表面波探査による地下水位推定

 Physics‐Guided Deep Learning Model for Daily Groundwater Table Maps Estimation Using Passive Surface‐Wave Dispersion - Cunha Teixeira - 2025 - Water Resources Research - Wiley Online Library

AI要約

この研究は、限られた空間的・時間的観測データしか得られない地下水位（GWT）のモニタリングにおける課題に対処するため、DNN（MLP）と受動的な表面波解析（passive-MASW）を組み合わせたアプローチを提案している。
研究サイトでは、鉄道によって誘発される表面波を連続的に記録し、そこから毎日分散曲線（DCs）を測定している。 鉄道線路と平行に５本の測線が配置されており、42個のジオフォンが3m間隔で設置されている。

MLPモデルは、入力としての分散曲線と、出力としての対応する地下水位の深さを用いて訓練された。モデルはセンサーアレイ全体にわたるGWT深度を推定し、日々のGWTマップを生成する。モデルの性能は、訓練ピエゾメーター地点でR²が80%、RMSEが0.03mという高い精度を示した。さらに、訓練データに含まれていない別のテストピエゾメーター地点でも、R²が68%、RMSEが0.03mと良好な結果を示し、空間的な外挿能力があることが実証された。この研究は、ディープラーニングが地震データからGWTマップを推定する上で有効な手段であり、空間的に限られたピエゾメーター情報のみで広範囲の地下水動態を効率的に監視できる実用的かつ効率的な解決策を提供する可能性を示している。

表面波分散の物理:：
レイリー波の位相速度（VR）は、地中の周波数（または波長）に応じたS波速度（VS）の構造に依存する。短波長は浅い深度のVSを反映し、長波長は深い深度のV_Sを反映する。この関係は非線形である。

物理モデルの考え方：
地下水位（GWT）の変動が地盤の弾性特性、特にS波速度（VS）に影響を与え、その結果として表面波（レイリー波）の位相速度（VR）の分散特性が変化するという、物理的な関係性を取り扱っている。、地下水位が上昇すると速度は低下し、地下水位が下降すると速度は上昇する。この関係はすべての波長で見られるが、特定の波長でより顕著になる。これは、地下水位の変化（水で飽和しているか否か）によって地盤の剛性が変化し、それがS波速度に影響を与え、最終的に表面波の位相速度に影響するという物理的なメカニズムに基づいている。
「Physics-Guided」という言葉は、この地下水ダイナミクスと地震波速度構造の間の物理的な因果関係をモデルの基本的な入力と出力の関連性として捉え、データ駆動型のアプローチの基盤としていることを示している。つまり、地下水位の物理的な変動がどのように地震波の伝播特性に影響を与えるかという知識が、モデルの設計と解釈の指針となっている。

単純に、上載荷重の変化がVsに効いているのでしょう。
あと、Physics-informed と -guided は別物なのですね。もう間違えません。