利用干涉合成孔径雷达远程估算加州中央谷地的地质组成

加州中央谷地是全国农业中心，生产全国1/4的粮食。然而，由于持续的地下水抽取，中央谷地的土地正以快速速率（每年多达20厘米）下沉。地面沉降对基础设施韧性和地下水可持续性有显著影响。在本研究中，我们旨在识别具有不同地表位移时间动态的特定区域，并发现其与地下地质组成的关系。然后，我们旨在利用基于干涉合成孔径雷达（InSAR）的地表形变时间变化，通过机器学习技术远程估算地质组成。我们识别了具有不同地表位移时间特征的区域，其中一些具有较粗粒地质组成的区域（如Helm）表现出潜在可逆的地表形变（弹性土地压实）。我们使用随机森林和深度神经网络回归模型发现基于InSAR的地表形变与地质组成之间存在显著相关性。我们还通过1/4稀疏采样取得了显著精度，以减少数据间的任何空间相关性，表明该模型有潜力推广到其他区域以间接估算地质组成。我们的结果表明地质组成可利用基于InSAR的地表形变数据进行估算。地质组成的原位测量可能昂贵且耗时，在某些区域可能不切实际。该模型的泛化能力为利用现有测量进行高空间分辨率地质组成估算提供了思路。