本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2024-03-12
摘要
加州間歇泉地熱田經常發生地震，多年來，地震導致該地區土地普遍下沉。在我們的研究中，我們探討了地熱資料與地震活動的相關性，發現注入速率與地震次數呈現高度相關性。此外，我們依靠衛星影像來測量地面沉降的程度，並開發了一個機器學習模型來預測未來的地面沉降，發現它的錯誤率相對較低。此外，我們將地熱數據納入該模型，發現它的性能更好。總而言之，這鼓勵在減災中使用機器學習模型，以盡量減少地面沉降可能帶來的潛在影響。 摘要 由於地震和地熱活動的發生，加州的間歇泉地熱田正在經歷地面沉降。這不僅對底層基礎設施構成風險，而且對地下水位也構成風險，從而減少當地社區的可用水量。因此，監測和評估發生的地表變形並相應調整地熱運行至關重要。在這項研究中，我們研究了地熱注入與生產速率以及該地區地震活動之間的相關性，我們發現注入速率與地震次數之間存在高度相關性。這促使在機器學習模型中使用這些數據來預測未來的變形圖。首先，我們使用乾涉合成孔徑雷達 (InSAR) 影像建立一個模型，這些影像已使用開源 InSAR 時間序列套件 LiCSBAS 處理並轉換為變形時間序列，並根據線性基線模型評估效能。該模型包括卷積神經網路 (CNN) 層和長短期記憶 (LSTM) 層，並且能夠基於均方誤差指標改進基準模型。然後，經過預處理後，我們將地熱資料作為附加輸入加入模型中來合併。這個新模型的性能優於僅使用 InSAR 數據的基準模型和先前版本的模型，從而促進了機器學習模型以及地熱數據的使用，以評估和預測間歇泉未來的變形，作為減災模型的一部分，然後在調整地熱操作時將其用作明智決策的基本工具。