Vorsicht Vor Städtischen „chronischen Krankheiten“: Das Team Von Professor Liu Jianxin Von Der Central South University Nutzt KI, Um Das Risiko Von Bodensenkungen in Den Nächsten 40 Jahren Vorherzusagen

Im Mai 2023 waren die Eigentümer des Fengjin Courtyard in der Stadt Balitai im Bezirk Jinnan in Tianjin „in Panik“, weil ihr 25-stöckiges Gebäude aus der Ferne „schief“ aussah. Was die Eigentümer noch mehr in Panik versetzte, war die Tatsache, dass nicht nur das Gras und die Straßen rund um die Gebäude abzusacken begannen und Risse bekamen, sondern dass sogar die Fundamente der Gebäude Setzungen und Risse von mehreren zehn Zentimetern aufwiesen. Auch in einigen Tiefgaragen waren Risse und Wassereinbrüche in den Wänden zu sehen, was dazu führte, dass Tausende von Eigentümern nicht mehr nach Hause zurückkehren konnten.

Tatsächlich ist das Phänomen der Bodenabsenkung (LS) bereits weit verbreitet. Bereits im Jahr 2012 wurde in Chinas erstem „Nationalen Plan zur Verhinderung und Kontrolle von Bodensenkungen (2011–2020)“, der gemeinsam vom Ministerium für Land und Ressourcen, dem Ministerium für Wasserressourcen, der Nationalen Kommission für Entwicklung und Reform, dem Finanzministerium und zehn weiteren Ministerien erstellt wurde, darauf hingewiesen, dass derzeit mehr als 50 Städte im Land von Bodensenkungskatastrophen betroffen sind, verteilt auf 20 Provinzen, autonome Regionen und regierungsunmittelbare Städte, darunter Peking, Tianjin, Hebei, Shanxi, die Innere Mongolei usw.

Darüber hinaus warnte eine 2021 in Science veröffentlichte Studie der UNESCO-Arbeitsgruppe für Landabsenkung, dass bis 2040 fast ein Fünftel der Weltbevölkerung durch Landabsenkung bedroht sein wird. Es ist offensichtlich, dass die schnelle Überwachung und genaue Simulation von Bodensenkungen zum Hauptproblem der aktuellen Stadtentwicklung geworden ist.

Um dieses Problem zu lösen, veröffentlichte das Team von Professor Liu Jianxin von der Fakultät für Geowissenschaften und Informationsphysik der Central South University in Zusammenarbeit mit der Geologischen Umweltüberwachungsstation der Provinz Guangdong, der Vierten Geologischen Brigade der Provinz Guangdong und der Universität Boigny in der Elfenbeinküste die Forschungsergebnisse zur intelligenten Vorhersage von Bodensenkungen in Städten in der internationalen Fachzeitschrift für Umweltwissenschaften und Ökologie, dem „Journal of Environmental Management“.Das erste Unternehmen, das einen extremen Gradienten-Boosting-Regressor (XGBR) und ein Long-Short-Term-Memory-Netzwerk (LSTM) zur Modellierung von Bodensenkungen in städtischen Gebieten verwendet.Es löst nicht nur die inhärenten Beschränkungen einzelner Modellrahmen im Umgang mit komplexen Szenarien, sondern bietet durch datengesteuerte Strategien auch effektive Vorhersagemethoden für Katastrophenvorbeugung, Schadensminderung und Landnutzungsstrategien.

Forschungshighlights

* Mithilfe von Taylor-Diagrammen zeigen wir, dass die XGBR- und LSTM-Modelle eine starke Korrelation mit den Sedimentationsdaten sowie eine hohe Vorhersagegenauigkeit aufweisen.

* Verwenden Sie InSAR-, geologische und Bohrlochdaten, um die Änderungsrate der Oberflächenaktivität zu schätzen und so die Schlüsselvariablen aufzudecken, die die Oberflächenaktivität beeinflussen

* Förderung eines proaktiven Landnutzungsmanagements durch datengesteuerte Strategien, die den Grundstein für eine nachhaltige Stadtentwicklung und Ressourcenmanagementpraktiken legen

Papieradresse:
https://doi.org/10.1016/j.jenvman.2024.120078
Folgen Sie dem offiziellen Account und antworten Sie mit „Bodensenkung“, um das vollständige PDF zu erhalten

