Mapping of aquifer geological composition from space
本研究表明，将干涉合成孔径雷达的时序地表形变数据与深度神经网络相结合，可以有效地绘制出如加利福尼亚州中央谷地等含水层的地质组成和颗粒大小，从而更好地预测数据匮乏地区的地面沉降和地下水行为。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们脚下的土地并非一块坚固且永恒不变的平板。在许多地方，它是由沙子、粘土和砾石组成的、像海绵一样的堆叠结构，储存着大量的水分。当人们为了农业或饮用而抽取这些水时，土壤孔隙内的压力会下降，导致上层结构发生塌陷，从而引起地面沉降。这种被称为“地表沉降”的现象是一个严重的问题。它会导致道路开裂、建筑物受损，并永久性地减少未来可用于储水的空间。虽然科学家可以利用卫星轻松观测到地面的沉降，但要准确理解为什么有些地方会沉降而有些地方不会，则要困难得多。原因隐藏在地下深处，在于构成含水层的特定物质组合中。有些地层由粗砂组成，当水分回归时可以弹回原位；而另一些地层则由细粘土组成，它们会被挤压变形并永远无法恢复。了解这些材料的具体分布对于管理水资源至关重要，但获取这些信息通常需要向地下钻取昂贵的深孔，这一过程既缓慢，且在偏远地区往往难以实现。
加州理工学院的一个研究小组发现了一种无需钻探任何深孔即可观察这些隐藏地层的办法。通过观察加利福尼亚州中央谷地——一个因用水量大而导致地面剧烈下沉的地区——他们发现，地面随时间变化的运动方式蕴含着关于地下物质的秘密代码。他们利用了配备雷达的卫星数据，这种雷达能够以极高的精度测量地表高度的微小变化。研究人员并没有仅仅绘制地面沉降的地图，而是将这种运动模式输入到一种被称为“深度神经网络”的计算机学习系统中。该系统经过训练，旨在识别地面运动方式与导致该运动的地质层之间的关系。研究人员利用现有的谷地地质图（这些地图是基于数千个钻孔样本构建的）来教导计算机，然后要求计算机仅根据卫星运动数据来预测地质构造。
结果令人瞩目。计算机模型成功预测了土壤柱的成分，能够区分出粗颗粒（如沙子）比例较高的区域以及由细颗粒（如粘土）主导的区域。即使研究人员使用非常有限的数据进行测试，或者让计算机从相距很远的点进行学习，该模型仍表现出了与实际地面情况的高度相关性。这表明该方法具有鲁棒性，而不仅仅是在死记硬背特定的训练位置。研究表明，地面运动的时机至关重要。当模型包含秋季和冬季（特别是十月和十二月）的数据时，表现最为出色。这很有道理，因为这些时期是冬季降雨补给含水层的时候，会导致具有弹性的砂质部分回弹。如果没有观察到这种季节性的“反弹”，计算机就无法准确区分具有弹性的沙子和具有压缩性的粘土。
这种方法为绘制全球范围内含水层的隐形架构提供了一种新途径。虽然该模型无法提供完美的、颗粒级的地图，但它提供了一个可靠的筛选级视图，展示了粗糙、具韧性的材料在哪里结束，以及细小的、永久性压缩的材料从哪里开始。这是向前迈出的重要一步，因为它将地球表面变成了一扇透视深层地下结构的窗口。研究人员指出，这种方法可以应用于全球其他沉降地区，尤其是那些缺乏详细钻探数据的地区。展望未来，他们看到了即将到来的卫星任务所能提供的更频繁、更详细的测量数据的巨大潜力。通过将这些新的观测结果与同样的学习技术相结合，科学家们可能很快就能在全球任何地方快速估算关键含水层的地质结构，从而帮助社区在对脚下深处有着更清晰认识的情况下，更好地管理其水资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。