...
机译:预测格陵兰的地热热通量:机器学习方法
地热通量(GHF)是关键的边界条件使冰盖质量损失的准确预测,但它是在格陵兰岛知由于基岩的交通不便不佳。在这里,我们使用机器学习上收集了大量相关的地质特征和全球GHF测量算法和生产绿地的GHF地图,我们认为是〜15%的精度范围内。我们的预测GHF地图的主要特点包括用在格陵兰中央北围绕NorthGRIP冰芯站点,并在雅各布Isbr ??集水热点高GHF的大区域,彼得曼Gletscher的上游,并且Nioghalvfjerdsfjorden冰川的末端附近。我们的模型也将在格陵兰岛的东高架预测GHF的条纹捕捉格陵兰运动在冰岛羽的轨迹。最后,我们表明,我们的模型可以产生基本上更精确的预测,如果提供在格陵兰GHF的额外的测量。 p> 抽象>
Department of GeologyUniversity of KansasLawrence KS USA;
Department of GeologyUniversity of KansasLawrence KS USA;
Department of Mathematics and StatisticsMcGill UniversityMontréal Québec Canada;
Department of GeologyUniversity of KansasLawrence KS USA;
Department of Geography and Atmospheric SciencesUniversity of KansasLawrence KS USA;
Greenland ice sheet; geothermal heat flux; machine learning;
机译:预测格陵兰的地热热通量:机器学习方法
机译:在雷达检测到的基础水域区域约束格陵兰地区热量通量
机译:来自新型热抗溶溶液法的格陵兰岩石圈热厚度和地热厚度
机译:过冷和低质量流沸腾中基于机器学习的临界热通量预测器
机译:有限元和机器学习相结合的方法来预测正交加工中的特定切削力和最高刀具温度
机译:靠近东北格陵兰冰流的高地热通量
机译:预测格陵兰的地热热通量:机器学习方法