneven. The scientific prediction of continental heat flow is an essential basis for the development of continental heat flow and related research. Based on the relationship between geologic age and heat flow, this paper uses geographic information system (GIS) technology to define heat flow values in different geological regions by using digital geological map of the Chinacontinentalarea, and assigns statistical values to geologic age with large heat flow dispersion combined with tectonic subdivision, so that heat flow prediction is more in line with Chinese tectonic⁃thermal background. Heat flow prediction is based on 1×1 degree equal longitude grid to restrict the influence range of heat flow in grid cell. The predicted mean value of terrestrial heat flow in China continental area is 63.54 mW/m², and the median value is 62.32 mW/m², with small discreteness of heat flow distribution. The prediction results in this paper are close to the tectonic⁃thermal background in China, which provides a scientific basis for the prediction of heat flow in the blank area of heat flow data.

Graphical abstract

关键词

大地热流 / 地质年代 / 构造分区 / 热流预测 / GIS.

Key words

terrestrial heat flow / geologic age / tectonic subdivision / heat flow prediction / GIS.

大地热流是单位时间单位面积由地球内部向地表传输的热量，单位为mW/m²，可通过测量热导率和地温梯度计算得到（Davies and Davies， 2010； 郝春艳等， 2014；何丽娟和汪集旸， 2021）. 探索大地热流的空间分布是地热研究中的一项重要工作. 这项工作是岩石圈热结构、深部热状态、构造动力学背景、油气资源勘探、地热资源潜力评价、干热岩靶区等研究的重要基础（蔺文静等，2016；李宗星等， 2016；支剑丽等， 2018； 许传杰等， 2021；张健等， 2023）.

1963年，国际热流委员会（IHFC）成立，对全球热流数据进行汇编和统计. 基于收集和汇编的热流数据，许多研究者进行了热流图制作、全球热损失计算、全球海洋和陆地热流预测等方面的基础性研究（Chapman and Pollack， 1975； Pollack et al.， 1993；Davies and Davies， 2010； Goutorbe et al.， 2011； Mareschal et al.， 2017； Hamza and Vieira， 2018； Lucazeau， 2019）. Fuchs et al. （2021）修订了全球热流库（GHFD），提出了新的GHFD结构，完善热流数据质量标准，提高与外部数据服务的互操作性. Chapman and Pollack（1975）和Pollack et al. （1993）统计了全球大地热流与地质年代数据，发现两者之间存在负相关关系，即地质年代越新，热流值越高，并以此为依据预测了全球5°×5°网格的热流分布图，该方法为陆地和海洋热流预测模型建立了基础. Davies等人（Davies and Davies， 2010； Davies， 2013）根据地质年代和热流的关系结合地理信息系统（GIS）技术来预测全球热流分布，实现跨学科结合，提高了热流预测的效率和精度. Hamza and Vieira（2018）根据热流与上一次热构造事件的经验关系采用GIS计算热流值，并重新计算全球热损失，约为28~35 TW，但地质类别分类过少，不适用于局部小范围的热流研究. Goutorbe et al. （2011）认为采用与岩石圈热状态有关的多个参数对热流进行约束和预测比采用单一参数（如地质年龄）的效果更好，可更好的解释地球动力学环境的多样性，并通过对比相似度方法和最佳组合方法的预测效果，认为相似度方法得到的结果更符合实际热流分布. Lucazeau （2019）也认为相似度方法可以更好的预测热流的分布，并采用了14个观测数据进行热流预测，获得了全球0.5°×0.5°的热流预测分布图.

我国大地热流研究始于20世纪60年代. 1979年，中国科学院地质研究所地热组成立并公布了我国第一批大地热流数据. 1988年，汪集旸和黄少鹏（1988）第一次比较系统的对我国大陆热流数据进行汇编，统计了167个热流数据，并在1990、2001、2016年分别进行了第二、三、四版热流数据汇编（汪集旸和黄少鹏， 1990； 胡圣标等， 2001； 姜光政等， 2016），热流数据增加至1 230个，热流平均值为61.5 mW/m²（姜光政等， 2016； Jiang et al.，2019）. 国内的大地热流图多是基于空间插值的方法获得（Hu et al.， 2000； 蔺文静等， 2012； 马峰等， 2015；蔺文静等， 2016；Sun et al.， 2022； Zhu et al.， 2022）. 插值方法为未知热流区的热流数据获取和分析提供了一种便捷的方法，但插值结果不仅受热流数据质量和空间分布情况的影响，而且参数设置也会影响结果的精度，例如，数据点领域范围、权值确定方法（自相关程度）、内插函数选择等，这些都会对热流数据分布稀疏的未知热流区的热流预测产生较大影响. Tao and Shen （2008）基于活动构造区和断裂带的分布将研究区分为41个地质单元，采用加权平均值预测相应单元热流值，但以构造分区为基础单元统计的热流值分辨率较低，在热流数据较少的地区预测结果的精度可能不足.

综上所述，全球热流测点分布不均，不同地区热流数量分布差异大，如北美洲和非洲，而在中国区域由于地质条件复杂，再加上热流分布具有局部区域性，全球区域的热流研究对中国热流的预测适用性不强. 此外国内大地热流分布图多是由热流数据空间插值得到，而热流空间分布不均匀，数据质量和地热异常值对热流预测结果影响较大，不能反映地球内部真实热状态. 因此，本文是在地质年代与热流存在相关性的基础上，结合我国一级构造分区情况，采用GIS技术分析、统计、赋值，为热流数据空白区分配热流值. 通过将热流、地质年代、构造分区三者结合起来预测我国陆区大地热流分布情况，弥补了我国大地热流预测方面的不足，为研究岩石圈热结构提供重要的约束条件（Goes et al.， 2020；邱楠生等， 2022）.

