Attention Aux « Maladies Chroniques » Urbaines : L'équipe Du Professeur Liu Jianxin De L'université Du Centre-Sud Utilise L'ia Pour Prédire Le Risque D'affaissement Des Sols Dans Les 40 Prochaines Années

En mai 2023, les propriétaires du Fengjin Courtyard dans la ville de Balitai, district de Jinnan, à Tianjin, étaient « terrifiés » car, de loin, leur immeuble de 25 étages « semblait tordu ». Ce qui a rendu les propriétaires encore plus paniqués, c'est que non seulement l'herbe et les routes autour des bâtiments ont commencé à s'affaisser et à se fissurer, mais même les fondations des bâtiments ont montré des tassements et des fissures de plusieurs dizaines de centimètres, et certains parkings souterrains présentaient également des fissures et des infiltrations d'eau dans les murs, ce qui a empêché des milliers de propriétaires de rentrer chez eux.

En fait, le phénomène d’affaissement de terrain (AS) est déjà courant. Dès 2012, le premier « Plan national de prévention et de contrôle des affaissements de terrain (2011-2020) » de la Chine, élaboré conjointement par le ministère des Terres et des Ressources, le ministère des Ressources en eau, la Commission nationale du développement et de la réforme, le ministère des Finances et dix autres ministères, a souligné qu'il y a actuellement plus de 50 villes dans le pays souffrant de catastrophes d'affaissement de terrain, réparties dans 20 provinces, régions autonomes et municipalités, dont Pékin, Tianjin, Hebei, Shanxi, Mongolie intérieure, etc.

En outre, une étude publiée dans Science en 2021 par le groupe de travail de l'UNESCO sur l'affaissement des terres a également averti que d'ici 2040, l'affaissement des terres menacera près d'un cinquième de la population mondiale. On constate que la manière de réaliser une surveillance rapide et une simulation précise de l’affaissement du sol est devenue le principal problème du développement urbain actuel.

Afin de résoudre ce problème, l'équipe du professeur Liu Jianxin de l'École des sciences de la Terre et de la physique de l'information de l'Université du Centre-Sud, en collaboration avec la Station de surveillance de l'environnement géologique de la province du Guangdong, la Quatrième brigade géologique de la province du Guangdong et l'Université de Boigny en Côte d'Ivoire, a publié les résultats de la recherche sur la prédiction intelligente de l'affaissement des sols urbains dans la revue académique internationale des sciences de l'environnement et de l'écologie, Journal of Environmental Management.Le premier à utiliser un régresseur à gradient extrême (XGBR) et un réseau de mémoire à long terme (LSTM) pour la modélisation de l'affaissement du sol dans les zones urbaines,Il résout non seulement les limites inhérentes aux cadres de modèles uniques dans la gestion de scénarios complexes, mais fournit également des méthodes de prédiction efficaces pour la prévention des catastrophes, l'atténuation et les stratégies d'utilisation des terres grâce à des stratégies basées sur les données.

Points saillants de la recherche

* En utilisant des graphiques de Taylor, nous démontrons que les modèles XGBR et LSTM ont une forte corrélation avec les données de sédimentation, ainsi qu'une précision de prédiction

* Utiliser les données InSAR, géologiques et de forage pour estimer le taux de changement de l'activité de surface, révélant ainsi les variables clés qui affectent l'activité de surface

* Promouvoir une gestion proactive de l'utilisation des terres grâce à des stratégies fondées sur les données, jetant les bases d'un développement urbain durable et de pratiques de gestion des ressources

Adresse du document :
https://doi.org/10.1016/j.jenvman.2024.120078
Suivez le compte officiel et répondez « affaissement du sol » pour obtenir le PDF complet

Portée de la recherche : se concentrer sur le district de Nansha et explorer les risques d'affaissement de terrain dans la région du delta de la rivière des Perles

La zone d'affaissement dans la région du delta de la rivière des Perles a atteint 11 397 kilomètres carrés, l'affaissement dépassant généralement 500 mm et le plus élevé atteignant plus de 1 000 mm. Parmi eux, le district de Nansha est situé à l'extrémité sud de la ville de Guangzhou. C'est l'intersection des rivières Xijiang, Beijiang et Dongjiang, avec une superficie totale d'environ 803 kilomètres carrés. En termes de lithologie, le district de Nansha est principalement composé de dépôts de sol meuble tels que de l'argile brun-rouge, du gravier jaune clair, du sable moyen-grossier, de l'argile porphyrique, du gravier blanc grisâtre et brun-rouge. Du point de vue des conditions hydrogéologiques, les eaux souterraines du district de Nansha peuvent être divisées en deux principaux aquifères : libre et captif.

