基于机器学习与垂向分层建模联合驱动的华北克拉通地温梯度空间分布预测

摘要

地温梯度作为表征岩石圈热状态的关键参数，其空间分布研究对于理解克拉通热结构演化机制和指导地热资源勘探具有重要意义。传统华北克拉通地温梯度研究多限于一维平面分布特征，未能充分揭示其垂向分异规律，导致预测模型精度受限。本研究创新性地构建了华北克拉通地温梯度深度分层预测模型，系统地阐明其深度依赖模式和热构造控制因素。基于全球热流数据库及前人研究成果，本研究整合了573个具有实测深度信息的地温梯度数据点，将其划分为6个深度段：<500 m, 500～1 000 m, 1 000～2 000 m, 2 000～3 000 m, 3 000～4 000 m,>4 000 m。选取居里面深度、大地热流值等13项地质-地球物理特征参数用来训练不同深度段的机器学习回归模型。研究显示：（1）模型预测性能具有显著深度依赖性，中浅部（0～3 000 m）R²>0.45,而深部因样本量减少精度下降；（2）特征重要性分析表明居里面深度与大地热流值对深部预测贡献显著（权重>40%）,而磁异常和地质年代等影响较弱（<10%）;（3）地温梯度三维分布呈现规律性垂向变化，即浅层高值区（>35℃/km）沿活动断裂带分布，中深层（500～3 000 m）高值带自西向东迁移，与太平洋板块俯冲引起的地壳减薄区具有空间耦合性。本研究首次尝试了华北克拉通地温梯度的三维建模，其成果不仅为区域地热资源评估提供了数据支撑，更为理解克拉通破坏过程中的热-构造耦合机制提供了新的观测约束。提出的深度分层建模方法为类似构造单元的热状态研究提供了范式参考。

关键词

华北克拉通 / 地热梯度 / 机器学习 / 地质与地球物理特征 / 分层建模