Mapping of aquifer geological composition from space

Resumen Técnico: Mapeo de la Composición Geológica de Acuíferos desde el Espacio

Planteamiento del Problema
La subsidencia del terreno resultante de la extracción de agua subterránea es una consecuencia generalizada del desarrollo humano, que plantea amenazas tanto a la capacidad de almacenamiento de los acuíferos como a la infraestructura superficial. Si bien el vínculo entre el agotamiento de las aguas subterráneas y la subsidencia está establecido, la relación es altamente no lineal y compleja. Esta viene gobernada por la heterogeneidad vertical y lateral de la matriz geológica bajo la superficie. Específicamente, los cuerpos arenosos suelen exhibir una compactación elástica y reversible, mientras que los cuerpos de grano fino (arcillas) experimentan una compactación inelástica e irreversible con tiempos de equilibración más lentos. En consecuencia, las tendencias de subsidencia superficial representan una señal integrada verticalmente de comportamientos de compactación variables a través de diferentes capas geológicas. Una limitación importante para comprender y predecir estos comportamientos es la falta de información suficiente sobre la geología del suelo en profundidad en muchas regiones. Los métodos tradicionales para caracterizar esta variabilidad, como las redes densas de pozos de sondeo, son laboriosos, costosos y, a menudo, resultan en datos observacionales dispersos.

Metodología
Este estudio investiga la viabilidad de utilizar las señales de deformación superficial para predecir inversamente la composición geológica de los acuíferos en profundidad. La investigación se centra en una sección de estudio del acuífero del Valle Central de California, específicamente la cuenca de Tulare y el sur de San Joaquín, que son conocidos puntos críticos de subsidencia.

La metodología integra dos fuentes de datos primarias:

1. Datos de Deformación Superficial: Las características de la serie temporal de la deformación superficial se derivaron de observaciones de Radar de Apertura Sintética Interferométrica (InSAR) utilizando datos de Sentinel-1.
2. Verdad de Terreno Geológica: Un conjunto de datos geológicos krigados del Modelo Hidrológico del Valle Central (CVHM) proporcionó las variables objetivo, específicamente los porcentajes de granos gruesos a través de diez capas verticales distintas del sistema del acuífero.

Se empleó un modelo de regresión de red neuronal profunda (DNN) para aprender la relación entre las señales temporales de deformación InSAR y las respuestas de la columna de suelo integradas verticalmente. El estudio utilizó varias estrategias de validación:

• Comparación de Línea Base: El rendimiento de la DNN se comparó con modelos de árbol de decisión y de bosque aleatorio (random forest).
• Reducción de Datos: El modelo fue probado con un conjunto de datos reducido (40% de los datos de entrenamiento) para evaluar sus capacidades de generalización.
• Independencia Espacial: Se implementó una estrategia de "muestreo de datos distantes", imponiendo una separación mínima de 10 kilómetros entre los puntos de entrenamiento para reducir la autocorrelación espacial y obligar al modelo a depender de patrones temporales y geológicos aprendidos.
• Sensibilidad Temporal: Una prueba de validación cruzada de 10 pliegues excluyó sistemáticamente los datos de meses específicos para determinar qué señales temporales eran más críticas para el rendimiento del modelo.

Resultos Clave

• Precisión Predictiva: La red neuronal profunda predijo con éxito los porcentajes de granos gruesos de las capas del acuífero con un coeficiente de correlación media de R=0.88 en las diez capas. Esto superó significativamente a los modelos de línea base de árbol de decisión (R=0.65) y bosque aleatorio (R=0.85).
• Robustez ante la Escasez de Datos: El modelo demostró una fuerte capacidad de generalización, manteniendo una correlación de R=0.80 cuando se entrenó con solo el 40% de los datos. Incluso bajo la estrategia de "muestreo de datos distantes" (separación de 10 km), el modelo alcanzó una correlación general de R=0.83, lo que indica resiliencia ante la reducción de la correlación espacial.
• Impulsores Temporales: El análisis de validación cruzada reveló que excluir los datos de octubre y diciembre causó la degradación más significativa en la correlación del modelo. Los autores atribuyen esto a la importancia de los pulsos de recarga invernal, que impulsan señales de levantamiento elástico superficial significativas, esenciales para distinguir las respuestas geológicas.
• Desempeño por Capa: Las capas de acuíferos confinados más profundas (por ejemplo, la arcilla de Corcoran) mostraron un mayor éxito de predicción, probablemente debido a que su naturaleza de grano fino produce señales de subsidencia secular prominentes y de largo plazo que son más fáciles de distinguir del ruido elástico de corto plazo.

Significancia y Reivindicaciones
El artículo sostiene que las observaciones de InSAR de series temporales, combinadas con el aprendizaje profundo, pueden proporcionar una "visión de nivel de cribado" de las respuestas integradas de la columna de suelo de un acuífero. La principal significancia de este trabajo radica en su capacidad para:

• Estimar Indirectamente la Geología: Ofrecer un método remoto para estimar la composición geológica básica y los porcentajes de granos gruesos en regiones donde los datos geológicos in situ son escasos o inexistentes.
• Contextualizar la Subsidencia: Ayudar a elucidar la composición del tamaño de grano basándose en señales superficiales, lo cual es un factor crítico para determinar la elasticidad del acuífero y predecir su comportamiento futuro.
• Escalabilidad: Demostrar un enfoque robusto que puede ser aplicable a otros acuíferos con subsidencia a nivel mundial, particularmente aquellos con características sedimentarias.
• Misiones Futuras: Destacar el potencial de las próximas misiones de alta resolución SAR, como NISAR (NASA-ISRO), para generar estimaciones de composición geológica de alta resolución para acuíferos propensos a la subsidencia en todo el mundo.

Los autores mantienen una postura modesta, señalando que, si bien el modelo proporciona valiosas percepciones preliminares para identificar regiones susceptibles a la compactación, sirve como una primera estimación. Sugieren que, para la cuantificación específica de las respuestas de los acuíferos a las estrategias de gestión, estos resultados deberían idealmente acoplarse con modelos numéricos de aguas subterráneas basados en procesos.