1 数据来源与研究方法

1.1　热流数据

自1988年以来，我国陆区进行了4次大地热流数据汇编，有1 230个数据（含渤海海域），但台湾省的热流数据尚未统计在第四版热流数据中. 现今，全球热流数据更新至2021年（http：//ihfc-iugg.org/），包括台湾省的热流数据. 本文结合两项数据预测中国陆区热流分布.

我国第四版大地热流数据，数据质量从高到低依次为A、B、C、D. A、B类数据质量高，C类数据不确定性较大，而D类数据主要受浅部、局部因素的干扰，或为地热异常区，质量较低，主要用于地热勘查中（汪集旸等，1990）. 热流数据统计结果如表1，最新一次热流数据汇编实测热流值范围为：23.4~319.0 mW/m²，平均热流值为61.5 mW/m²，去掉D类数据后，热流值在30~140 mW/m²之间，质量加权后的热流平均值约为60.2 mW/m²（姜光政等， 2016）. 与早期热流数据汇编相比，热流值范围扩大，热流值平均值有所降低，这主要是早期热流数据汇编中多东部高热流数据，而后期增加了西北部低热流数据的原因.

全球热流数据来源于国际热流委员会（IHFC）统计的最新数据，包括40 870个陆地数据和33 678个海洋数据，陆区实测热流平均值约为104.6 mW/m²，海区实测热流平均值约为327.45 mW/m². 该套数据具有经纬度、地温梯度、热导率、热流值等主要热参数信息，目前质量文件正在审校，包括中国大陆地区的热流数据1 490个（含台湾省）.

经过预处理（详见1.4.2（1））共得到1 803个中国陆区热流数据（不含渤海海域），大地热流数据的获取依赖于现有钻井，具有地理位置分布局限性. 本文采用的热流数据与姜光政等（2016）的热流数据相比多了680个热流数据（不包括渤海海域）（图1），大多数热流数据空间位置相近，在热流数据覆盖度方面，增加的热流数据主要分布在台湾省、而大陆内部零星分布，同时热流覆盖率从29.12%增加至30.81%（1°×1°网格分辨率）. 热流分布在我国陆区具有东高、西南高、中低、西北低的特点（汪集旸等， 2012）. 图1显示，我国东南沿海地区平均热流值>70 mW/m²，例如广东惠州约为70 mW/m²（旷健等， 2020），其中福建福州、漳州的热流值最高在200 mW/m²以上. 台湾省平均热流值约为121.81 mW/m²，较东南沿海热流值高. 西藏地区热流数据稀少，热流值范围在46~348 mW/m²之间，平均热流值约为148.72 mW/m²，是我国热流高值区. 我国中部平均热流值在60~70 mW/m²之间，其中山西运城、湖北荆州和安徽六安的热流值在150 mW/m²以上，而四川盆地平均热流值约为53.72 mW/m²，极少部分地区存在地热异常值. 西北地区平均热流值<45 mW/m²，是我国热流低值区.

1.2　构造分区

大地构造分区是根据构造活动程度进行划分的. 潘桂棠等（2009）将我国陆区的一级构造分区分为9个构造分区，其中5个造山系、4个陆块区. 因天山-兴蒙造山系东西部热流差异较大，本文根据实测热流数据的空间分布，以构造分区分界线的延伸处为东西部分界线. 因此，沿着华北陆块区的阿拉善陆块和塔里木陆块区的敦煌地块的分界线向西北方向延伸至国界处将天山-兴蒙造山系分为东、西两部分，其中分界线的西部与塔里木陆块区合为西北陆块区、分界线的东部为兴蒙造山系. 根据地理位置和热流差异性，将武夷-云开-台湾造山系分为武夷-云开造山系和台湾造山系，菲律宾造山系和台湾造山系合为台湾造山系，印度陆块与西藏-三江造山系合为西藏-三江造山系. 因此，本文采用的构造分区分为3个陆块区：西北陆块区、华北陆块区、扬子陆块区；5个造山系：兴蒙造山系、武夷-云开造山系、台湾造山系、西藏-三江造山系、秦祁昆造山系（图1）. 西藏-三江造山系、台湾造山系因构造活动强度大，热流值较高，热流平均值分别为122.25 mW/m²、121.80 mW/m²，而西藏-三江造山系热流数据分布稀疏，数据量少，台湾造山系热流数据丰富. 西北陆块区热流值较低，平均值为43.82 mW/m²，热流数据主要分布在稳定构造区.

