​

全球地面沉降测绘¶

该数据集的重点是通过使用先进的地理空间和建模技术创建全球地面沉降数据集。该研究调查了全球范围内地下水压力、含水层枯竭和地面沉降之间的关系。利用遥感数据和基于模型的数据集，开发了一种机器学习模型，可以以约 2 公里的极高空间分辨率预测地面沉降。这项研究的成果包括对全球地面沉降幅度的综合估计、对固结导致的含水层储存损失的一级评估以及驱动沉降的关键因素的量化。值得注意的是，观察到的沉降很大一部分集中在农田和城市地区，这凸显了在这些地区采取可持续地下水管理做法的紧迫性。该数据集对于了解全球已知和先前未识别的地下水紧张地区沉降的空间分布非常宝贵。前言 – 人工智能教程

全球地面沉降数据集是描述地下水动态、地面沉降和含水层储存损失之间复杂相互作用的一项开创性工作。通过利用机器学习和综合数据集，这项研究有助于更深入地了解过度抽取地下水带来的环境挑战，并强调需要采取积极措施保护水资源和减轻地面沉降影响，特别是在面临缺水和人口增长的地区。您可以在此处阅读全文。您可以在此 GitHub 存储库中找到更多信息。

地下水透支会产生多种不利影响，包括地面沉降和永久性地下水储存损失。现有方法无法以足够的分辨率来表征全球范围内的地下水储存损失，以与当地研究相关。在这里，我们使用遥感和基于模型的数据集以及机器学习方法来探索地下水压力、含水层枯竭和地面沉降之间的相互关系。开发的模型以高空间分辨率（约 2 公里）预测全球地面沉降幅度，提供由于全球每年约 17 公里3的固结导致的含水层储存损失的一阶估计，并量化沉降的关键驱动因素。地图上大约 73% 的沉降发生在农田和城市地区，这凸显了这些地区采取可持续地下水管理实践的必要性。这项研究的结果有助于评估已知沉降区域的沉降空间范围，并有助于定位未知的地下水压力区域。 

本研究使用基于随机森林算法的机器学习方法来生成高分辨率（约 2 公里）的全球地面沉降地图。全球沉降模型16旨在预测三个级别的沉降：<1 厘米/年、1-5 厘米/年和 >5 厘米/年，<1 厘米/年级别被视为名义或零沉降级别。它使用来自 47 个地区的基于 InSAR 的沉降数据集和世界17 个基于 GNSS 的沿海沉降数据进行训练；使用水文、土地利用和地质数据集作为输入变量/预测变量，这些变量/预测变量是地面沉降主要驱动因素的估计和代理。图 1 （整个地图参见补充图 1 ）显示了全球沉降图，重点关注具有高沉降特征的区域，由我们的模型绘制。应该指出的是，本研究中开发的模型仅用于估计与地下水抽取导致的含水层系统压实相关的沉降；因此，某些正在经历其他来源沉降的地区的总沉降估计可能不匹配。

引文¶

Hasan, M.F., Smith, R., Vajedian, S. et al. Global land subsidence mapping reveals widespread loss of aquifer storage capacity.
Nat Commun 14, 6180 (2023). https://doi.org/10.1038/s41467-023-41933-z

数据集引用¶

Hasan, M. F., R. Smith, S. Vajedian, R. Pommerenke, S. Majumdar (2023). Global Land Subsidence Mapping Reveals Widespread Loss of Aquifer Storage
Capacity Datasets, HydroShare, https://doi.org/10.4211/hs.dc7c5bfb3a86479b889d3b30ab0e4ef7

地球引擎片段¶

var subsidence_prediction_probability = ee.Image("projects/sat-io/open-datasets/global_subsidence/Final_subsidence_proba_greater_1cm_2013_2019_recoded");
var subsidence_prediction_recoded = ee.Image("projects/sat-io/open-datasets/global_subsidence/Final_subsidence_prediction_recoded");

示例代码：https://code.earthengine.google.com/ ?scriptPath=users/sat-io/awesome-gee-catalog-examples:geophysical-biological-biogeochemical/GLOBAL-LAND-SUBSIDENCE

执照¶

此资源在知识共享署名 CC BY下共享

创建者：Hasan, MF, R. Smith, S. Vajedian, R. Pommerenke, S. Majumdar

GEE 策展人：Samapriya Roy

关键词：机器学习，全球地下水，地下水监测，地面沉降，InSAR

最后更新：2023-11-08

​