稀疏局部观测通过原语学习实现大陆规模地下温度预测
机器学习
2026-05-19 v1 地球物理
摘要
大陆规模地下温度认知受限于钻孔测量成本稀疏，但此信息对地热资源评估和理解浅层地幔热传导至关重要。热场反映了岩相、地壳结构、放射性热产生及流体对流之间的相互作用，有时会产生尖锐异常，常被常规插值平滑，或难以被物理模型捕捉。本文引入 In-Context Earth，基于变压器模型，使用稀疏局部钻孔观测作为地质背景，预测带校准不确定性的连续温度-深度场。美国中部大陆范围内，模型实现 4.7 度摄氏度均方绝对误差，超越基于 AlphaEarth 嵌入的 physics-informed Stanford 热力学模型、多模态 Transparent Earth 模型和普遍克里金插值。同时捕捉地热地区更锐利的热力学梯度。其不确定性估计经过校准，Kolmogorov-Smirnov 统计量为 2.5%。无需微调，该模型可适应 Alberta、澳大利亚和英国（UK），仅凭 20 处局部观测即可在推断时保持高精度，在 Alberta 平均误差 2.2 度、澳大利亚 6.2 度、英国 5.4 度。可解释性分析表明，模型学习了在训练期间从未观察到的地下属性的内部表征，包括地震速度、地化学性质和地壳结构，并以物理一致的方式运用这些表征。更广泛地说，本工作表明原语学习可用于大规模地下表征，无需密集测量或区域特定重新训练。
引用
@article{arxiv.2605.16665,
title = {In-context learning enables continental-scale subsurface temperature prediction from sparse local observations},
author = {Daniel O'Malley and Christopher W. Johnson and Javier E. Santos and Pablo Lara and Sandro Malusà and Bharat Srikishan and John Kath and Arnab Mazumder and Mohamed Mehana and David Coblentz and Nathan DeBardeleben and Earl Lawrence and Hari Viswanathan},
journal= {arXiv preprint arXiv:2605.16665},
year = {2026}
}