1.3　地质年代数据

地质数据采用了美国地质调查局（USGS）提供的500万中国及邻区地质数据集（Steinshouer et al.， 2006），包括地质年代、岩性的属性信息，其中地质年代表示的是地表露头的形成时期. 从图2中可知，中国陆区的地质年代从前寒武纪至第四纪共分为36类，具有实际意义的地质年代有34类，靠近国界处的未知地质类是原地质图无数据区域，本研究将其归为未知地质类，共得到7 053个地质多边形. 在各地质年代出露的地层分布上，第四纪地层占地面积最大，占全国面积约为29%，分布广泛，主要分布在我国东部平原、盆地和西北部盆地地区. 前寒武纪至元古代出露的地层主要分布在我国古老造山系，例如华北陆块区、秦祁昆造山系和扬子陆块区等. 古近纪-新近纪地层主要分布在西藏-三江造山系、扬子陆块区、秦祁昆造山系等地区. 中生代出露的地层主要分布在西藏-三江造山系、扬子陆块区的西部、武夷-云开造山系、兴蒙造山系等造山带地区. 古生代时期出露的地层分布广泛，主要分布在西北陆块区、秦祁昆造山系、兴蒙造山系、扬子陆块区、华北陆块区的造山带地区. 元古代和太古代的地层主要分布在我国古老造山带，其中该地质年代的地层在华北陆块区广泛出露（杜利林等， 2020；万渝生等，2020）. 我国西南部和东南部地区新生代构造活动强烈，地质条件复杂. 东南沿海地区受到太平洋板块和菲律宾板块的俯冲经历了大规模的构造变形和岩石圈减薄，出露大量不同期次的花岗岩（张健等，2023），各地质年代出露的地层呈东北-西南向弧形条带分布. 青藏高原地区受印度板块的碰撞挤压，新构造活动强烈，地壳隆升强烈，地质年代的地层呈东南-西北向弧形带状分布（崔鹏等，2017）. 我国西北地区属于稳定的克拉通地块，盆地地区同一地质年代的地层连续广泛分布，而造山带分布多类地质年代的地层.

1.4　研究方法

本文认为地质年代与热流存在相关性（Chapman and Pollack， 1975； Pollack et al.， 1993； Hu et al.， 2000； Davies and Davies， 2010； Mareschal et al.， 2017； Hamza and Vieira， 2018），参考Davies and Davies （2010）采用ArcGIS实现的原理方法，根据中国实测热流和地质年代数据，并结合我国一级构造分区，预测中国陆区热流分布，将该方法应用在中国陆区范围. 本文研究框架如图3所示. 将地质图、构造分区、网格三者结合起来得到研究可用的地质多边形，通过与热流数据进行空间和属性的匹配，赋值时保留原有实测热流数据，无热流数据分布的地质多边形根据地质年代与热流的统计值进行赋值. 对于热流值在不同构造分区具有较大空间差异的地质年代对其进行分区赋值，再进行网格热流统计，得到1°×1°中国陆区大地热流预测分布图，并与采用空间插值方法得到的热流图进行对比分析.

1.4.1　网格设置

大地热流预测分布研究采用的网格有：5°×5°等经度网格（Chapman and Pollack， 1975； Pollack et al.， 1993）、2°×2°等面积网格（Davies， 2013）、1°×1°等经度网格（Tao and Shen， 2008； Goutorbe et al.， 2011； Hamza and Vieira， 2018）、1°×1°等面积网格（Davies and Davies， 2010）、0.5°×0.5°等面积网格（Lucazeau， 2019）等5类网格类型. 本文根据我国陆区热流数据分布情况采用1°×1°等经度网格，并有以下两个原因，一是1度等经度网格中，中国热流数据覆盖率约为31%，较0.5度网格的热流数据覆盖率（约13%）高两倍多，且Goutorbe et al. （2011）认为即使在非常短的长度尺度（<50 km），热流数据集也具有很大的空间变异性，因此为了兼顾输出精度和热流数据分布情况，采用1度网格. 二是在全球空间地理位置分布上我国大部分位于中纬度地区，几何畸变小，数据精度高，而采用等经度类型的网格单元.

1.4.2　处理过程　（1）预处理

热流数据采用我国第四版大地热流汇编数据和IHFC提供的全球热流数据，由于两者数据之间存在数据属性信息格式不统一的情况，对重复热流数据进行了删减，最终得1 803个中国陆区热流数据（不含渤海海域）.

热流数据质量中D类代表了局部地热异常值，受浅部因素干扰而难以反映区域深部热背景. 然而，热流数据只有部分热流数据有数据质量信息，因此为保证热流数据质量，将热流数据进行去峰值化处理，即小于40 mW/m²的热流值，取值为40 mW/m²，大于140 mW/m²的热流值，取值为140 mW/m²（汪集旸等， 2012）.

（2）地质多边形

数字地质图、构造分区和1°×1°网格联合起来得到便于计算、赋值和统计的地质多边形. 联合示意图如图4，联合是所输入图层之“和”，即所有输入要素的并集，属性中包含所有要素的原属性，相交部分包含所有输入要素属性字段，联合后的属性表显示如图5.

（3）空间连接及数据统计

空间连接是根据空间关系将一个要素类的属性（如热流）连接到另一个要素类的属性（如地质多边形），输出结果为兼具两种属性信息的要素类（如地质热流图），不改变原始目的图层（如地质多边形）的地图变化，只增加了属性信息. 通过空间连接，可以将热流数据信息附加在地质多边形上，便于不同地质年代热流值的计算、赋值和统计. 通过对原属性表进行统计可以得到不同构造分区内不同地质年代对应的热流值，即构造分区-地质年代-热流表如图5所示. 图5中，2类地质年代和2个构造分区联合后形成了4个区域（地质多边形），与5个热流数据空间连接后得到了三者结合后的属性表. 通过地质条件约束热流的预测，该过程是将热流数据与地质属性一一对应，也是热流预测的基础. 图6是根据图5得到的属性表，这是为热流数据空白区赋予热流值的关键.

（4）热流计算

根据构造分区-地质年代-热流值汇总表的统计结果，为无热流数据分布的地质年代赋值，1度网格中各地质类别的权重按面积占比计算，网格单元中的热流值均值（中值）与权重乘积之和为赋予权重后的网格热流值，统计各网格单元的热流值，得到1°×1°热流平均值（中值）的预测分布图.

