大地热流是指示地下热源分布与地热储层评价的直接参数，目前我国热流汇总仅有1230多个且空间分布差异巨大，主要集中于东南沿海与高温地热区。松辽盆地作为我国最大的沉积性陆相盆地，在多年的地球物理与地质调查中确定了丰富的地热资源和可观的开采潜力，但缺乏指示地热储层的直接证据。此外，盆地内部热流测量点稀少，通过现有热信息难以对该区域的地热资源分布做出准确的预测。近年来，人工智能技术与机器学习方法的快速发展，为地球科学提供了新的研究途径。其中，深度学习方法在稀疏数据插值重构方面具有较高的预测精度，在图像处理、数据重建等领域应用广泛。
本文基于公开的20000多个全球大地热流数据点和23类地质与地球物理特征参数（地质年代，重磁异常，莫霍面等），开展机器学习方法深度神经网络（DNN）的松辽盆地热流估计工作。模型测试验证了DNN在区域尺度大地热流值预测方面拥有良好的效果，精度达到92%。松辽盆地DNN预测结果表明大地热流值最高为95 mW/m²，平均热流68.8 mW/m²，计算误差10.64，重建数据与参数之间存在良好的相关性。此外，加入相关性分析与全局灵敏度方法，通过模型训练获得绝对差分布，以评估预测结果的不确定度。结合前人地球物理研究与地质构造解译，预测结果指示了松辽盆地热流分布呈西高东低，中央凹陷区存在高热流异常，推测与深部地幔的隆起和浅层低速沉积层的沉降有关，同时中深层伴有部分高温熔融体，形成了现今的地热潜力区。模型和松辽盆地实测数据测试验证了DNN网络深度学习是一种有效的预测区域尺度大地热流值的方法，为地热资源评价及开发利用提供了可靠的热源参数信息。

深度学习,大地热流,松辽盆地,热源分布,地球物理