Avec le développement rapide de la région du delta de la rivière des Perles, le district de Nansha ne s'est pas seulement limité au développement de surface pendant le développement urbain rapide, mais a également augmenté la collecte des eaux souterraines, ce qui a entraîné une baisse du niveau des eaux souterraines. Dans le même temps, l’augmentation du nombre d’immeubles de grande hauteur et d’installations industrielles a encore accru la pression de surface, exacerbant ainsi les phénomènes d’affaissement du sol.

Les études géotechniques, y compris les forages d'ingénierie et hydrogéologiques, montrent que l'affaissement du sol dans le district de Nansha a traversé quatre étapes différentes : la phase de démarrage (2015-2016, -125 mm), la phase de développement (2016-2018, -170 mm), la phase d'expansion (2018-2020, -222 mm) et la phase de développement rapide (2020-2022, -320 mm), qui sont fondamentalement cohérentes avec le développement urbain et la construction d'infrastructures.

Ensemble de données : les données SAR et géologiques sont combinées pour restaurer entièrement les informations géologiques locales

Les données d'image SAR (Synthetic Aperture Radar) pour cette étude ont été acquises à partir du satellite Sentinel-1 de la mission Copernicus de l'Agence spatiale européenne (GMES).

Il s’agit d’un satellite de télédétection active à micro-ondes composé de deux satellites, Sentinel-1A et Sentinel-1B. Les capteurs embarqués par les deux satellites peuvent fournir des images en continu de jour comme de nuit et dans toutes les conditions météorologiques. Du 15 juin 2015 au 23 décembre 2022, Sentinel-1 a transporté un radar à synthèse d'ouverture en bande C et a capturé un total de 213 scènes. Les chercheurs ont recoupé les données SAR avec les données réelles collectées chaque année via des points de contrôle.

Afin de mieux comprendre les données géologiques et de forage complètes du district de Nansha, l'étude a également analysé les caractéristiques locales du sol, les niveaux des eaux souterraines, etc.

* Informations géologiques :En collectant des informations sur le système géologique auprès du Bureau géologique de la province du Guangdong, la région de Nansha peut être divisée en huit périodes géologiques : Tertiaire, Crétacé, Jurassique, Trias, Permien, Carbonifère, Dévonien et Silurien.

* Épaisseur du remblai (FSt) et répartition de la couche de sable (SLd) :Des sols différents conduiront à des tassements différents. Cette étude évalue efficacement les conditions du sol souterrain dans la région de Nansha en collectant soigneusement des données sur l'épaisseur du remblai (FSt) et la distribution de la couche de sable (SLd) à partir de forages d'ingénierie à différents moments.

* Densité de construction (BC) :La densité de construction (BC) du district de Nansha est dérivée de l'analyse des grands bâtiments du Bureau géologique provincial du Guangdong de 2015 à 2022 et basée sur des données complètes de génie civil des structures de bâtiments, explorant ainsi en profondeur la relation entre la densité des infrastructures urbaines et l'affaissement du sol dans cette zone densément peuplée.

* Niveau des eaux souterraines (GWL) :L'étude a également obtenu des données sur la présence, la profondeur, la quantité et la qualité des eaux souterraines dans le district de Nansha grâce à des forages hydrogéologiques, sur la base d'une carte du niveau des eaux souterraines compilée à partir des résultats combinés de tous les forages dans la province du Guangdong.

Méthode de recherche : Intégration de l'InSAR et de l'apprentissage automatique, en utilisant la stratégie Δr pour ajuster les variables

L’étude est structurée comme un bref aperçu des étapes de traitement des données SAR et des techniques d’intégration basées sur l’apprentissage automatique.

En raison de l'influence du retard atmosphérique, du résidu orbital et du bruit de décorrélation, la technologie du radar à synthèse d'ouverture interférométrique (InSAR) ne peut mesurer la déformation de surface que dans deux cycles d'imagerie et ne peut pas mesurer la déformation qui change au fil du temps. Afin de réduire l'impact du retard atmosphérique, les principales méthodes InSAR actuelles de séries chronologiques peuvent être divisées en interférométrie à diffuseur permanent (PS-InSAR) et en méthode de sous-ensemble de petite ligne de base (SBAS-InSAR). La technologie PS-InSAR a largement surmonté l’influence de facteurs tels que le bruit de décorrélation. La technologie SBAS-InSAR peut maximiser l’utilisation des données SAR existantes pour une inversion de déformation de surface à grande vitesse et précise.

Le modèle d'apprentissage automatique de cette étude est composé d'une régression à gradient extrême (XGBR) et d'un réseau de mémoire à long terme (LSTM).