单个网格的热流值（中值/均值）计算公式如下：

\left\{\begin{array}{c}\overline{Q}={\sum }_{i=\mathrm{1}}^n{S}_i{q}_i,{\sum }_{i=\mathrm{1}}^n{S}_i=\mathrm{1}\\ \overline{Q}={\sum }_{i=\mathrm{1}}^n\frac{S_i}{{\sum }_{i=\mathrm{1}}^n{S}_i}{q}_i,{\sum }_{i=\mathrm{1}}^n{S}_i\ne \mathrm{1}\end{array}(i=\mathrm{1,2},\dots ,n)\right.，（1）

其中：\overline{Q}为单个网格的热流值均值（中值），单位为mW/m²；i为单个网格中包含的所有地质年代类；S为单个网格中各地质年代类所占面积（像元面积）；q为各地质年代类对应的热流值平均值/中值，单位为mW/m².

2 结果分析

2.1　地质年代-热流关系统计

中国陆区范围内的热流数据和地质年代分布都具有自身的独特性，根据我国陆区实测热流和地质年代分布情况，对不同地质年代的热流值进行统计. 汇总统计表是后续热流赋值和统计的基础. 地质年代-热流统计表（表2）表明，部分地质年代的热流值离散性较大，中值和均值差异大，且热流数据较多，将该地质年代的热流根据构造背景再进行分别统计，可更加贴合我国陆区热构造活动. 表2中热流平均值较中值高，热流平均值与中值差距较大的地质年代是古近纪，差值为66.93 mW/m²；标准偏差>25 mW/m²的地质年代是古近纪、白垩纪-古近纪、中生代、水域、新近纪，而中生代的热流数据数量仅有5个；面积比重较大的地质年代是第四纪、晚古生代，分别为28.08%，19.01%，其中第四纪在每个构造分区均有大量热流数据分布，且不同分区热流差异较大.

图7中的箱体范围代表了排序后各地质年代对应的25%~75%的热流值范围，1.5IQR（四分位距）代表1.5倍四分位差，系数1.5代表中度异常，大于上四分位数1.5倍四分位数差的值，或者小于下四分位数1.5倍四分位数差的值，划为异常值. 从图7中可以直观的反映热流在各地质年代中的分布情况，在我国陆区，各地质年代的热流分布，热流均值较中值高. 而从统计规律上，我国陆区和全球范围内的各地质年代的热流分布有差异，这与数据统计范围、地质图中地质年代划分的精细程度、热流分布特征有关. 箱体越小的地质年代预测效果越好，二叠纪、晚古生代、三叠纪-侏罗纪、三叠纪、白垩纪、侏罗纪、白垩纪-古近纪等地质年代的热流值分布较为集中. 第四纪、新近纪异常值分布较多. 古近纪热流离散性最大. 水域热流值离散性大，热流值较高. 对于热流分布离散性较大的地质年代，热流中值较为稳定和准确，更能代表该地质年代的热流分布水平.

综上所述，通过表2和图7的统计结果及分析显示，地质年代对应的热流离散性越小，构造热活动越一致；热流离散性越大，构造热活动越复杂. 构造分区是改善赋值、提高预测准确度的重要参数. 对热流离散性较大的地质年代，可根据构造分区进行统计. 本研究根据构造分区-地质年代-热流统计表（详见附录1），在热流标准偏差大、热流数据量合适的条件下，对五类地质年代（新近纪、古近纪、白垩纪-古近纪、水域和第四纪）进行分区统计，使得进行构造分区时，地质年代的热流值具有代表性. 新近纪、古近纪、白垩纪-古近纪、水域四类在统计热流值时排除西藏-三江造山系和台湾省造山系，用于热流未知区的地质年代的热流赋值，而西藏-三江造山系和台湾省造山系则根据各自区域中包含的地质年代统计的热流值进行赋值. 第四纪的热流数据在各构造分区分布都较多且热流值存在一定差异，因此又分别统计了各构造分区的第四纪热流值.

图8直观显示了5类构造分区的热流值分布差异，减少了我国主要构造活动强烈区域对其他非强烈构造区域的影响. 这5类地质年代热流值的分区统计，是后续赋值统计的关键，也提高了预测的精确性和可靠性. 图9中，3种方式的热流值都集中分布在60~65 mW/m²之间，但实测热流分布较为分散，预测热流中值分布最为集中，表明预测热流的中值较均值降低了热流异常值的影响，较好地反映了区域热流分布.

2.2　1°×1°空间插值热流图

我国陆区大地热流分布图多根据实测热流数据插值得到. 本文根据收集的热流数据进行了克里金插值，绘制了我国陆区热流分布图，与采用数字地质图定义的不同地质区域的平均热流结果做对比. 图10为1°×1°空间插值热流图，热流高值区主要分布于西藏-三江造山系的中南部、秦祁昆造山系的共和盆地、扬子陆块区的西部和鄂中碳酸盐台地、东南沿海地区和台湾省等地区，热流值范围在70~140 mW/m²之间（去峰后），其中鄂中碳酸盐台地有3个热流数据热流值超过110 mW/m²，是一个异常高热流区域. 武夷—云台造山系的福建地区的热流值达到90 mW/m²以上，受深部热结构影响较大（刁谦等，2019）. 热流低值区主要位于我国西北陆块区、华北陆块区东北部、上扬子古陆块的东北部，兴蒙造山系的东北部、西藏-三江造山系的西北部等地区，热流值低于50 mW/m². 西北陆块区的盆地地区热流数据富集，属于油气田地热类型，具有良好的深部导热和浅部聚热的构造条件和隆起区高，凹陷区低的热流分布特点，但热流值较低，主要是二叠纪时期的岩浆活动对现今的影响已微乎其微（冯昌格等，2009，2010； 刁谦等，2019）. 图10中热流分布的总体趋势与Jiang et al. （2019） 通过直接插值得到的中国陆区大地热流图基本一致，仅在国界边缘处、华北低值区、扬子低值区的热流值存在些许差异，这可能与插值采用的热流数据、插值方法及参数设置有关.

