Mapping of aquifer geological composition from space
Deze studie toont aan dat het combineren van tijdreeksgegevens van oppervlaktevervorming via interferometrische SAR met diepe neurale netwerken effectief de geologische samenstelling en korrelgrootte van aquifers, zoals die van de Central Valley in Californië, kan in kaart brengen om landverzakking en grondwatergedrag in gebieden met een tekort aan gegevens beter te voorspellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De grond onder onze voeten is geen massieve, onveranderlijke plaat. Op veel plaatsen is het een sponsachtige stapel van zand, klei en grind die enorme hoeveelheden water vasthoudt. Wanneer mensen dit water oppompen voor de landbouw of als drinkwater, daalt de druk in de poriën van de bodem, en kunnen de bovenliggende lagen instorten, waardoor het aardoppervlak daalt. Dit dalen, bekend als subsidie of bodemdaling, is een ernstig probleem. Het kan wegen doen barsten, gebouwen beschadigen en de ruimte die beschikbaar is om water op te slaan in de toekomst permanent verminderen. Hoewel wetenschappers de grond gemakkelijk zien dalen met behulp van satellieten, is het begrijpen van precies waarom de grond op sommige plaatsen wel en op andere niet zinkt, veel moeilijker. De reden ligt diep onder de grond, in de specifieke mix van materialen die de aquifer vormen. Sommige lagen bestaan uit grof zand dat weer omhoog kan springen wanneer het water terugkeert, terwijl andere uit fijne klei bestaan die samengedrukt wordt en voor altijd beneden blijft. Weten welk materiaal waar zich bevindt, is cruciaal voor het beheer van water, maar het verkrijgen van die informatie vereist meestal het boren van dure gaten in de aarde, een proces dat traag is en vaak onmogelijk is in afgelegen gebieden.
Een team onderzoekers aan het California Institute of Technology heeft een manier gevonden om deze verborgen lagen te zien zonder ook maar één gat te boren. Door naar de California Central Valley te kijken, een regio die dramatisch aan het dalen is door watergebruik, ontdekten ze dat de manier waarop de grond in de loop van de tijd beweegt, een geheime code bevat over wat eronder ligt. Ze gebruikten gegevens van satellieten uitgerust met radar, die minuscule veranderingen in de hoogte van het aardoppervlak met ongelooflijke precisie kunnen meten. In plaats van alleen in kaart te brengen waar de grond zinkt, voedden ze de patronen van deze beweging aan een type computersysteem voor leren dat bekend staat als een diep neuraal netwerk. Dit systeem werd getraind om de relatie te herkennen tussen hoe de grond beweegt en de geologische lagen die die beweging veroorzaken. De onderzoekers leerden de computer de geologie van de vallei, die was opgebouwd uit duizenden boorgatmonsters, en vroegen de computer vervolgens de geologie te voorspellen op basis van enkel de satellietbewegingsgegevens.
De resultaten waren opmerkelijk. Het computermodel voorspelde succesvol de samenstelling van de bodemkolom, waarbij het onderscheid maakte tussen gebieden met een hoog percentage grove korrels zoals zand en gebieden die gedomineerd worden door fijne korrels zoals klei. Het model bereikte een sterke correlatie met de werkelijke feiten op de grond, zelfs toen de onderzoekers het testten met zeer beperkte gegevens of wanneer ze de computer dwongen om te leren van punten die ver uit elkaar liggen. Dit suggereert dat de methode robuust is en niet alleen de specifieke locaties waarvoor het getraind is, uit het hoofd leert. De studie onthulde dat de timing van de grondbeweging enorm belangrijk is. Het model presteerde het best wanneer het gegevens van de herfst- en wintermaanden bevatte, specifiek oktober en december. Dit is logisch, omdat dit de tijden zijn waarop de winterregens de aquifer aanvullen, waardoor de elastische, zanderige delen van de grond weer omhoog springen. Zonder deze seizoensgebonden "terugslag" te zien, kon de computer het verschil tussen het veerkrachtige zand en de samendrukbare klei niet nauwkeurig bepalen.
Deze benadering biedt een nieuwe manier om de onzichtbare architectuur van aquifers wereldwijd in kaart te brengen. Hoewel het model geen perfecte, korrel-voor-korrel kaart biedt, geeft het een betrouwbaar overzicht op screeningsniveau van de geologische samenstelling, waarbij het laat zien waar grove, veerkrachtige materialen eindigen en fijne, permanent compacterende materialen beginnen. Dit is een belangrijke stap voorwaarts omdat het het aardoppervlak in een venster naar de diepe ondergrond verandert. De onderzoekers merken op dat deze methode kan worden toegepast op andere dalende regio's wereldwijd, vooral die waar gedetailleerde boordata ontbreken. Vooruitkijkend zien ze een groot potentieel in komende satellietmissies die nog frequentere en gedetailleerdere metingen zullen leveren. Door deze nieuwe waarnemingen te combineren met dezelfde leermethoden, kunnen wetenschappers spoedig de geologische structuur van kritieke aquifers overal op de planeet schatten, wat gemeenschappen helpt hun waterbronnen te beheren met een veel duidelijker beeld van wat er onder hun voeten ligt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.