近日，技术研发与应用室团队张杨博士，联合其博士导师成秋明院士，在基于机器学习方法的全球海洋沉积物CO2封存潜力评估研究中取得新进展。
海洋作为一个巨大的潜在碳汇，在高压低温条件下，可通过在海底沉积物中形成稳定的水合物赋存带（HFZ）或负浮力带（NBZ），为二氧化碳的长期封存提供一条有前景的途径。然而，尽管潜力巨大，海洋沉积物中的CO2封存仍处于早期阶段，主要受限于技术挑战、对海底地质条件认识不足，以及缺乏全面的全球封存潜力评估。评估区域HFZ和NBZ厚度的一个关键因素是海洋地温梯度的分布。与传统方法假设地温梯度恒定或采用简单插值不同，本研究整合了多种全球地质与地球物理数据集，并结合先进的机器学习回归技术——包括随机森林回归（Random Forest Regression）、支持向量回归（Support Vector Regression）和极端梯度提升回归（Extreme Gradient Boosting Regression）——预测了高分辨率（0.1°× 0.1°）的全球海洋地温梯度分布。基于这些预测的地温梯度，并结合CO2水合物相平衡曲线和CO2密度曲线，首次绘制了全球海洋沉积物中HFZ和NBZ厚度分布图。结果揭示了HFZ和NBZ厚度存在显著的空间差异性，不仅深化了对海洋热结构的认识，也为推动大规模海洋CO2封存提供了坚实的科学基础。
相关成果发表于国际权威期刊《Global and Planetary Change》（SCI中科院一区TOP，影响因子4.0）。
论文信息：Yang Zhang, Junjie Ji, Qiuming Cheng, Long Teng, Bingye Di, Assessment of CO2 storage potential in global marine sediments based on machine learning methods, Global and Planetary Change, Volume 257, 2026, 105210, ISSN 0921-8181, https://doi.org/10.1016/j.gloplacha.2025.105210.
图1 地温梯度实际测量点和全球海洋预测分布图
图2 海洋沉积物中二氧化碳最佳储存区厚度分布图