空间插值结果对热流数据具有空间依赖性，距离实测热流数据越近，对区域热流分布影响越大. 热流数据的均匀分布程度和数据量，也会影响插值效果，对于热流数据稀疏且不均匀的地区，插值效果较差，例如在青藏高原和中国西南的部分地区，热流控制点具有很大的不确定性，既有数据不足以得到较好插值结果. 在热流数据丰富但热流离散性较大的地区，即存在部分地热异常值的地区，也会影响插值效果，例如鄂中碳酸盐台地地区的热流数据呈现纵向单一分布，热流值范围在40~140 mW/m²之间（去峰后）.

2.3　地质热流图

根据统计结果为各地质年代赋予热流值，对无热流数据分布的地质多边形赋予统计的热流平均值（中值），有热流数据分布的地质多边形采用实测热流的平均值（中值）. 图11为赋值后的地质热流图，两幅图中，不同地质年代的地质多边形具有不同的热流值，热流值分布受到地质多边形边界的限制. 总体趋势上，图11a比图11b的热流值高，如热流数据分布较多的西北陆块区、华北陆块区，但热流数据分布较少的西藏-三江地区的三叠纪区域、扬子陆块区南部，热流中值较平均值高，这与三叠纪的热流值分布有关. 从图11b中发现，西北陆块区的盆地区域热流值<50 mW/m²，造山带的热流值在50~60 mW/m²之间；兴蒙造山系的松辽断陷盆地热流值在65~70 mW/m²之间，其他区域热流值在55~65 mW/m²之间；华北陆块区的华北坳陷盆地热流值在60~65 mW/m²之间，鄂尔多斯盆地热流值<45 mW/m²；秦祁昆造山系的柴达木盆地热流值主要在51~55 mW/m²之间，青海共和盆地热流值高于110 mW/m²；武夷-云开造山系的热流值总体>65 mW/m²；扬子陆块区东部热流值较高，热流值>60 mW/m²，上扬子陆块区热流值南高北低，其中四川盆地热流值在51~55 mW/m²之间；台湾造山系热流值>70 mW/m²；西藏-三江造山系热流离散性较大，高值区热流值>100 mW/m².

总体上，地质热流图与我国热流分布趋势一致，热流值东高，西北低，西南高. 青藏高原地区板块构造活跃，位于印度板块与亚洲板块的陆陆碰撞带上，热流数据稀疏且不均匀，热流值较高. 东南沿海地区是我国花岗岩主要分布区、岩石圈减薄区、岩体的放射性高值区，热流值高. 由于热流数据空间分布不均匀和地质多边形的大小差异大，使得地质热流图分辨率变化大，对少量热流数据分布在大的地质多边形上，预测效果较差. 因此，这种方法得到的结果，地质年代的边界对于热流的影响较大，仅可反映总体热流概况.

2.4　1°×1°中国陆区大地热流预测分布图

该方法将热流预测限制于网格中小的地质多边形，这将会降低实测热流对未知热流区的影响范围，网格单元的热流值是单元内部各种地质年代综合后的结果. 图12a中西北陆块区是热流低值区，盆地地区热流值在50 mW/m²以下，其他区域热流值在50~60 mW/m²之间；我国最高热流区域位于西藏-三江造山系的西部和台湾造山系，热流值达到90 mW/m²以上；总体热流值主要分布在60~65 mW/m²之间. 图12b与图12a相比，总体热流值较均值低，50~60 mW/m²范围内的热流值分布较为广泛，在一些区域热流值较平均值高，如西藏-三江造山系的东北部，热流数据少，出露地层较为单一，地质年代主要为古近纪-新近纪.

中国陆区热流预测平均值和中值分别为63.54 mW/m²、62.32 mW/m²，接近我国实测平均热流值61.5 mW/m² （姜光政等， 2016）. 西北陆块区为构造稳定区，热流值在40~50 mW/m²之间. 而在活跃构造区或地壳中有丰富的放射性元素，如西藏-三江造山系、武夷-云开造山系，热流值高于70 mW/m². 这说明了热流与地质、构造分区具有一定的相关性.

并且我们还发现各地质年代地层的复杂程度对地热异常值分布区也存在一定影响. 在华北陆块区和扬子陆块区，各存在一个高热流网格，网格权重较大，使得网格热流值依旧较高. 共和盆地和腾冲地区虽然存在热流高值点，但由于该地区的地质年代地层复杂，而网格中权重占比较大的地质年代对应的热流值较低，实测热流高值的网格权重较小，使得网格单元中热流值较低.

