La permeabilidad del subsuelo es un parámetro clave que controla la contribución del flujo del subsuelo a los flujos de corriente en los modelos de cuencas hidrográficas. La medición directa de la permeabilidad en la extensión espacial y la resolución que requieren los modelos de cuencas hidrográficas es difícil y costosa. Por lo tanto, los investigadores suelen estimar la permeabilidad a través de modelos inversos. La amplia disponibilidad de datos de flujo superficial de arroyos en comparación con los datos de monitoreo de aguas subterráneas proporciona una nueva fuente de datos para modelos hidrológicos superficiales y subterráneos integrados para inferir propiedades geológicas y del suelo.

En un estudio publicado en Frontiers in Earth Science , científicos del Laboratorio Nacional del Noroeste del Pacífico, el Laboratorio Nacional de Oak Ridge y el Laboratorio Nacional de Los Álamos entrenaron redes neuronales profundas (DNN) para estimar la permeabilidad del subsuelo a partir de hidrogramas de descarga de corrientes.

Primero, entrenaron a las DNN para mapear las relaciones entre las permeabilidades de la capa geológica y del suelo y la descarga de corriente simulada obtenida de un modelo hidrológico integrado de superficie y subsuperficie de la cuenca estudiada. Las DNN arrojaron estimaciones de permeabilidad más precisas que el método de modelado inverso tradicional. Luego, las DNN estimaron la permeabilidad de una cuenca hidrográfica real (la cuenca de captación de Rock Creek en las cabeceras del río Colorado) utilizando la descarga de corriente observada en el sitio de estudio. El modelo de cuenca hidrográfica con permeabilidad estimada por DNN predijo con precisión los flujos de corriente. Esta investigación arroja nueva luz sobre el valor de los métodos emergentes de aprendizaje profundo para ayudar al modelado integrado de cuencas al mejorar la estimación de parámetros, lo que eventualmente reducirá la incertidumbre en los modelos predictivos de cuencas.

La permeabilidad del subsuelo es una medida de qué tan bien fluyen los líquidos a través de las rocas y los suelos subterráneos. Es un parámetro clave que determina el flujo subterráneo y los procesos de transporte en las cuencas hidrográficas. Sin embargo, la permeabilidad es difícil y costosa de medir directamente a la escala y resolución que requieren los modelos de cuencas hidrográficas. Por el contrario, los datos de monitoreo de flujo de corriente están ampliamente disponibles. Los vínculos entre la permeabilidad y el flujo de la corriente proporcionan una nueva ruta para estimar la permeabilidad del subsuelo. En este estudio, los científicos recurrieron al aprendizaje profundo, un tipo de inteligencia artificial. El aprendizaje profundo estima la permeabilidad del subsuelo de una cuenca hidrográfica a partir de datos de descarga de corrientes con mayor precisión de lo que es posible con los métodos tradicionales. Esta mejora ayudará a calibrar los modelos de cuencas hidrográficas y reducirá la incertidumbre en la previsibilidad de la descarga de corrientes.

El método de aprendizaje profundo arrojó estimaciones realistas de la permeabilidad de un sistema de cuenca real. Los resultados tuvieron una mejor coincidencia entre las descargas de arroyos pronosticadas y observadas. Este trabajo muestra que el aprendizaje profundo puede ser una herramienta poderosa para estimar los parámetros de las cuencas hidrográficas a partir de observaciones indirectas pero relevantes, como el flujo de la corriente. Al utilizar con éxito el aprendizaje profundo para mapear la relación entre la permeabilidad y la descarga de la corriente, este trabajo presenta nuevas oportunidades para mejorar la caracterización del subsuelo de grandes cuencas hidrográficas. Allana el camino para ayudar a desarrollar estrategias más generalizadas para calibrar modelos de cuencas hidrográficas con múltiples parámetros y tipos de datos. + Explora más

Científicos de laboratorio usan trazadores radiactivos para determinar la edad del caudal