利用復(fù)雜機(jī)器學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)多元信息融合，日趨廣泛地成為開展跨領(lǐng)域復(fù)雜系統(tǒng)問題分析的熱點(diǎn)研究方向（Watts et al., 1998; Barabási et al., 1999）。美國落基山脈中存在諸多水源集水區(qū)，其為科羅拉多河流域提供了約85%的流量，為約4000萬人口和兩萬平方公里的農(nóng)業(yè)用地提供水源。高山系統(tǒng)對全球氣候變暖非常敏感，但量化討論這種氣候變化對水源供給的影響卻是非常困難的跨領(lǐng)域復(fù)雜系統(tǒng)問題（Foster et al., 2020），也即，氣候變化對國土水源安全監(jiān)測與、量化評估與下游水資源管理構(gòu)成了新的挑戰(zhàn)。
解決上述復(fù)雜系統(tǒng)問題的根本是建立流域尺度上的水文模型，其難點(diǎn)在于：影響因素眾多、傳統(tǒng)地面觀測稀疏性（局域性）強(qiáng)，難以形成一個多要素融合的整體。從地表土壤到未風(fēng)化基巖的地下結(jié)構(gòu)及其物性分布是水文與流域過程預(yù)測中最大的不確定性之一（Fan et al., 2019），基巖特征量化對預(yù)測流域水文情況對氣候擾動的響應(yīng)至關(guān)重要。勞倫斯伯克利國家實(shí)驗(yàn)室的Uhlemann團(tuán)隊（2022）以此為切入口，搭建復(fù)雜水文模型與隱含環(huán)境中基巖地球物理性質(zhì)之間的邏輯鏈，將氣候變化對水文模型的影響研究錨定于基巖地球物理性質(zhì)對環(huán)境的協(xié)變性研究上，從而為量化評估復(fù)雜條件下的水文與流域過程奠定了方法基礎(chǔ)。
傳統(tǒng)地球物理觀測基于地面測量及鉆孔測量，這些觀測方式可以揭示風(fēng)化層和基巖的物理參數(shù)，從而量化水文流量和基巖風(fēng)化和破裂參數(shù)。然而，得出的數(shù)據(jù)僅代表觀測位附近的特性，在流域尺度上估計可變性的擴(kuò)大具有挑戰(zhàn)性，且充滿高度不確定性。為了獲取大空間尺度的觀測數(shù)據(jù)，研究團(tuán)隊采用直升機(jī)載航空瞬變電磁系統(tǒng)VTEM-ET（加拿大VTEM公司）對測區(qū)進(jìn)行了面覆蓋。此外，為了考察地形參數(shù)及植被情況與基巖物性參數(shù)之間的內(nèi)在聯(lián)系，還采用機(jī)載激光雷達(dá)（LiDAR）及高光譜攝影獲取了測區(qū)的三維地形與植被分類信息。基于上述信息，研究團(tuán)隊首先提出了一個重要假設(shè)：地形和植被指標(biāo)在流域尺度上與基巖電阻率共變。為驗(yàn)證這一假設(shè)，研究團(tuán)隊開發(fā)了一個機(jī)器學(xué)習(xí)模型，其將流域上的地形與植被指標(biāo)與VTEM-ET得到的淺層基巖電阻率聯(lián)系起來。由于電阻率是對基巖風(fēng)化、含水飽和度、水力和裂縫特征的間接測量，因此將電阻率模型與水力特性聯(lián)系起來，從而構(gòu)成流域尺度上的可量化分析的整體模型。
具體的研究區(qū)域位于落基山脈的東河（East River）流域（如圖1）。東河流域是一個曾被冰川覆蓋的亞高山系統(tǒng)，其特點(diǎn)是河谷坡度較淺，漫灘沉積物不均勻，河道形態(tài)包含大落差激流與蜿蜒的漫灘。主要的植被群落類型從低海拔到高海拔依次為山艾、白楊、云杉、山地草本植物和高山植物群落，其分布與該地區(qū)的基巖具有對應(yīng)性。氣候?yàn)榇箨懶詠啽睒O氣候，河流流量以降雪為主，6月初達(dá)到峰值，夏季和秋季逐漸減少。最近的研究表明，受基巖性質(zhì)控制的深層地下水流為該山區(qū)流域的徑流提供了大量輸入（Carroll et al., 2020）。