2.5　对比分析

地质热流图适合大区域的热流值研究，可得到整块地质区域的热流分布，但分辨率较低. 空间插值热流图受热流数据空间分布、数据质量和热流离散性的影响，热流稀疏区预测效果较差. 我国陆区热流预测分布图的分辨率为1°×1°，实测热流对热流数据空白区的影响被约束于网格单元中，在地质年代与热流关系的基础上，本研究引入构造分区，对一些热流值在不同构造分区存在较大差异的地质年代进行分区统计和赋值，相对于地质热流图提高了预测精度，更符合我国构造-热背景. 对热流数据丰富且热流离散性小的地质年代，热流统计更符合实际热流分布，而且增加了对热流稀疏区热流估计的地质依据，提高了热流预测精度. 这种方法相对于空间插值热流图增加了地质参数来约束热流值，提高了热流预测的科学性，使得热流预测结果尽可能反映地球深部真实热状态.

我国陆区热流预测分布图与空间插值热流对比结果见图 13、图 13a和图13b热流分布趋势一致，在分布范围上有轻微差异. 热流高值区主要分布在西藏-三江造山系的北部、西北部，西北陆块区的造山带和兴蒙造山系的东北部；热流低值区主要在我国西藏-三江造山系的中南部和秦祁昆造山系中部的共和盆地. 热流高值区和低值区的分布具有以下特点：（1）主要分布在热流数据稀疏区； （2）均靠近我国实测热流异常值区域（低值/高值），受插值影响较大，而预测值降低了异常值的影响，反映的是地球深部热状态； （3）地质年代约束下的热流值与实测热流值有差异. 在青藏高原南部和青海共和盆地，由于地质条件复杂，地质年代类别较多，使得网格中高热流值分布的地质多边形权重较小，热流值有所降低.

因此，空间插值热流图中的热流异常值（高值/低值）对热流数据稀疏区的热流分布影响较大，本文采用地质年代参数约束热流分布的结果，反映了不同地质区域的一般热流水平. 同时，本文采用的预测方法还减弱了异常值的区域性影响，提高了预测科学性及分辨率，反映了地球深部热状态和区域热流的整体水平.

3 讨论

3.1　预测方法

本文基于地质年代与热流关系，并结合构造分区，使热流赋值更加符合我国构造-热背景，来预测中国陆区的热流分布. 该方法提高了预测精度和增加了预测热流的地质依据，尤其是热流稀疏区的热流预测. 中国陆区与全球范围中各地质年代的热流分布统计不同，即地质年代越新，热流值越高，这主要与统计范围、地质图中地质年代的划分精细程度、热流分布特征有关. 我国地质条件复杂，热流数据分布不均匀，预测未知热流区的热流，约束参数的选择尤为重要. 本文的统计结果中，部分地质年代由于热流数据分布较少、热流离散性较大等原因，使得其热流统计不具有一般代表性，对于热流数据离散性较大且数据较多的地质年代，根据构造分区赋值，降低了热流的离散性，更符合我国构造热背景. 但热流数据较少的地质年代进行热流赋值，仍具有一定局限性. 本文主要以地球表面的地质特征来约束热流的分布，若考虑地球内部不同地层不同分区的地质年代特征，加上我国活动断裂带的分布，将会优化热流预测结果. Goutorbe et al. （2011）和Lucazeau（2019）均采用了与热流有关的多个参数预测无热流分布的地区，较单一参数约束热流，多参数预测可以更好地表征地球动力学环境的多样性和反映地球深部热状态. 因此，通过考虑地球内部分层的地质特征和与热流有关的多个地质和地球物理参数来预测热流将会改善这一局限性.

3.2　热流数据质量

热流数据质量对于空间插值和热流预测是非常重要的，热流质量越高，热流预测精度越高，而在热流数据稀疏区则易受到异常值的影响. Tao and Shen（2008）采用去除异常值和D类权重设为0的方法保证数据质量. 汪集旸等（2012）将热流数据进行去峰值化处理以排除因地下水活动产生的非传导效应，提高数据质量. Lucazeau （2019）认为相似度方法的使用较为依赖热流的数量和质量，因其可提高实测热流值和预测热流值的适配性. 由于原始数据质量检查较为困难，故本文对热流数据进行了去峰值化处理，提高了热流预测的可靠性，同时由于去除了浅部或地下热水循环产生的热异常的影响，得到未知热流区的热背景更加准确科学.

3.3　不足

通过地质年代与热流关系外推未知热流区的热流值，是估计值，不是确定的热流值. 本文通过中国陆区大地热流预测图，勾勒出了我国构造稳定区、活跃构造区的热流分布趋势. 但本文仅对水域、新近纪、古近纪、白垩纪-古近纪和第四纪进行分区统计赋值，该方法仅适用于热流数据空间分布较为分散、构造分区内有适量热流数据分布、各构造分区内热流分布差异大的地质年代类. 对于其他地质年代类，仍采用中国陆区地质年代与热流的统计关系进行赋值计算效果较好. 图8中古近纪和白垩纪-古近纪在西藏-三江造山系的热流数据分布极少，造成部分区域统计结果不具有普遍性，在一定程度上会产生误差. 因而，构造分区不适用于所有地质年代类进行分区统计和赋值，但会对在不同构造分区热流差异较大的地质年代类起到优化预测结果的作用.

