基于集成学习Stacking算法的南极热流预测模型

来源：大地测量与地球动力学杂志2026年第1期北京时间：

作者：蔡轶珩, 张晓晴, 稂时楠, 崔祥斌, 何彦良, 张恒

单位：1 北京工业大学信息科学技术学院, 北京, 100124,2 中国极地研究中心, 上海, 200136

摘要：大地热流(heat flow, HF)是指地球内部传递至地表的热能，它能够揭示地球深部的各种作用过程及能量平衡信息。在南极洲地区，掌握热流情况对于模拟冰盖动态变化具有极其重要的意义。本研究运用机器学习中的Stacking堆叠算法，构建一个南极洲热流预测模型。该模型整合13种与热流相关的地质及地球物理特征的观测输入数据，并集成GBDT、XGBoost、RF、LightGBM、ET和MLP等6种常用于解决回归预测问题的机器学习算法，对热流的分布特征进行预测。实验结果表明，采用Stacking模型的预测精度优于多种基准模型。通过该模型得到的新的南极热流分布预测图，与其他传统方法所绘制的大规模估计热流分布图相比，更加契合南极洲热流的实际分布情况，展现出更为卓越的性能。

关键词：集成学习,Stacking算法,大地热流,南极洲

基金资助：国家自然科学基金(42376253),国家自然科学基金(42576289),国家重点研发计划(2024YFB3908003)