Deep learning forbedrer strømudledningsbaserede estimater af permeabilitet under overfladen, hvilket gør det muligt for forskere at skabe mere nøjagtige vandskelmodeller. Kredit:Alan Cressler, United States Geological Survey.
Underjordisk permeabilitet er en nøgleparameter, der styrer bidraget fra den underjordiske strømning til vandløbsstrømme i vandskelmodeller. Direkte måling af permeabilitet i den rumlige udstrækning og opløsning, der kræves af vandskelmodeller, er vanskeligt og dyrt. Forskere estimerer derfor almindeligvis permeabilitet gennem invers modellering. Den brede tilgængelighed af strømoverfladestrømningsdata sammenlignet med grundvandsovervågningsdata giver en ny datakilde til integrerede overflade- og underjordiske hydrologiske modeller for at udlede jordbund og geologiske egenskaber.
I en undersøgelse offentliggjort i Frontiers in Earth Science , videnskabsmænd fra Pacific Northwest National Laboratory, Oak Ridge National Laboratory og Los Alamos National Laboratory trænede dybe neurale netværk (DNN'er) til at estimere permeabilitet under overfladen fra strømudledningshydrografer.
Først trænede de DNN'erne til at kortlægge forholdet mellem jord- og geologiske lagpermeabiliteter og den simulerede strømudledning opnået fra en integreret overflade-underjordisk hydrologisk model af det undersøgte vandskel. DNN'erne gav mere nøjagtige permeabilitetsestimater end den traditionelle inverse modelleringsmetode. DNN'erne estimerede derefter permeabiliteten af et rigtigt vandskel (Rock Creek Catchment i Colorado-flodens udspring) ved hjælp af observeret strømudledning fra undersøgelsesstedet. Vandskelmodellen med permeabilitet estimeret af DNN'er forudsagde nøjagtigt strømningsstrømmene. Denne forskning kaster nyt lys over værdien af nye deep learning-metoder til at understøtte integreret vandskelmodellering ved at forbedre parameterestimering, hvilket i sidste ende vil reducere usikkerheden i forudsigende vandskelmodeller.
Underjordisk permeabilitet er et mål for, hvor godt væsker strømmer gennem underjordiske klipper og jord. Det er en nøgleparameter, der bestemmer underjordiske flow og transportprocesser i vandskel. Permeabilitet er imidlertid vanskelig og dyrt at måle direkte i den skala og opløsning, der kræves af vandskelmodeller. I modsætning hertil er strømningsovervågningsdata bredt tilgængelige. Forbindelserne mellem permeabilitet og strømningsstrøm giver en ny vej til at estimere permeabilitet under overfladen. I denne undersøgelse vendte videnskabsmænd sig til deep learning, en form for kunstig intelligens. Deep learning estimerer permeabiliteten under overfladen af et vandskel ud fra strømudledningsdata mere nøjagtigt, end det er muligt med traditionelle metoder. Denne forbedring vil hjælpe med at kalibrere vandskelmodeller og reducere usikkerheden i vandløbets forudsigelighed.
Deep learning-metoden gav realistiske skøn over permeabiliteten af et rigtigt vandskelsystem. Resultaterne havde et bedre match mellem de forudsagte og observerede vandløbsudledninger. Dette arbejde viser, at deep learning kan være et effektivt værktøj til at estimere vandskelparametre ud fra indirekte, men relevante observationer som f.eks. vandløb. Ved succesfuldt at bruge deep learning til at kortlægge forholdet mellem permeabilitet og vandløbsudledning, præsenterer dette arbejde nye muligheder for at forbedre den underjordiske karakterisering af store vandskel. Det baner vejen for at hjælpe med at udvikle mere generaliserede strategier til kalibrering af vandskelmodeller med flere parametre og typer data. + Udforsk yderligere