4 结论

在热流预测过程中，本文采用数字地质图定义了不同地质区域的平均热流值，热流离散性较大的地质年代根据构造分区进行统计赋值，使得热流分布更加符合我国构造-热背景，绘制出我国陆区的大地热流预测分布图，得出以下结论：（1）热流预测平均值和中值分别为63.54 mW/m²、62.32 mW/m²，热流分布呈正态分布，离散性小. （2）结果显示，在估计未知热流区的方法中，空间插值具有一定的局限性，对热流稀疏区预测效果不好，而热流与构造背景有很好的相关性，通过地质年代约束热流分布，为未知热流区的热流估计提供了地质依据. （3）基于地质年代与热流的关系来预测热流，降低了热流高值和低值对热流分布的影响，反映出地球深部热状态. （4）热流预测得到的是估计值而不是确定的值，通过提高热流数据的数量、质量和采用与热流有关的地质和地球物理参数预测热流可提高预测精度，改善由于部分地质年代热流数据稀少而不具代表性所具有的局限性，使得实测热流与预测热流值的不适配性越来越小.

附录见：https：//doi.org/10.3799/dqkx.2022.384

参考文献

[1] Chapman, D. S., Pollack, H. N., 1975. Global Heat Flow: a New Look. Earth and Planetary Science Letters, 28(1): 23-32. https://doi.org/10.1016/0012⁃821X(75)90069⁃2

[2] Cui, P., Jia, Y., Su, F. H., et al., 2017. Natural Hazards in Tibetan Plateau and Key Issue forFeature Research. Bulletin of Chinese Academy of Sciences, 32(9): 985-992 (in Chinese with English abstract).

[3] Davies, J. H., 2013. Global Map of Solid Earth Surface Heat Flow. Geochemistry, Geophysics, Geosystems, 14(10): 4608-4622. https://doi.org/10.1002/ggge.20271

[4] Davies, J. H., Davies, D. R., 2010. Earth’s Surface Heat Flux. Solid Earth, 1(1): 5-24. https://doi.org/10.5194/se⁃1⁃5⁃2010

[5] Diao, Q., Niu, S.Y., Sun, A.Q., et al., 2019. Development Potential and Suggestions of Geothermal in Eastern China. Journal of Hebei GEO University, 42(5): 1-8 (in Chinese with English abstract).

[6] Du, L.L., Yang, C.H., Song, H.X., et al., 2020. Neoarchean⁃Paleoproterozoic Multi⁃Stage Geological Events and Their Tectonic Implications in the Fuping Complex, North China Craton. Earth Science, 45(9): 3179-3195 (in Chinese with English abstract).

[7] Feng, C.G., Liu, S.W., Wang, L.S., et al., 2009. Present⁃Day Geothermal Regime in Tarim Basin, Northwest China. Chinese Journal of Geophysics, 52(11): 2752-2762 (in Chinese with English abstract).

[8] Feng, C. G., Liu, S. W., Wang, L. S., et al., 2010. Present⁃Day Geotemperature Field Characteristics in the Central Uplift Area of the Tarim Basin and Implications for Hydrocarbon Generation and Preservation. Earth Science, 35(4): 645-656 (in Chinese with English abstract).

[9] Fuchs, S., Beardsmore, G., Chiozzi, P., et al., 2021. A New Database Structure for the IHFC Global Heat Flow Database. International Journal of Terrestrial Heat Flow and Applications, 4(1): 1-14. https://doi.org/10.31214/ijthfa.v4i1.62

[10] Goes, S., Hasterok, D., Schutt, D. L., et al., 2020. Continental Lithospheric Temperatures: a Review. Physics of the Earth and Planetary Interiors, 306: 106509. https://doi.org/10.1016/j.pepi.2020.106509

[11] Goutorbe, B., Poort, J., Lucazeau, F., et al., 2011. Global Heat Flow Trends Resolved from Multiple Geological and Geophysical Proxies. Geophysical Journal International, 187(3): 1405-1419. https://doi.org/10.1111/j.1365⁃246X.2011.05228.x

[12] Hamza, V. M., Vieira, F., 2018. Global Heat Flow: New Estimates Using Digital Maps and GIS Techniques. International Journal of Terrestrial Heat Flow andApplications, 1(1): 6-13. https://doi.org/10.31214/ijthfa.v1i1.6

[13] Hao, C.Y., Liu, S.W., Wang, H.Y., et al., 2014. Global Heat Flow: an Overview over Past 20 Years. Chinese Journal of Geology (Scientia Geologica Sinica), 49(3): 754-770 (in Chinese with English abstract).

[14] He, L. J., Wang, J. Y., 2021. Concept and Application of Some Important Terms in Geothermicsand Geophysics such as Terrestrial Heat Flow. China Terminology, 23(3): 3-9 (in Chinese with English abstract).

[15] Hu, S. B., He, L. J., Wang, J. Y., 2000. Heat Flow in the Continental Area of China: a New Data Set. Earth and Planetary Science Letters, 179(2): 407-419. https://doi.org/10.1016/S0012⁃821X(00)00126⁃6

[16] Hu, S. B., He, L. J., Wang, J. Y., 2001. Compilation of Heat Flow Data in the China Continental Area (3rd Edition). Chinese Journal of Geophysics, 44(5): 604-618.https://doi.org/10.1002/cjg2.180

[17] Jiang, G., Gao,P., Rao, S., et al., 2016. Compilation of Heat Flow Data in the Continental Area of China (4th Edition).Chinese Journal of Geophysics, 59(8):2892-2910 (in Chinese with English abstract).

[18] Jiang, G. Z., Hu, S. B., Shi, Y. Z., et al., 2019. Terrestrial Heat Flow of Continental China: Updated Dataset and Tectonic Implications. Tectonophysics, 753: 36-48. https://doi.org/10.1016/j.tecto.2019.01.006

[19] Kuang, J., Qi, S. H., Wang, S., et al., 2020. Granite Intrusion in Huizhou,Guangdong Province and Its Geothermal Implications. Earth Science, 45(4): 1466-1480 (in Chinese with English abstract).