Forschungsumfang: Fokus auf den Bezirk Nansha und Untersuchung der Bodensenkungsrisiken in der Region des Perlflussdeltas

Das Senkungsgebiet im Perlflussdelta umfasste 11.397 Quadratkilometer, wobei die Senkung im Allgemeinen über 500 mm lag und die höchste Senkung mehr als 1.000 mm erreichte. Unter ihnen liegt der Bezirk Nansha an der südlichsten Spitze der Stadt Guangzhou. Es ist der Schnittpunkt der Flüsse Xijiang, Beijiang und Dongjiang und hat eine Gesamtfläche von etwa 803 Quadratkilometern. Lithologisch gesehen ist der Bezirk Nansha hauptsächlich mit weichen Bodenablagerungen wie braunrotem Ton, hellgelbem Kies, mittelgrobem Sand, porphyrischem Ton, grauweißem und braunrotem Kies übersät. Aus Sicht der hydrogeologischen Bedingungen kann das Grundwasser im Bezirk Nansha in zwei Hauptgrundwasserleiter unterteilt werden: ungespannt und gespannt.

Mit der rasanten Entwicklung der Perlflussdelta-Region hat sich der Bezirk Nansha im Zuge der rasanten Stadtentwicklung nicht nur auf die Oberflächenentwicklung beschränkt, sondern auch die Sammlung von Grundwasser erhöht, was zu einem Absinken des Grundwasserspiegels geführt hat. Gleichzeitig hat die Zunahme an Hochhäusern und Industrieanlagen den Oberflächendruck weiter erhöht und damit das Auftreten von Bodensenkungen verstärkt.

Geotechnische Untersuchungen, darunter Ingenieur- und hydrogeologische Bohrungen, zeigen, dass die Bodenabsenkung im Bezirk Nansha vier verschiedene Phasen durchlaufen hat: die Startphase (2015–2016, -125 mm), die Entwicklungsphase (2016–2018, -170 mm), die Expansionsphase (2018–2020, -222 mm) und die Phase der schnellen Entwicklung (2020–2022, -320 mm), die im Wesentlichen mit der Stadtentwicklung und dem Aufbau der Infrastruktur übereinstimmen.

Datensatz: SAR- und geologische Daten werden kombiniert, um lokale geologische Informationen vollständig wiederherzustellen

Die SAR-Bilddaten (Synthetic Aperture Radar) für diese Studie wurden vom Satelliten Sentinel-1 der Copernicus-Mission (GMES) der Europäischen Weltraumorganisation erfasst.

Dies ist ein aktiver Mikrowellen-Fernerkundungssatellit, der aus zwei Satelliten besteht, Sentinel-1A und Sentinel-1B. Die Sensoren der beiden Satelliten können Tag und Nacht und bei jedem Wetter kontinuierliche Bilder liefern. Vom 15. Juni 2015 bis zum 23. Dezember 2022 trug Sentinel-1 ein C-Band-Synthetic-Aperture-Radar und erfasste insgesamt 213 Szenen. Die Forscher glichen die SAR-Daten mit tatsächlichen Daten ab, die jährlich an Kontrollpunkten erhoben wurden.

Um die umfassenden geologischen und Bohrdaten des Bezirks Nansha besser zu verstehen, wurden im Rahmen der Studie auch die lokalen Bodeneigenschaften, Grundwasserstände usw. analysiert:

* Geologische Informationen:Durch das Sammeln von Informationen zum geologischen System des Geologischen Amts der Provinz Guangdong kann das Nansha-Gebiet in acht geologische Perioden unterteilt werden: Tertiär, Kreide, Jura, Trias, Perm, Karbon, Devon und Silur.

* Füllstärke (FSt) und Sandschichtverteilung (SLd):Unterschiedliche Böden führen zu unterschiedlichen Siedlungen. Diese Studie bewertet die unterirdischen Bodenbedingungen im Gebiet Nansha effektiv, indem sie sorgfältig Daten zur Füllstärke (FSt) und Sandschichtverteilung (SLd) aus technischen Bohrungen zu verschiedenen Zeitpunkten sammelt.

* Gebäudedichte (BC):Die Gebäudedichte (BC) des Bezirks Nansha wird durch die Analyse großer Gebäude des Geologischen Amts der Provinz Guangdong aus den Jahren 2015 bis 2022 ermittelt und basiert auf umfassenden Daten des Tiefbaus von Gebäudestrukturen. Dadurch wird die Beziehung zwischen der Dichte der städtischen Infrastruktur und der Bodensenkung in diesem dicht besiedelten Gebiet eingehend untersucht.

