Key points are not available for this paper at this time.
Zusammenfassung Die durch Grundwasserentnahme verursachte Landabsenkung hat zahlreiche negative Folgen, wie den Verlust von Grundwasserspeicher und Schäden an der Infrastruktur. Das Verständnis des Ausmaßes, der zeitlichen und räumlichen Verteilung der Landabsenkung sowie der treibenden Mechanismen ist entscheidend für die Umsetzung von Minderungsstrategien, jedoch sind die komplexen, nichtlinearen Prozesse, die die Absenkung verursachen, schwer quantifizierbar. Physikalische Modelle, die den Grundwasserfluss mit der Kompaktierung des Aquiferns in Beziehung setzen, existieren, erfordern jedoch umfangreiche hydrologische Datensätze und sind zeitaufwendig zu kalibrieren. Landdeformationen können mithilfe von interferometrischem synthetischem Aperturradar (InSAR) und GPS gemessen werden, aber ersteres ist rechnerisch teuer, um es im großen Maßstab zu schätzen, und unterliegt tropo- und ionosphärischen Fehlern, während letzteres viele zeitliche und räumliche Lücken aufweist. In dieser Studie wenden wir zum ersten Mal einen Ansatz des maschinellen Lernens an, der die Beziehungen verschiedener weit verbreiteter Eingabedaten, einschließlich Evapotranspiration, Landnutzung und Sedimentdicke, mit der Landabsenkung quantifiziert. Wir wenden diese Methode über den westlichen Vereinigten Staaten an und schätzen, dass von 2015 bis 2016 ~2,0 km³/Jahr an Grundwasserspeicherung aufgrund der durch Grundwasserpumpen verursachten Kompaktierung von Sedimenten verloren gingen. Die Absenkung konzentriert sich im Central Valley von Kalifornien, und der Bundesstaat Kalifornien macht 75 % der gesamten Absenkung im westlichen Vereinigten Staaten aus. Weitere signifikante Absenkungsgebiete befinden sich in kultivierten Regionen der Basin and Range Provinz. Diese Studie zeigt, dass weit verbreitete Hilfsdaten verwendet werden können, um die Absenkung in einem größeren Maßstab zu schätzen als bisher möglich gewesen ist.
Smith et al. (Fri,) haben diese Frage untersucht.