圖1 研究區(qū)域數(shù)據(jù)清單與大尺度特征（Uhlemann et al., 2022）。在航拍照片(a)上顯示鉆孔位置、地表地球物理剖面和航空瞬變電磁飛行線的概覽圖。圖中還顯示了東河流域輪廓以及Mancos頁巖覆蓋的區(qū)域。這里未顯示由LiDAR數(shù)據(jù)建構(gòu)的高程模型及基于高光譜數(shù)據(jù)的詳細(xì)植物分類。圖(B)為不同鉆孔中提取的Mancos頁巖巖芯照片，突出了Mancos頁巖性質(zhì)的可變性。圖(C)為根據(jù)VTEM-ET獲得的Mancos頁巖在不同分區(qū)的電阻率分布
利用VTEM-ET系統(tǒng)對測區(qū)進(jìn)行面覆蓋，完成數(shù)據(jù)反演后，首先需與先驗(yàn)信息進(jìn)行對比。圖2與圖3分別為VTEM-ET電阻率剖面與先驗(yàn)地質(zhì)信息及鉆孔信息的對比。對比結(jié)果表明，地下電阻率是估算東河流域地下條件的合適替代物。也即：VTEM-ET電阻率可以在此復(fù)雜系統(tǒng)分析中扮演“抓手”角色。
圖2 VTEM-ET得到的地下電阻率分布與地質(zhì)剖面之間的比較（Uhlemann et al., 2022）。圖4顯示了橫截面的位置，該橫截面從斯諾格拉斯山以西延伸至流域東端
圖3 鉆孔附近的地質(zhì)圖與電阻率圖的一致性復(fù)核（Uhlemann et al., 2022）。圖A與圖B數(shù)據(jù)采自流域北部，圖C數(shù)據(jù)采自流域南部的數(shù)據(jù)。對于每個鉆孔位置，顯示了孔內(nèi)ERT測量的結(jié)果，這些結(jié)果也與地面數(shù)據(jù)一致
在此基礎(chǔ)上，研究團(tuán)隊對地下電阻率與地貌及植被信息的關(guān)聯(lián)性進(jìn)行分析，結(jié)果如圖4與圖5所示。如圖4所示，電阻率與地貌指數(shù)之間存在顯著的線性關(guān)系，隨著海拔和坡度的增加，電阻率增加。如圖5所示，為植被類型與地下電阻率的協(xié)變關(guān)系，其中灌木和草地覆蓋區(qū)域的電阻率低于森林覆蓋區(qū)域。利用這些關(guān)系，研究團(tuán)隊訓(xùn)練了一種機(jī)器學(xué)習(xí)方法，稱為極端隨機(jī)樹回歸（Extremely Randomized Trees regression, ERTr）模型（Geurts et al., 2006），以估計每個Mancos頁巖區(qū)域的淺層地下電阻率。使用回歸模型估計的數(shù)據(jù)與測量數(shù)據(jù)吻合良好（R2=0.64；圖4B）。相對而言，這三個地貌指數(shù)對ERTr模型更為重要：高程、坡向和坡度的相對特征重要性分別為0.29、0.27和0.24，而植被的相對重要性為0.07。如果不考慮這些指標(biāo)，則無法實(shí)現(xiàn)對ERTr的有效訓(xùn)練。這一結(jié)果表明，地表地形、地貌和基巖性質(zhì)之間存在很強(qiáng)的相關(guān)性。
圖4 地下電阻率與地貌指數(shù)之間的關(guān)系分析（Uhlemann et al., 2022）。共提取13524個VTEM-ET測點(diǎn)，對其電阻率與地貌指數(shù)（海波、坡度及坡向）的交會圖與分布圖如圖(A)所示。圖(B)為采用ERTr獲得的估計值與實(shí)測值之間的交會圖
圖5 地下電阻率與植被類型之間的關(guān)系分析（Uhlemann et al., 2022）。植被類型信息來自高光譜數(shù)據(jù)
利用ERTr模型，研究團(tuán)隊根據(jù)遙感地貌指數(shù)和植被類型估計值預(yù)測整個流域的淺層電阻率，并利用鉆孔數(shù)據(jù)建立的關(guān)系，將電阻率轉(zhuǎn)換為裂縫密度估計值（如圖6）。在Mancos頁巖北部，估算電阻率相對較高（265.9 78.7 Ωm），而Mancos頁巖南部的電阻率相對較低（136.3 60.8Ωm）。估算裂縫密度的空間變異性顯示出明顯的空間連接裂縫帶。在流域南部的Mancos頁巖顯示了許多線性特征，這些特征具有低電阻率，被解釋為斷裂帶，但對于北部的Mancos頁巖，盡管其在西南部也顯示除了某些線性特征，但這這一特征被認(rèn)為與哥特山東側(cè)的花崗閃長巖露頭有關(guān)，而沒有明顯的斷裂帶及孔隙度增加的區(qū)域。
