Ondergrondse doorlaatbaarheid is een belangrijke parameter die de bijdrage van de ondergrondse stroom aan stroomstromen in stroomgebiedmodellen regelt. Het rechtstreeks meten van permeabiliteit bij de ruimtelijke omvang en resolutie vereist door stroomgebiedmodellen is moeilijk en duur. Onderzoekers schatten daarom de permeabiliteit gewoonlijk door middel van inverse modellering. De brede beschikbaarheid van stroomoppervlaktestroomgegevens in vergelijking met grondwatermonitoringgegevens biedt een nieuwe gegevensbron voor geïntegreerde oppervlakte- en ondergrondse hydrologische modellen om bodem- en geologische eigenschappen af ​​te leiden.

In een studie gepubliceerd in Frontiers in Earth Science , hebben wetenschappers van Pacific Northwest National Laboratory, Oak Ridge National Laboratory en Los Alamos National Laboratory diepe neurale netwerken (DNN's) getraind om de doorlaatbaarheid van de ondergrond te schatten op basis van hydrografieën van stroomafvoer.

Ten eerste hebben ze de DNN's getraind om de relaties tussen de doorlaatbaarheid van de bodem en de geologische laag en de gesimuleerde stroomafvoer, verkregen uit een geïntegreerd bovengronds hydrologisch model van het bestudeerde stroomgebied, in kaart te brengen. De DNN's leverden nauwkeurigere schattingen van de permeabiliteit op dan de traditionele inverse modelleringsmethode. De DNN's schatten vervolgens de doorlaatbaarheid van een echt stroomgebied (Rock Creek Catchment in de bovenloop van de Colorado-rivier) met behulp van waargenomen stroomafvoer van de onderzoekslocatie. Het stroomgebiedmodel met permeabiliteit geschat door DNN's voorspelde nauwkeurig de stroomstromen. Dit onderzoek werpt een nieuw licht op de waarde van opkomende deep learning-methoden om geïntegreerde stroomgebiedmodellering te ondersteunen door de parameterschatting te verbeteren, wat uiteindelijk de onzekerheid in voorspellende stroomgebiedmodellen zal verminderen.

Ondergrondse permeabiliteit is een maat voor hoe goed vloeistoffen door ondergrondse rotsen en bodems stromen. Het is een belangrijke parameter die ondergrondse stromings- en transportprocessen in stroomgebieden bepaalt. Permeabiliteit is echter moeilijk en duur om direct te meten op de schaal en resolutie die vereist zijn door stroomgebiedmodellen. Daarentegen zijn stroomstroombewakingsgegevens algemeen beschikbaar. De verbanden tussen doorlatendheid en stroomstroming bieden een nieuwe route om de doorlaatbaarheid van de ondergrond te schatten. In deze studie wendden wetenschappers zich tot deep learning, een soort kunstmatige intelligentie. Deep learning schat de ondergrondse permeabiliteit van een stroomgebied op basis van stroomafvoergegevens nauwkeuriger dan mogelijk is met traditionele methoden. Deze verbetering zal helpen bij het kalibreren van stroomgebiedmodellen en het verminderen van de onzekerheid in de voorspelbaarheid van stroomafvoer.

De deep learning-methode leverde realistische schattingen op van de doorlaatbaarheid van een echt stroomgebiedsysteem. De resultaten lieten een betere match zien tussen de voorspelde en de waargenomen stroomafvoeren. Dit werk laat zien dat deep learning een krachtig hulpmiddel kan zijn voor het schatten van stroomgebiedparameters op basis van indirecte maar relevante observaties zoals stroomstroming. Door met succes deep learning te gebruiken om de relatie tussen permeabiliteit en stroomafvoer in kaart te brengen, biedt dit werk nieuwe kansen voor het verbeteren van de ondergrondse karakterisering van grote stroomgebieden. Het maakt de weg vrij om meer algemene strategieën te helpen ontwikkelen voor het kalibreren van stroomgebiedmodellen met meerdere parameters en soorten gegevens. + Verder verkennen

Laboratoriumwetenschappers gebruiken radioactieve tracers om de leeftijd van stroomstroming te bepalen