* Grundwasserstand (GWL):Im Rahmen der Studie wurden durch hydrogeologische Bohrungen auch Daten zum Vorkommen, zur Tiefe, zur Menge und zur Qualität des Grundwassers im Bezirk Nansha gewonnen. Diese Daten basieren auf einer Grundwasserspiegelkarte, die aus den kombinierten Ergebnissen aller Bohrungen in der Provinz Guangdong erstellt wurde.

Forschungsmethode: Integration von InSAR und maschinellem Lernen unter Verwendung der Δr-Strategie zur Anpassung von Variablen

Die Studie ist als kurzer Überblick über die Schritte der SAR-Datenverarbeitung und Integrationstechniken auf der Grundlage maschinellen Lernens strukturiert.

Aufgrund der Einflüsse von atmosphärischer Verzögerung, Umlaufbahnresten und Dekorrelationsrauschen kann die Interferometric Synthetic Aperture Radar (InSAR)-Technologie Oberflächenverformungen nur innerhalb von zwei Abbildungszyklen messen und kann keine Verformungen messen, die sich im Laufe der Zeit ändern. Um die Auswirkungen der atmosphärischen Verzögerung zu verringern, können die derzeit gängigen InSAR-Methoden für Zeitreihen in die permanente Streuinterferometrie (PS-InSAR) und die Methode der kleinen Basislinien-Teilmenge (SBAS-InSAR) unterteilt werden. Die PS-InSAR-Technologie hat den Einfluss von Faktoren wie Dekorrelationsrauschen weitgehend überwunden. Die SBAS-InSAR-Technologie kann die Nutzung vorhandener SAR-Daten für eine schnelle und genaue Inversion der Oberflächenverformung maximieren.

Das maschinelle Lernmodell dieser Studie besteht aus einer extremen Gradienten-Boosting-Regression (XGBR) und einem Long Short-Term Memory Network (LSTM).

Unter ihnen ist XGBR eine Variante des Gradient-Boosting-Algorithmus für Regressionsaufgaben, der durch einen zufälligen Stichprobenprozess verschiedene Trainingsdatensätze generieren kann. Die LSTM-Architektur ist darauf ausgelegt, die Einschränkungen herkömmlicher rekurrierender neuronaler Netzwerke beim Erfassen und Lernen langfristiger Beziehungen zu überwinden und Informationen über das gesamte Zeitintervall hinweg effektiv verwalten und speichern zu können.

Basierend auf der obigen Methode,Die Studie erlangte zunächst den Hauptdatensatz durch die Analyse von SAR-Bildern.Von Juni 2015 bis Dezember 2022 wurden vom Satelliten Sentinel-1 insgesamt 225 Szenen als SAR-Bilder gesammelt. Zweitens verwendeten die Forscher die PS-InSAR-Technologie, um 144 zwischen Juni 2015 und November 2019 aufgenommene Bilder zu verarbeiten, wobei die im Dezember 2018 aufgenommenen Bilder als Primärbilder dienten. Anschließend verarbeiteten die Forscher mithilfe der SBAS-InSAR-Technologie 66 zwischen Januar 2019 und Dezember 2022 aufgenommene Bilder. Schließlich wurden die Überwachungsergebnisse von PS-InSAR und SBAS-InSAR verwendet, um eine Zeitreihenfusion der kumulativen Deformationsvariablen von Juni 2015 bis Dezember 2022 durchzuführen, wobei die kumulativen Setzungsdaten von Juni 2015 bis November 2019 als Benchmark für die Deformationssequenz dienten.

Nächste,Der Schwerpunkt dieser Studie liegt auf der Extraktion von Daten zum Grundwasserspiegel (GWL).Dies ist ein entscheidender Schritt zum Verständnis der Auswirkungen der Grundwasserdynamik auf die Oberflächenmorphologie. Im Rahmen der Studie wurden die Grundwasserleiter auf Grundlage hydrogeologischer Bohrungen kartiert, die zwischen Juni 2015 und Dezember 2018 in der Provinz Guangdong durchgeführt wurden. Die Karte wurde anhand der aus den einzelnen Bohrlöchern in beiden Grundwasserleitern gesammelten Informationen erstellt. Anschließend wurden die hydrogeologischen Daten mit Golden Software Surfer 25.1 analysiert und mit ArcGIS Pro 1.2 gerastert.

