Mapping of aquifer geological composition from space
Cette étude démontre que la combinaison de données de déformation de surface en séries temporelles issues de l'interférométrie radar (SAR) avec des réseaux de neurones profonds permet de cartographier efficacement la composition géologique et la granulométrie des aquifères, tels que la vallée centrale de Californie, afin de mieux prédire l'affaissement des terres et le comportement des eaux souterraines dans les régions où les données sont rares.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le sol sous nos pieds n'est pas une dalle solide et immuable. Dans de nombreux endroits, c'est un empilement spongieux de sable, d'argile et de gravier qui retient de vastes quantités d'eau. Lorsque les gens pompent cette eau pour l'agriculture ou la consommation, la pression à l'intérieur des pores du sol chute, et les couches supérieures peuvent s'effondrer, provoquant l'affaissement de la surface du terrain. Cet affaissement, connu sous le nom de subsidence, est un problème sérieux. Il peut fissurer les routes, endommager les bâtiments et réduire de façon permanente l'espace disponible pour stocker l'eau à l'avenir. Bien que les scientifiques puissent facilement voir le sol s'enfoncer à l'aide de satellites, comprendre exactement pourquoi il s'enfonce dans certains endroits et pas dans d'autres est beaucoup plus difficile. La raison se trouve profondément sous terre, dans le mélange spécifique de matériaux qui composent l'aquifère. Certaines couches sont composées de sable grossier qui peut remonter lorsqu'on lui redonne de l'eau, tandis que d'autres sont composées d'argile fine qui s'écrase et reste en place pour toujours. Savoir quel matériau se trouve où est crucial pour gérer l'eau, mais obtenir cette information nécessite généralement de forer des trous coûteux dans la terre, un processus lent et souvent impossible dans les zones reculées.
Une équipe de chercheurs du California Institute of Technology a trouvé un moyen de voir ces couches cachées sans creuser un seul trou. En observant la vallée centrale de Californie, une région qui s'enfonce de manière spectaculaire en raison de l'utilisation de l'eau, ils ont découvert que la façon dont le sol se déplace au fil du temps détient un code secret sur ce qui se trouve en dessous. Ils ont utilisé des données provenant de satellites équipés de radars, capables de mesurer de minuscules changements de hauteur de la surface terrestre avec une précision incroyable. Au lieu de simplement cartographier là où le sol s'enfonce, ils ont injecté les modèles de ce mouvement dans un type de système d'apprentissage informatique connu sous le nom de réseau de neurones profonds. Ce système a été entraîné à reconnaître la relation entre la façon dont le sol se déplace et les couches géologiques qui provoquent ce mouvement. Les chercheurs ont enseigné à l'ordinateur en utilisant des cartes existantes de la géologie de la vallée, lesquelles ont été construites à partir de milliers d'échantillons de forage, puis ont demandé à l'ordinateur de prédire la géologie en se basant uniquement sur les données de mouvement satellitaires.
Les résultats ont été frappants. Le modèle informatique a réussi à prédire la composition de la colonne de sol, distinguant les zones avec des pourcentages élevés de grains grossiers comme le sable des zones dominées par des grains fins comme l'argile. Le modèle a atteint une forte corrélation avec la réalité du terrain, même lorsque les chercheurs l'ont testé avec des données très limitées ou lorsqu'ils ont forcé l'ordinateur à apprendre à partir de points éloignés les uns des autres. Cela suggère que la méthode est robuste et ne se contente pas de mémoriser les emplacements spécifiques sur lesquels elle a été entraînée. L'étude a révélé que le moment du mouvement du sol importe énormément. Le modèle a été le plus performant lorsqu'il incluait des données des mois d'automne et d'hiver, spécifiquement octobre et décembre. Cela est logique car ce sont les périodes où les pluies hivernales rechargent l'aquifère, provoquant le rebond des parties sableuses et élastiques du sol. Sans observer ce « rebond » saisonnier, l'ordinateur ne pouvait pas distinguer avec précision le sable élastique de l'argile malléable.
Cette approche offre une nouvelle façon de cartographier l'architecture invisible des aquifères à travers le monde. Bien que le modèle ne fournisse pas une carte grain par grain parfaite, il donne une vue de niveau de criblage fiable de la composition géologique, montrant où les matériaux grossiers et résilients se terminent et où les matériaux fins et se compactant de façon permanente commencent. C'est une avancée significative car cela transforme la surface de la terre en une fenêtre sur le sous-sol profond. Les chercheurs notent que cette méthode pourrait être appliquée à d'autres régions en affaissement à l'échelle mondiale, en particulier celles qui manquent de données de forage détaillées. À l'avenir, ils voient un grand potentiel dans les prochaines missions satellitaires qui fourniront des mesures encore plus fréquentes et détaillées. En combinant ces nouvelles observations avec les mêmes techniques d'apprentissage, les scientifiques pourraient bientôt être en mesure d'estimer rapidement la structure géologique de n'importe quel aquifère critique sur la planète, aidant ainsi les communautés à gérer leurs ressources en eau avec une image bien plus claire de ce qui se trouve sous leurs pieds.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.