基于全球范围的人工智能技术的氢气渗漏预测

《Marine and Petroleum Geology》：Global-scale AI-powered prediction of hydrogen seeps

氢气勘探与AI模型在圆形凹陷检测中的应用。

　　自然氢（H?）作为一种清洁的能源形式，正受到越来越多的关注。然而，由于对其形成机制和分布规律的了解有限，以及缺乏有效的定量工具，H?的勘探工作仍然面临诸多挑战。为了克服这些障碍，科学家们正在探索利用先进的技术手段，如人工智能（AI）和高分辨率卫星图像，来识别和定位可能的H?渗漏区域。这项研究不仅为H?的勘探提供了新的方法，还揭示了H?在地表的分布与地质特征之间的潜在联系。

在H?的勘探过程中，科学家们发现了一种特殊的地表形态——“亚圆形凹陷”（Sub-Circular Depressions, SCDs），这些凹陷往往与高浓度的H?有关。SCDs被认为可能是深层H?渗漏至地表的指示性结构，因此成为识别H?潜在资源的关键目标。为了提高勘探效率，研究人员开发了一种基于人工智能的模型，该模型结合了开放获取的Google Earth?卫星图像和实地H?测量数据，能够自动检测和绘制SCDs。这一模型在训练集中的表现达到了平均精度95%，并且在新的地区如哈萨克斯坦和南非成功识别了超过一千个潜在的H?渗漏点，显示出其在全球范围内的应用潜力。

研究团队使用的模型是YOLOv8，这是一种基于卷积神经网络（CNN）的深度学习算法，能够对图像进行语义分割，从而实现对SCDs的像素级识别。与传统的分类方法相比，YOLOv8的语义分割方法能够提供更精确的地表结构信息，使研究人员能够在地理信息系统（GIS）中进行更详细的分析。此外，通过在不同地质环境中收集和标注训练数据，该模型能够适应多种地形特征，从而提高其泛化能力。这一方法的成功应用不仅为H?的勘探提供了新的工具，也为未来资源评估和开发奠定了基础。

为了确保模型的准确性，研究人员在训练过程中使用了来自五个不同国家的365张高分辨率卫星图像，并结合了多种非目标结构以增强模型的识别能力。通过这种方式，模型能够更有效地区分SCDs与其他地质或人为结构，减少误报的可能性。在测试阶段，模型被应用于哈萨克斯坦和南非等尚未开展大规模H?勘探的地区，识别出大量可能的SCDs，并通过初步的空间统计分析，揭示了这些结构的分布模式与地质构造之间的关系。例如，在哈萨克斯坦的北盆地，SCDs主要集中在乌拉尔蛇绿岩带附近，这表明该区域可能存在丰富的H?生成源；而在南非的卡鲁盆地，SCDs则分布于 Mpuluzi 和 Heerenveen 岱岩之上，这些区域的地质特征可能促进了H?的生成和迁移。

此外，研究还发现，SCDs的形态参数（如面积和长宽比）与H?的生成机制和分布规律密切相关。通过分析SCDs的空间分布特征，研究人员能够进一步理解H?的迁移路径及其与地质构造之间的相互作用。例如，使用最近邻分析（Nearest Neighbor Analysis, NNA）工具，可以评估SCDs的分布是否具有某种空间组织性。结果显示，哈萨克斯坦和南非的SCDs均表现出一定程度的非随机分布，这可能与区域内的地质活动有关，如断层系统的存在和地层中的密封层。

从全球角度来看，自然氢的储量估计表明，其在地下的潜在规模足以支持未来的能源需求。然而，由于H?分子较大，大多数岩石难以形成有效的密封层，导致H?在地表广泛分布。因此，利用SCDs作为H?渗漏的指示性结构，成为提高勘探效率的重要策略。通过AI模型的识别，研究人员可以快速筛选出可能的勘探目标，并结合实地测量数据进行进一步验证。

这一研究的成果不仅为H?的勘探提供了新的技术支持，也为其他资源的探测开辟了新的可能性。例如，AI可以用于识别其他天然气体的渗漏点，如非生物甲烷（abiotic methane），甚至可用于外星环境的分析，如火星上的H?和蛇绿岩化过程。这些发现进一步表明，AI在地球科学领域的应用具有广阔的前景，能够帮助科学家更高效地探索和评估地球上的自然资源。

总的来说，这项研究展示了利用AI技术进行H?勘探的巨大潜力。通过结合高分辨率卫星图像和深度学习算法，研究人员能够快速识别和定位SCDs，从而提高勘探效率和准确性。此外，模型的高精度和广泛适用性使其成为未来全球H?资源评估的重要工具。尽管目前仍需进一步的实地验证，但该方法为H?的开发和利用提供了坚实的基础，有助于推动清洁能源的可持续发展。