endlich,Die Studie untersuchte eingehend die Delta-Rate-Strategie (Δr) und verwendete dabei fortschrittliche Algorithmen des maschinellen Lernens zur Interpretation und weiteren Analyse der Daten.Um alle Variablen auf derselben Zeitskala unterzubringen, verwendete diese Studie die Berechnung der Deltarate (Δr) und wandte sie auf alle Daten mit Ausnahme des kategorialen Merkmals Lith an. Zur Lösung dieser Probleme wurden zwei verschiedene Techniken angewendet, LSTM und XGBR. In LSTM implementiert diese Studie die Lasso-Regression (L1-Regularisierung) direkt im LSTM-Netzwerk, indem sie der Verlustfunktion Las einen Strafterm hinzufügt, der dem absoluten Wert des Koeffizienten entspricht, um den Einfluss bestimmter Merkmale zu reduzieren. In XGBR kann die Studie die Komplexität des Modells durch Steuerung der Baumtiefe begrenzen und so indirekt die Bedeutung der Merkmale beeinflussen.

Forschungsergebnisse: XGBR ist besser als das LSTM-Modell

Durch die Analyse der räumlichen und zeitlichen Muster des Bezirks Nansha von 2015 bis 2022 berechnete diese Studie die Bodenabsenkung oder -verformung im Bezirk Nansha in verschiedenen Zeiträumen.

* Juni - Dezember 2015:Im Bezirk Nansha gibt es keine Deformationssignale, die maximale kumulative Setzung beträgt -21 mm und das Land und die Gebäude sind sehr stabil. 

* 2015-2016:Im Bezirk Nansha kam es rund um viele Straßen zu großen Verformungen, wobei die maximale kumulative Setzung -64 mm erreichte.
* 2015-2017:Die Verformung im Südosten des Bezirks Nansha ist mit einer maximalen kumulativen Setzung von -128 mm am schwerwiegendsten. 

* 2015-2018:Die maximale kumulative Setzung im Bezirk Nansha beträgt -176 mm.
* 2015 - 2019:Die maximale kumulative Setzung im Bezirk Nansha beträgt -225 mm. 

* 2015 - 2020:Die Westseite des Bezirks Nansha hat erhebliche Verformungen erfahren, wobei die maximale Gesamtsenkung -263 mm beträgt.
* 2015 - 2021:In vielen Gemeinden kam es zu großflächigen Deformationserscheinungen, wobei die höchste kumulative Setzung -320 mm betrug. 

* 2015 - 2022:Die maximale akkumulierte Setzung beträgt -364 mm.

Diese Studie bewertet die Bedeutung verschiedener Merkmale mithilfe von XGBR und Random Forest (RF). Beide Modelle zeigen, dassDer Grundwasserspiegel und die Bebauungsdichte sind die Faktoren, die den größten Einfluss auf die Bodensenkung haben. Ihre kumulative Bedeutung beträgt etwa 51%.Als nächstes wurde im Rahmen der Studie ein Modell zur Vorhersage von Bodensenkungen unter Verwendung des durchschnittlichen Δr erstellt und versucht, das Senkungsproblem durch eine Reduzierung des Grundwasserspiegels und der Bebauungsdichte um 80% zu lösen.

Die Ergebnisse zeigen, dassDurch die Absenkung des Grundwasserspiegels und die Erhöhung der Bebauungsdichte kann die Bodensenkungsrate deutlich reduziert werden.Darüber hinaus kann es zu geringfügigen Unterschieden bei den Vorhersageergebnissen von XGBR- und LSTM-Modellen kommen. Tatsächlich kann XGBR plötzliche Änderungen besser erfassen, während LSTM langfristige Abhängigkeiten besser erfassen kann.

Die Studie verwendete außerdem XGBR und LSTM, um Senkungsdaten bis 2060 zu simulieren und vorherzusagen. Die Ergebnisse zeigen, dass:

* Bis 2024XGBR prognostiziert relativ geringe Senkungen, in den meisten Bereichen weniger als -250 mm. 

* Bis 2030Die zunehmende Bodenabsenkung wurde deutlicher und verschlimmerte sich danach allmählich.
* Bis 2060Die Setzungsdaten werden in einigen Gebieten -450 mm überschreiten.