Parmi eux, XGBR est une variante de l’algorithme de boosting de gradient pour les tâches de régression, qui peut générer divers ensembles de données d’entraînement via un processus d’échantillonnage aléatoire ; L'architecture LSTM est conçue pour répondre aux limites des réseaux neuronaux récurrents traditionnels dans la capture et l'apprentissage des relations à long terme, et peut gérer et conserver efficacement les informations sur tout l'intervalle de temps.

Sur la base de la méthode ci-dessus,L’étude a d’abord obtenu l’ensemble de données principal en analysant l’imagerie SAR.De juin 2015 à décembre 2022, un total de 225 scènes ont été collectées sous forme d'images SAR par le satellite Sentinel-1. Deuxièmement, les chercheurs ont utilisé la technologie PS-InSAR pour traiter 144 images acquises entre juin 2015 et novembre 2019, les images prises en décembre 2018 servant d’images primaires ; Ensuite, les chercheurs ont utilisé la technologie SBAS-InSAR pour traiter 66 images capturées entre janvier 2019 et décembre 2022. Enfin, les résultats de surveillance PS-InSAR et SBAS-InSAR ont été utilisés pour effectuer une fusion de séries chronologiques des variables de déformation cumulative de juin 2015 à décembre 2022, en prenant les données de tassement cumulatives de juin 2015 à novembre 2019 comme référence de séquence de déformation.

Suivant,Cette étude se concentre sur l’extraction de données sur le niveau des eaux souterraines (GWL).Il s’agit d’une étape cruciale pour comprendre l’impact de la dynamique des eaux souterraines sur la morphologie de surface. L'étude a cartographié les aquifères sur la base de forages hydrogéologiques effectués dans la province du Guangdong entre juin 2015 et décembre 2018. La carte a été créée sur la base des informations recueillies à partir de chaque puits dans les deux aquifères. Ensuite, les données hydrogéologiques ont été analysées à l'aide de Golden Software Surfer 25.1 et rastérisées à l'aide d'ArcGIS Pro 1.2.

enfin,L’étude a exploré en profondeur la stratégie du taux delta (Δr) en utilisant des algorithmes d’apprentissage automatique avancés pour interpréter et analyser plus en détail les données.Pour adapter toutes les variables à la même échelle de temps, cette étude a utilisé le calcul du taux delta (Δr) et l'a appliqué à toutes les données à l'exception de la caractéristique catégorielle Lith. Deux techniques différentes, LSTM et XGBR, ont été appliquées pour résoudre ces problèmes. Dans LSTM, cette étude implémente directement la régression Lasso (régularisation L1) dans le réseau LSTM, en ajoutant un terme de pénalité équivalent à la valeur absolue du coefficient à la fonction de perte Las pour réduire l'influence de caractéristiques spécifiques. Dans XGBR, l’étude peut limiter la complexité du modèle en contrôlant la profondeur de l’arbre, affectant ainsi indirectement l’importance des fonctionnalités.

Résultats de recherche : XGBR est meilleur que le modèle LSTM

En analysant les schémas spatiaux et temporels du district de Nansha de 2015 à 2022, cette étude a calculé l'affaissement ou la déformation du sol dans le district de Nansha à différentes périodes.

* Juin - décembre 2015 :Il n'y a aucun signal de déformation dans le district de Nansha, le tassement cumulé maximal est de -21 mm et le terrain et les bâtiments sont très stables. 

* 2015-2016 :De grandes déformations se sont produites autour de nombreuses rues du district de Nansha, le tassement cumulé maximal atteignant -64 mm.
* 2015-2017 :La déformation dans le sud-est du district de Nansha est la plus grave, avec un tassement cumulé maximal de -128 mm. 

* 2015-2018 :Le tassement cumulé maximal dans le district de Nansha est de -176 mm.
* 2015 - 2019 :Le tassement cumulatif maximal dans le district de Nansha est de -225 mm. 

* 2015 - 2020 :Le côté ouest du district de Nansha a subi une déformation importante, le tassement total maximal étant de -263 mm.
* 2015 - 2021 :De nombreuses communautés ont connu des signaux de déformation généralisés, le tassement cumulé le plus élevé atteignant -320 mm. 

* 2015 - 2022 :Le tassement maximal accumulé est de -364 mm.

Cette étude évalue l’importance de différentes fonctionnalités en utilisant XGBR et Random Forest (RF). Les deux modèles montrent queLe niveau des eaux souterraines et la densité des bâtiments sont les facteurs qui ont le plus d’impact sur l’affaissement du sol, et leur importance cumulative est d’environ 51%.Ensuite, l’étude a établi un modèle de prédiction de l’affaissement du sol en utilisant le Δr moyen et a tenté de résoudre le problème de l’affaissement en réduisant le niveau des eaux souterraines et la densité des bâtiments de 80%.

