使用卷积神经网络评估沿海水层对海水入侵的脆弱性
Ata Allah Nadiri1, Mojgan Bordbar2, Mohammad Reza Nikoo3
1Department of Earth Sciences, Faculty of Natural Sciences, University of Tabriz, 29 Bahman Boulevard, Tabriz, East Azerbaijan, Iran; Medical Geology and Environment Research Center, University of Tabriz, 29 Bahman Boulevard, Tabriz, East Azerbaijan, Iran; Institute of Environment, University of Tabriz, Tabriz, East Azerbaijan, Iran; Traditional Medicine and Hydrotherapy Research Center, Ardabil University of Medical Sciences, Ardabil, Iran.
Marine pollution bulletin
|November 3, 2023
概括
这项研究使用深度学习模型改进了沿海含水层脆弱性评估,将海水入侵 (SWI) 预测的准确度提高了30%以上. 这种新的方法为未来的地下水研究提供了可靠的参考.
科学领域:
- 水文地质学 水文地质学
- 环境科学 环境科学
- 地理空间分析的研究.
背景情况:
- 沿海含水层是受到海水入侵 (SWI) 威胁的重要水资源.
- 像GALDIT框架 (TGF) 这样的传统方法在准确评估含水层脆弱性方面存在局限性.
- 需要先进的技术来改进SWI漏洞映射.
研究的目的:
- 为了评估沿海含水层对SWI的脆弱性,在伊朗的Shiramin.
- 开发和验证一个修改的GALDIT框架 (mod-TGF),包括含水层介质和井密度.
- 整合深度学习,特别是卷积神经网络 (CNN),增强mod-TGF以改善脆弱性评估.
主要方法:
- 在传统的GALDIT框架 (TGF) 中利用了六个水文地质数据层.
- 通过排除含水层类型并包括含水层介质和井密度,开发了修改后的TGF (mod-TGF).
- 将一个卷积神经网络 (CNN) 深度学习算法应用于mod-TGF用于漏洞映射.
主要成果:
- 该CNN模型显著提高了修改后的GALDIT框架 (mod-TGF) 的性能.
- 通过CNN模型对mod-TGF的性能提升超过了30%.
- 创建了Shiramin沿海含水层的详细脆弱性地图.
结论:
- 深度学习算法,特别是CNN,提供了一种强大的方法来增强沿海含水层脆弱性评估.
- 与CNN集成的mod-TGF提供了一个更准确,更可靠的方法来预测海水入侵.
- 这项研究为未来关于含水层脆弱性和地下水管理的研究提供了宝贵的参考.