[20] Li, Z.X., Gao, J., Li, W.F., et al., 2016. The Characteristics of Geothermal Field and Controlling Factors in Qaidam Basin, Northwest China. Earth Science Frontiers, 23(5): 23-32 (in Chinese with English abstract).

[21] Lin, W.J., Gan, H.N., Wang, G.L., et al., 2016. Occurrence Prospect of HDR and Target Site Selection Study in Southeastern of China. Acta Geologica Sinica, 90(8): 2043-2058 (in Chinese with English abstract).

[22] Lin, W.J., Liu, Z.M., Ma, F., et al., 2012. An Estimation of HDR Resources in China’s Mainland. Acta Geoscientica Sinica, 33(5): 807-811 (in Chinese with English abstract).

[23] Lucazeau, F., 2019. Analysis and Mapping of an Updated Terrestrial Heat Flow Data Set. Geochemistry, Geophysics, Geosystems, 20(8): 4001-4024. https://doi.org/10.1029/2019GC008389

[24] Ma, F., Lin, W.J., Lang, X.J., et al., 2015. Deep Geothermal Structures of Potential Hot Dry Rock Resources Area in China. Bulletin of Geological Science and Technology, 34(6): 176-181 (in Chinese with English abstract).

[25] Mareschal, J.C., Jaupart, C., Iarotsky, L., 2017. The Earth Heat Budget, Crustal Radioactivity and Mantle Geoneutrinos. Neutrino Geoscience, 4.1-4.46.

[26] Pan, G.T., Xiao, Q.H., Lu, S.N., et al., 2009. Subdivision of Tectonic Units in China. Geology in China, 36(1): 1-28 (in Chinese with English abstract).

[27] Pollack, H. N., Hurter, S. J., Johnson, J. R., 1993. Heat Flow from the Earth’s Interior: Analysis of the Global Data Set. Reviews of Geophysics, 31(3): 267-280. https://doi.org/10.1029/93RG01249

[28] Qiu, N. S., Tang, B. N., Zhu, C. Q., 2022. Deep Thermal Background of Hot Spring Distribution in the Chinese Continent. Acta GeologicaSinica, 96(1): 195-207 (in Chinese with English abstract).

[29] Steinshouer, D., Qiang, J., McCabe, P., et al., 2006. Maps Showing Geology, Oil and Gas Fields, and Geologic Provinces of the Asia Pacific Region. U.S. Geological Survey Open⁃File Report 97⁃470⁃F, 16. https://doi.org/ 10.3133/ofr97470F

[30] Sun, Y. J., Dong, S. W., Wang, X. Q., et al., 2022. Three⁃Dimensional Thermal Structure of East Asian Continental Lithosphere. Journal of Geophysical Research: Solid Earth, 127(5): e2021JB023432. https://doi.org/10.1029/2021JB023432

[31] Tao, W., Shen, Z. K., 2008. Heat Flow Distribution in Chinese Continent and Its Adjacent Areas. Progress in Natural Science, 18(7): 843-849. https://doi.org/10.1016/j.pnsc.2008.01.018

[32] Wan, Y. S., Xie, H. Q., Dong, C. Y., et al., 2020. Timing of Tectonothermal Events in Archean Basement of the North China Craton. Earth Science, 45(9): 3119-3160 (in Chinese with English abstract).

[33] Wang, J.Y., Hu, S.B., Pang, Z.H., et al., 2012. Estimate of Geothermal Resources Potential for Hot Dry Rock in the Continental Area of China. Science & Technology Review, 30(32): 25-31 (in Chinese with English abstract).

[34] Wang, J.Y., Huang, S.P., 2001. Compilation of Heat Flow Data for Continental Area of China. Chinese Journal of Geology (Scientia GeologicaSinica), (2): 196-204(in Chinese).

[35] Wang, J. Y., Huang, S. P., 1990. Compilation of Heat Flow Data for Continental Area of China (2^nd Edition). Seismology and Geology, 12(4): 351-363+366(in Chinese with English abstract).

[36] Xu, C.J., Zhang, J., Zhang, L., et al., 2021. Estimation of Geothermal Resource Potential of Dry Hot Rock in Shandong Province. Shandong Land and Resources, 37(10): 44-50 (in Chinese with English abstract).

[37] Zhang, J., Fang, G., HE, Y. B., 2022. The Deep High Temperature Characteristics and Geodynamic Background of Geothermal Anomaly Areas in Eastern China. Earth Science Frontiers,30(2):316-332 (in Chinese with English abstract).

[38] Zhi, J. L., Du, J. S., Chen, C., 2018. Characteristics of Large⁃Scale Thermal Structure in Lithosphere Beneath Junggar Basin and Surroundings. Earth Science, 43(Suppl. 2): 103-118(in Chinese with English abstract).

[39] Zhu, W. J., Liu, S. W., Huang, S. P., 2022. Heat Flow in the Asian Continent and Surrounding Areas. International Journal of Terrestrial Heat Flow andApplications, 5(1): 1-8. https://doi.org/10.31214/ijthfa.v5i1.77

基金资助

国家自然科学基金面上项目(41874100)

重点研发计划项目(2018YFA0404104)

全国大地热流值测量与靶区优选(DD20190128)

全国地热资源调查与区划(DD20221676)