Il deep learning migliora le stime della permeabilità del sottosuolo basate sulla portata del flusso, consentendo agli scienziati di creare modelli di spartiacque più accurati. Credito:Alan Cressler, Servizio geologico degli Stati Uniti.
La permeabilità del sottosuolo è un parametro chiave che controlla il contributo del flusso del sottosuolo ai flussi dei corsi d'acqua nei modelli di bacini idrografici. Misurare direttamente la permeabilità all'estensione spaziale e alla risoluzione richiesta dai modelli di spartiacque è difficile e costosa. I ricercatori quindi stimano comunemente la permeabilità attraverso la modellazione inversa. L'ampia disponibilità di dati sul flusso superficiale del torrente rispetto ai dati di monitoraggio delle acque sotterranee fornisce una nuova fonte di dati per modelli idrologici integrati di superficie e sottosuolo per dedurre le proprietà geologiche e del suolo.
In uno studio pubblicato su Frontiers in Earth Science , gli scienziati del Pacific Northwest National Laboratory, dell'Oak Ridge National Laboratory e del Los Alamos National Laboratory hanno addestrato le reti neurali profonde (DNN) per stimare la permeabilità del sottosuolo dagli idrografi di scarico del flusso.
In primo luogo, hanno addestrato le DNN a mappare le relazioni tra la permeabilità del suolo e degli strati geologici e la portata simulata del torrente ottenuta da un modello idrologico integrato superficie-sottosuolo dello spartiacque studiato. I DNN hanno prodotto stime di permeabilità più accurate rispetto al tradizionale metodo di modellazione inversa. I DNN hanno quindi stimato la permeabilità di un vero spartiacque (Rock Creek Catchment nelle sorgenti del fiume Colorado) utilizzando lo scarico del flusso osservato dal sito di studio. Il modello di spartiacque con permeabilità stimata dai DNN ha previsto accuratamente i flussi del torrente. Questa ricerca getta nuova luce sul valore dei metodi emergenti di apprendimento profondo per assistere la modellazione integrata di spartiacque migliorando la stima dei parametri, che alla fine ridurrà l'incertezza nei modelli predittivi di spartiacque.
La permeabilità del sottosuolo è una misura di quanto bene i liquidi scorrono attraverso rocce e terreni sotterranei. È un parametro chiave che determina il flusso sotterraneo ei processi di trasporto nei bacini idrografici. Tuttavia, la permeabilità è difficile e costosa da misurare direttamente alla scala e alla risoluzione richieste dai modelli di spartiacque. Al contrario, i dati di monitoraggio del flusso di flusso sono ampiamente disponibili. I collegamenti tra permeabilità e flusso del flusso forniscono un nuovo percorso per stimare la permeabilità del sottosuolo. In questo studio, gli scienziati si sono rivolti al deep learning, un tipo di intelligenza artificiale. Il deep learning stima la permeabilità del sottosuolo di uno spartiacque dai dati di scarico del torrente in modo più accurato di quanto sia possibile con i metodi tradizionali. Questo miglioramento aiuterà a calibrare i modelli di spartiacque e a ridurre l'incertezza nella prevedibilità degli scarichi dei corsi d'acqua.
Il metodo del deep learning ha prodotto stime realistiche della permeabilità di un vero e proprio sistema di spartiacque. I risultati hanno avuto una migliore corrispondenza tra gli scarichi di flusso previsti e osservati. Questo lavoro mostra che il deep learning può essere un potente strumento per stimare i parametri di spartiacque da osservazioni indirette ma rilevanti come il flusso del flusso. Utilizzando con successo il deep learning per mappare la relazione tra permeabilità e portata del flusso, questo lavoro presenta nuove opportunità per migliorare la caratterizzazione del sottosuolo di grandi bacini idrografici. Apre la strada per aiutare a sviluppare strategie più generalizzate per calibrare modelli di spartiacque con più parametri e tipi di dati. + Esplora ulteriormente
