Aprendizagem profunda usa a descarga do córrego para estimar a permeabilidade do subsolo da bacia
O aprendizado profundo melhora as estimativas de permeabilidade do subsolo baseadas na descarga de fluxo, permitindo que os cientistas criem modelos de bacias hidrográficas mais precisos. Crédito:Alan Cressler, United States Geological Survey.
A permeabilidade do subsolo é um parâmetro chave que controla a contribuição do fluxo do subsolo para os fluxos em modelos de bacias hidrográficas. Medir diretamente a permeabilidade na extensão espacial e resolução exigida pelos modelos de bacias hidrográficas é difícil e caro. Os pesquisadores, portanto, geralmente estimam a permeabilidade por meio de modelagem inversa. A ampla disponibilidade de dados de fluxo de superfície em comparação com dados de monitoramento de águas subterrâneas fornece uma nova fonte de dados para modelos hidrológicos integrados de superfície e subsuperfície para inferir propriedades geológicas e do solo.
Em um estudo publicado em
Frontiers in Earth Science , cientistas do Pacific Northwest National Laboratory, do Oak Ridge National Laboratory e do Los Alamos National Laboratory treinaram redes neurais profundas (DNNs) para estimar a permeabilidade do subsolo de hidrogramas de descarga de fluxo.
Primeiro, eles treinaram as DNNs para mapear as relações entre as permeabilidades do solo e da camada geológica e a vazão simulada do córrego obtida a partir de um modelo hidrológico integrado superfície-subsuperfície da bacia estudada. As DNNs produziram estimativas de permeabilidade mais precisas do que o método tradicional de modelagem inversa. As DNNs então estimaram a permeabilidade de uma bacia hidrográfica real (Rock Creek Catchment nas cabeceiras do rio Colorado) usando a vazão observada do local de estudo. O modelo de bacia com permeabilidade estimada por DNNs previu com precisão as vazões do córrego. Esta pesquisa lança uma nova luz sobre o valor dos métodos emergentes de aprendizado profundo para auxiliar a modelagem integrada de bacias hidrográficas, melhorando a estimativa de parâmetros, o que acabará reduzindo a incerteza nos modelos preditivos de bacias hidrográficas.
A permeabilidade do subsolo é uma medida de quão bem os líquidos fluem através de rochas e solos abaixo do solo. É um parâmetro chave que determina o fluxo subsuperficial e os processos de transporte em bacias hidrográficas. No entanto, a permeabilidade é difícil e cara de medir diretamente na escala e resolução exigidas pelos modelos de bacias hidrográficas. Em contraste, os dados de monitoramento de fluxo de fluxo estão amplamente disponíveis. As ligações entre a permeabilidade e o fluxo do córrego fornecem uma nova rota para estimar a permeabilidade do subsolo. Neste estudo, os cientistas se voltaram para o aprendizado profundo, um tipo de inteligência artificial. O aprendizado profundo estima a permeabilidade do subsolo de uma bacia hidrográfica a partir de dados de vazão de fluxo com mais precisão do que é possível com métodos tradicionais. Essa melhoria ajudará a calibrar os modelos de bacias hidrográficas e reduzir a incerteza na previsibilidade da vazão.
O método de aprendizado profundo rendeu estimativas realistas da permeabilidade de um sistema de bacia hidrográfica real. Os resultados tiveram uma melhor correspondência entre as vazões previstas e observadas. Este trabalho mostra que o aprendizado profundo pode ser uma ferramenta poderosa para estimar parâmetros de bacias hidrográficas a partir de observações indiretas, mas relevantes, como a vazão. Ao usar com sucesso o aprendizado profundo para mapear a relação entre permeabilidade e vazão, este trabalho apresenta novas oportunidades para melhorar a caracterização do subsolo de grandes bacias hidrográficas. Ele abre o caminho para ajudar a desenvolver estratégias mais generalizadas para calibrar modelos de bacias hidrográficas com vários parâmetros e tipos de dados.
+ Explorar mais Cientistas de laboratório usam marcadores radioativos para determinar as idades do fluxo