Land subsidence susceptibility linked to unsustainable agriculture and groundwater depletion in water-stressed regions

方法

多尺度深度神经网络，整合环境与人为变量，631正样本与631伪缺失点。

发现

4公里半径内农业是最强预测因子，其次井密度与地质；高敏感区集中于集约农业区。

机会点

可结合遥感时序与灌溉用水数据，量化农业用水调控对沉降敏感性的动态影响。

摘要 地面沉降是一种日益加剧的灾害，具有深远的社会经济、环境和安全影响，在人口稠密和水资源紧张的地区尤为突出。在以地下水为主要水源的地区，长期过度开采导致水位下降并破坏地面稳定，引发大范围地表变形。我们开发了一种多尺度深度神经网络模型——一种人工智能技术，该模型整合了跨越预测变量特定空间尺度的环境与人为预测因子，以识别水资源紧张景观中地面沉降的关键驱动因素。我们使用631个已确认的沉降存在点与631个伪缺失点配对来训练模型。对于每个点位，我们提取了一组环境变量，包括高程（DEM）、坡度、平面曲率和剖面曲率、NDVI、地形湿度指数、距河流距离、人口密度、水井密度、地质、土地利用和土壤类型。结果表明，半径4，000米范围内的农业是沉降易发性最强的预测因子，其次是2，000米范围内的水井密度和3，000米范围内的Qft2地质。易发性随牧场覆盖度增加至20%时急剧上升，而始成土（Inceptisols）中岩石露头的存在则导致易发性显著升高。预测沉降易发性最高的区域与研究区西部、西北部和北部的集约农业区相吻合。中等易发性区域与密集的水井基础设施和敏感地质构造相关，而许多以牧场为主的景观则表现出较低的总体预测易发性，反映了所有预测因子的综合影响而非任何单一变量的局部贡献。这些格局凸显了制定可持续地下水管理政策的迫切需求，尤其是在建立在易沉降地质基础上的农业景观中，以防止进一步的环境退化和基础设施脆弱性。