Geophysical Research Letters· 2025Q1
Zaman-Atlamalı Kendiliğinden Potansiyel Verilerinin Derin Öğrenme ve Fizik-Bilgilendirilmiş Ters Çevrim Entegrasyonu ile Hiporeik Değişimin Görüntülenmesi
Imaging Hyporheic Exchange by Integrating Deep Learning and Physics‐Informed Inversion of Time‐Lapse Self‐Potential Data
- 24atıf
- Q1SCImago
- 2025yıl
Kısa özet
Fizik-bilgilendirilmiş ters çevrim ile bir Vision Transformer (ViT) derin öğrenme modelini birleştiren yeni bir çerçeve, zaman-atlamalı kendiliğinden potansiyel (SP) verilerinden dinamik hiporeik değişim bölgelerini görüntülemek için geliştirilmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Fizik-bilgilendirilmiş ters çevrim ve bir Vision Transformer (ViT) derin öğrenme modelini entegre eden hibrit bir çerçeve, SP verileri analizi için sunulmuştur.
- ViT modeli, zaman-atlamalı SP verilerinin sayısal ters çevriminden türetilen dipol moment tomografisi ızgaraları üzerinde eğitilmiştir.
- Yaklaşım, hem geçici hem de kalıcı yeraltı akış özelliklerini yakalayarak yüzey SP dizilerini 2B kaynak dağılımlarına eşler.
- Bu yöntem, hiporeik değişim görüntülemesinde SP analizinde yorumlanabilirliği, genelleştirilebilirliği ve zamansal farkındalığı artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Self‐potential (SP) monitoring is increasingly used for subsurface flow characterization due to its sensitivity to hydrogeological and geochemical processes. However, SP inversion remains challenging due to its ill‐posed nature, sparse data coverage, and strong transient noise. This study proposes a hybrid framework to image hyporheic exchange using a time‐lapse SP data set monitored from a streamflow site in Oak Ridge, Tennessee. Dipole moment tomography grids generated from the physics‐informed numerical inversion is first used to train a Vision Transformer (ViT) model that maps surface SP sequences to 2D source distributions. While the numerical method is more responsive to transient signals, the ViT model better captures persistent spatial structures. Their complementary outputs are jointly analyzed in the spatiotemporal domain to isolate dynamic hyporheic exchange zones and distinguish transient from steady state subsurface flow features. This approach integrates physical inversion and deep learning to enhance interpretability, generalization, and temporal awareness in SP analysis.
Yazarların özeti; kaynağından alınmıştır. Geophysical Research Letters, 2025 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
GeophysicsEarth and Planetary Sciences