圖6 預(yù)測淺層地下電阻率和裂縫密度（Uhlemann et al., 2022）。(A)使用ERTr模型預(yù)測電阻率，使用地形高程、坡度、坡向和植被類型作為參數(shù)。電阻率的變化與觀測研究一致，表明流域北部的變質(zhì)程度較高。(B)裂縫密度是根據(jù)使用70 Ωm電阻率的鉆孔數(shù)據(jù)獲得的關(guān)系定義。假設(shè)顯示高裂縫密度區(qū)域的線性特征對應(yīng)于裂縫帶。(C)先驗(yàn)研究中分析的斷裂帶區(qū)域位于估計的和已知的斷裂帶沿線
綜上所述，此項(xiàng)研究在流域尺度上分析了地表與地下特征的共變關(guān)系，其利用復(fù)雜機(jī)器學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)多元信息融合，支撐了跨領(lǐng)域復(fù)雜系統(tǒng)問題分析。這一案例對我們具有較強(qiáng)的啟發(fā)性，對于單一物理響應(yīng)特征不明顯或與圍巖響應(yīng)差異性小的目標(biāo)體，或也可以利用類似方法實(shí)現(xiàn)對目標(biāo)信息的剝?nèi) ?/p>
主要參考文獻(xiàn) （上下滑動查看）
Barabási A L, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509-512.
Carroll R W H, Manning A H, Niswonger R, et al. Baseflow age distributions and depth of active groundwater flow in a snow‐dominated mountain headwater basin[J]. Water Resources Research, 2020, 56(12): e2020WR028161.
Fan Y, Clark M, Lawrence D M, et al. Hillslope hydrology in global change research and Earth system modeling[J]. Water Resources Research, 2019, 55(2): 1737-1772.
Foster L M, Williams K H, Maxwell R M. Resolution matters when modeling climate change in headwaters of the Colorado River[J]. Environmental Research Letters, 2020, 15(10): 104031.
Geurts P, Ernst D, Wehenkel L. Extremely randomized trees[J]. Machine Learning, 2006, 63(1): 3-42.
Uhlemann S, Dafflon B, Wainwright H M, et al. Surface parameters and bedrock properties covary across a mountainous watershed: Insights from machine learning and geophysics[J]. Science Advances, 2022, 8(12): eabj2479.
Watts D J, Strogatz S H. Collective dynamics of ‘small-world’networks[J]. Nature, 1998, 393(6684): 440-442.
撰稿：武欣/礦產(chǎn)室
美編：陳菲菲
校對：萬鵬