Les résultats montrent queL’abaissement du niveau des eaux souterraines et la densité des bâtiments peuvent réduire considérablement le taux d’affaissement du sol.De plus, il peut y avoir de légères différences dans les résultats de prédiction des modèles XGBR et LSTM. En fait, XGBR peut mieux capturer les changements soudains, tandis que LSTM peut mieux capturer les dépendances à long terme.

L'étude a également utilisé XGBR et LSTM pour simuler et prédire les données d'affaissement jusqu'en 2060. Les résultats montrent que :

* D'ici 2024,Le XGBR prédit des quantités relativement faibles d’affaissement, la plupart des zones étant inférieures à -250 mm ; 

* D'ici 2030,L’accumulation des affaissements de terrain est devenue plus évidente et s’est progressivement aggravée par la suite ;
* D'ici 2060,Les données de tassement dans certaines zones dépasseront -450 mm.

Dans l’ensemble, la tendance de prédiction du LSTM est cohérente avec celle du XGBR, mais la gravité est globalement plus faible.

Dans la phase de test de cette étude, RMSE, MAE et R² ont été utilisés pour évaluer les performances du modèle en fonction du niveau normalisé des eaux souterraines.

Les résultats montrent que les valeurs prédites de XGBR sont très proches des valeurs réelles et peuvent capturer plus de variabilité. De plus, l’erreur de prédiction moyenne du LSTM est plus grande que celle du XGBR et la précision de prédiction moyenne est plus faible. Dans le même temps, le diagramme de Taylor montre également queLes deux modèles présentent des coefficients de corrélation élevés avec les données observées, mais la corrélation et l'écart type du modèle XGBR avec l'affaissement du sol sont plus proches de l'accord.

En outre, l’étude montre également qu’à mesure que le risque d’affaissement du sol causé par le niveau des eaux souterraines et la densité des bâtiments est effectivement réduit, le degré d’affaissement futur de la surface peut être efficacement contrôlé.Si aucune mesure n’est prise, le risque d’affaissement de terrain d’ici 2040 pourrait être plus grave que prévu par l’étude.

Affaissement de terrain : un phénomène de catastrophe géologique qui se produit dans tout le pays

Bien que l'affaissement du sol ait reçu une grande attention de la part des chercheurs, dont le professeur Liu Jianxin, la recherche sur l'intelligence artificielle dans les domaines connexes en est encore à ses débuts et nécessite de toute urgence davantage d'efforts.

L'« Étude complète sur l'investigation et la surveillance de l'affaissement des terres dans la plaine de Chine du Nord » et l'« Enquête sur les ressources en eaux souterraines et l'environnement en Chine » publiées par le China Geological Survey montrent que les centres d'affaissement dans différentes zones de la plaine de Chine du Nord ont tendance à être connectés ; Dans la région du fleuve Yangtze, la zone avec un affaissement cumulé de plus de 200 mm au cours des 30 dernières années représente près de 10 000 kilomètres carrés, soit 1/3 de la superficie totale de la région. Parmi eux, des catastrophes géologiques telles que des fissures dans le sol ont commencé à apparaître à Shanghai, Suzhou, Wuxi et Changzhou dans la province du Jiangsu. De plus, de nombreux autres endroits, notamment le nord-ouest et le sud de la Chine, souffrent du problème à long terme de l’affaissement lent des sols.

Le surexploitation des eaux souterraines peut avoir divers effets néfastes, notamment l’affaissement du terrain et des pertes permanentes de stockage des eaux souterraines. En octobre 2023, les dernières recherches publiées dans la revue Nature Communications ont montré qu'environ 17 kilomètres cubes de capacité de stockage des eaux souterraines disparaissent chaque année dans le monde, entraînant un affaissement des sols et une réduction permanente des réserves d'eau souterraine. Les chercheurs prédisent que les États-Unis, la Chine et l’Iran sont les pays qui connaissent les pertes les plus importantes en matière de réserves d’eau souterraine et seront également les « zones les plus durement touchées » par les futurs affaissements de terrain.

Aujourd’hui, en exploitant l’apprentissage automatique et des ensembles de données complets, ainsi qu’une approche d’apprentissage automatique basée sur l’algorithme de la forêt aléatoire, les chercheurs sont en mesure d’acquérir une compréhension plus approfondie des défis environnementaux posés par le pompage excessif des eaux souterraines et de souligner la nécessité de prendre des mesures proactives pour protéger les ressources en eau et atténuer les impacts de l’affaissement des sols. Cependant, comme le montre cet article, les prédictions de l’intelligence artificielle ne fournissent qu’une orientation. La solution fondamentale est de savoir si la crise des eaux souterraines et la densité des constructions au sol dans la région peuvent être réellement atténuées.