編輯註記：「黃石火山口紀事」是由黃石火山觀測站科學家及其合作夥伴撰寫的每週專欄。本週文章由美國地質調查局地質學家斯坦利．莫登斯基（Stanley Mordensky）執筆。

黃石公園擁有約120個地熱區，這些區域共同孕育了超過10,000個地熱景觀，例如溫泉和間歇泉。這些地熱區的確切數量和位置一直在變化，所以我們想問——未來的地熱區會在哪裡形成？

在黃石這樣地熱活動頻繁的地區，變化是最可靠的常數，因此瞭解未來地熱區可能在哪裡形成，對於管理公園資源和集中科學觀察相當重要。然而，大黃石生態系統的巨大規模和偏遠性質，使得尋找形成中的地熱區成為一項極為困難的任務。例如，相對年輕的特恩湖地熱區（Tern Lake）在2000年左右開始產生植被變化，這些變化可以透過衛星數據觀察到，但直到2018年才被人們注意到。

美國地質調查局的地質學家正在研究美國境內的類似問題，但他們不是思考去哪裡尋找新的地熱區，而是開發工具來定位尚未被發現的地熱系統。儘管如此，這兩個問題在研究方法上的潛在解決方案是相似的。

2008年，美國地質調查局（USGS）對地熱資源進行評估，美國西部未被發現的地熱資源具有生產數萬兆瓦的潛在發電能力。這些地質學家目前正在評估美國西部各地區擁有的地熱資源比例，目前的工作重點是大盆地地區，該地區以內華達州為中心，還包括猶他州、愛達荷州、俄勒岡州、加州和懷俄明州的部分地區。為了找到這些尚未被發現的地熱資源，美國地質調查局地質學家正使用機器學習（一種人工智慧形式）建立數學函數，以瞭解地熱系統的存在與斷層、地震活動、地殼應力、地球物理學（如重力和磁異常）等數據之間的相關性。

有許多機器學習方法可用於瞭解地質資料集與地熱系統的存在之間的相關性，但美國地質調查局地質學家發現，使用基於「決策樹」的方法（類似於依賴資料集中地質條件進行決策的流程圖）會比其他形式的機器學習有更好的表現。與決策樹相比，更複雜的機器學習方法通常需要數千個訓練樣本進行學習，這是一個重要的考量因素，因為已知的地熱系統數量相當有限，較簡單的機器學習方法無法反映出地熱系統之間的多樣性，因此沒有單一套地質條件可以用來指出地熱系統存在何處。然而，決策樹方法可以識別「金髮女孩」條件，也就是地質資料集中的特性，不多也不少、恰到好處、有利於地熱系統形成的地質特徵。

雖然黃石國家公園內禁止開發地熱發電，以保護當地的地熱系統，但美國地質調查局地熱團隊正在開發的機器學習工具可用於識別公園中未來可能形成地熱系統的區域，從實務角度來說，也能協助科學家掌握目前可以著重觀察的地點。
在黃石火山高原上應用這些機器學習方法識別地熱地物，可能不只能預測未來在黃石公園可能出現的地熱區域，還可能帶來一些出乎意料而有趣的結果。例如，美國地質調查局在運用機器學習分析地熱資料時，已經建立起熱流量與區域內可能擁有地熱系統之間的強烈關係。在地熱系統與促進地下流體流動的地質結構（如斷層）的接近程度之間，也觀察到了類似的強烈關係。但當像黃石高原這樣的地區，幾乎每一處都有高熱流量時，那麼支持地熱系統所需的條件會如何變化？還有哪些地質條件也具有決定性作用？也許將來的研究可以進一步解答這些問題。

除了有助於預測黃石地區未來可能形成的新地熱區域，這些機器學習方法還可能提供推動地熱循環的地質條件資訊。這類分析不只適用在黃石地區，還可以應用於其他具有高熱流量的大型區域，如紐西蘭的陶波火山口系統。因此，研究黃石國家公園的地熱活動，可能有助於科學家發展出更有效地方法，來開發其他地區的地熱能源。