Insgesamt stimmt der Vorhersagetrend von LSTM mit dem von XGBR überein, der Schweregrad ist jedoch insgesamt geringer.

In der Testphase dieser Studie wurden RMSE, MAE und R² verwendet, um die Leistung des Modells basierend auf dem normalisierten Grundwasserspiegel zu bewerten.

Die Ergebnisse zeigen, dass die vorhergesagten Werte von XGBR sehr nahe an den tatsächlichen Werten liegen und mehr Variabilität erfassen können. Darüber hinaus ist der durchschnittliche Vorhersagefehler von LSTM größer als der von XGBR und die durchschnittliche Vorhersagegenauigkeit geringer. Gleichzeitig zeigt das Taylor-Diagramm auch, dassBeide Modelle weisen hohe Korrelationskoeffizienten mit den beobachteten Daten auf, aber die Korrelation und Standardabweichung des XGBR-Modells mit der Bodenabsenkung liegen näher an der Übereinstimmung.

Darüber hinaus zeigt die Studie auch, dass das Ausmaß künftiger Oberflächensenkungen wirksam kontrolliert werden kann, da das durch Grundwasserspiegel und Bebauungsdichte bedingte Risiko von Bodensenkungen wirksam verringert wird.Wenn keine Maßnahmen ergriffen werden, könnte die Gefahr einer Bodenabsenkung bis 2040 größer sein als in der Studie vorhergesagt.

Bodensenkungen: ein geologisches Katastrophenphänomen, das im ganzen Land auftritt

Obwohl das Thema Bodensenkung von Forschern wie Professor Liu Jianxin große Aufmerksamkeit erhalten hat, befindet sich die Forschung zur künstlichen Intelligenz in verwandten Bereichen noch in einem frühen Stadium und bedarf dringend weiterer Anstrengungen.

Die vom China Geological Survey veröffentlichte „Umfassende Studie zur Untersuchung und Überwachung von Landabsenkungen in der nordchinesischen Tiefebene“ und die „Untersuchung der Grundwasserressourcen und der Umwelt in China“ zeigen, dass die Senkungszentren in verschiedenen Gebieten der nordchinesischen Tiefebene tendenziell miteinander verbunden sind. In der Jangtse-Region beträgt die Fläche mit einer kumulierten Absenkung von mehr als 200 mm in den letzten 30 Jahren fast 10.000 Quadratkilometer und entspricht damit einem Drittel der Gesamtfläche der Region. Unter anderem kam es in Shanghai, Suzhou, Wuxi und Changzhou in der Provinz Jiangsu zu geologischen Katastrophen wie Bodenrissen. Darüber hinaus leiden viele weitere Regionen, darunter Nordwest- und Südchina, unter dem langfristigen Problem der langsamen Bodenabsenkung.

Eine Übernutzung des Grundwassers kann eine Reihe negativer Auswirkungen haben, darunter Bodenabsenkungen und dauerhafte Verluste der Grundwasserspeicher. Im Oktober 2023 zeigten die neuesten Forschungsergebnisse, die in der Fachzeitschrift Nature Communications veröffentlicht wurden, dass weltweit jedes Jahr etwa 17 Kubikkilometer Grundwasserspeicherkapazität verschwinden, was zu Bodenabsenkungen und einer dauerhaften Verringerung der Grundwasserreserven führt. Forscher sagen voraus, dass die Vereinigten Staaten, China und der Iran die Länder mit den größten Verlusten an Grundwasserreserven sind und auch die Gebiete sein werden, die in Zukunft am stärksten von Bodensenkungen betroffen sein werden.

Durch die Nutzung von maschinellem Lernen und umfassenden Datensätzen sowie eines maschinellen Lernansatzes auf Basis des Random-Forest-Algorithmus können Forscher nun ein tieferes Verständnis der Umweltprobleme gewinnen, die durch die übermäßige Abpumpung von Grundwasser entstehen, und die Notwendigkeit proaktiver Maßnahmen zum Schutz der Wasserressourcen und zur Eindämmung der Auswirkungen von Bodensenkungen hervorheben. Wie in diesem Artikel gezeigt wird, geben die Vorhersagen der künstlichen Intelligenz jedoch nur eine Orientierung. Die grundlegende Lösung besteht darin, ob die Grundwasserkrise und die Bebauungsdichte in diesem Gebiet wirklich gelindert werden können.