Rethinking field-scale Geophysics: Quantifying hydraulic conductivity with electrical conductivity

Abstract

Diese Dissertation untersucht die Anwendung geophysikalischer Methoden, insbesondere der Bildgebungsmethoden mittels (spektral) induzierter Polarisation (SIP) und elektromagnetischer Induktion (EMI), zur Charakterisierung von Erdrutschen sowie zur Abschätzung bodenphysikalischer und hydraulischer Untergrundeigenschaften auf verschiedenen Größenskalen. Die Forschungziele umfassen die Entwicklung robuster Feldverfahren zur Erfassung von qualitativ hochwertigen SIP-Daten, die Evaluierung von SIP- und EMI-Bildgebung auf der Feldskala zur Charakterisierung von Erdrutschen sowie die Analyse verschiedener Ansätze zur Ermittlung hydraulischer Eigenschaften aus geophysikalischen Daten unter Verwendung petrophysikalischer Beziehungen und Pedotransferfunktionen (PTFs). Zudem wird die Anwendung von Deep-Learning-Techniken zur Inversion geophysikalischer Daten untersucht.Der erste Teil dieser Arbeit befasst sich mit der Verbesserung von Messverfahren zur Erfassung von feldskaligen SIP-Datensätzen und der Analyse ihrer Unsicherheiten. Durch den Vergleich von SIP-Daten, die mit Standard-Multicore- und neu konstruierten Koaxialkabeln gesammelt wurden, wird gezeigt, wie elektromagnetische (EM) Kopplungseffekte die Daten beeinflussen. Entgegen der weitläufigen Annahme, dass die EM Kopplungseffekte erst bei höheren Frequenzen einen signifikanten Einfluss haben, zeigt die Analyse, dass diese bereits bei niedrigen Frequenzen unter 10 Hz berücksichtigt werden müssen. Falls keine Koaxialkabel verfügbar sind, zeigt sich, dass es unerlässlich ist, Kabel mit einer Länge zwischen den Elektrodenbereichen zu verwenden, die dem gewählten Elektrodenabstand entspricht. Grundsätzlich konnte durch den Einsatz von Koaxialkabeln eine Verbesserung der Datenqualität im gesamten Frequenzbereich beobachtet werden, ohne den Aufwand für die Feldmessungen durch komplizierte Feldverfahren zu erschweren. Mit gleichem Aufwand können daher durch den Einsatz von Koaxialkabeln im Vergleich zu Standard-Multicore-Kabeln signifikant bessere Daten erfasst werden. Der zweite Teil dieser Arbeit präsentiert die Evaluierung einer integrierten Anwendung von SIP, EMI und anderen geophysikalischen Methoden zur effektiven Charakterisierung von Erdrutschen auf der Feldskala. Dabei wurde besonderer Fokus auf die Bestimmung des unterirdischen Wasserflusses und Infiltrationswegen sowie die Bestimmung von stabilen/instabilen Einheiten und möglicher Rutschhorizonte gelegt. Diese Information ist für das Verständnis von, in der Hangrutschung stattfindenden Wasserbewegungen, die ihrerseits zur einer möglichen Mobilisierung der Hangrutschung beitragen, essentiell. Erste Anwendungen feldskaliger SIP-Messungen an einer technisch gut ausgestatteten Hangrutschung ergaben eine signifikante qualitative Korrelation zwischen geotechnischen Parametern (Ramm\-sondierungs- und Inklinometerdaten) und den frequenzabhängigen elektrischen Leitfähigkeiten. Aufbauend auf diesen Erkenntnissen wurde ein umfassender multimethodischer Ansatz zur Charakterisierung der 3D-Bodentextur und der hydraulischen Eigenschaften des Untergrunds entwickelt und auf einer zweiten Hangrutschung angewandt. Dieser Ansatz kombinierte die Kartierung der unterirdischen elektrischen Eigenschaften durch dicht gemessene Profile mittels induzierter Polarisation (IP), transienten elektromagnetischen Sondierungen (TEM), refraktionsseismischer Tomographie (RST), Bohrlochinformation (Korngrößen und Bodentyp) sowie aus Inklinometermessungen gewonnene Verschiebungsraten. Durch die Einbeziehung, der aus TEM abgeleiteten Strukturinformationen, in die Inversion der IP-Daten konnten quantitative Korrelationen zwischen den Polarisationseigenschaften und der Korngrößenverteilung im Boden hergestellt und validiert werden. Die dicht gemessenen IP-Profile ermöglichten die Abschätzung der Korngrößenverteilung im Untergrund. Durch die Anwendung einer Pedotransferfunktion (PTF) konnte ein dreidimensionales hydrogeophysikalisches Modell erstellt werden, das die hydraulische Leitfähigkeit des Untergrunds, die Oberkante des Grundwasserleiters und bevorzugte Fließwege parameterisiert.Der dritte Teil dieser Arbeit untersucht die Anwendung von Deep Learning in Verbindung mit flächiger EMI-Kartierung zur Abschätzung bodenphysikalischer Eigenschaften in einem kleinen Einzugsgebiet. Hiefür wurde ein neuartiger Deep Learning-Ansatz entwickelt, der die Inversion von EMI-Daten erlaubt. Informationen zur Korngrößenverteilung im Boden, die im Rahmen einer umfassenden Kartierungskampagne erfasst wurden, bildeten die Grundlage für die Entwicklung petrophysikalischer Beziehungen, die die in verschiedenen Tiefen ermittelte elektrische Leitfähigkeit aus den EMI-Daten mit der Korngrößenverteilung verknüpfen. Darüber hinaus ermöglichte die Rekalibrierung einer feldskaligen PTF auf Basis der vorhergesagten Korngrößen die Abschätzung der hydraulischen Leitfähigkeit im gesamten Einzugsgebiet bis zu einer Tiefe von 1,5 m. Diese Information ist für die Kalibrierung hydrologischer Abflussmodelle unerlässlich und stellt eine deutliche Verbesserung gegenüber bestehenden Ansätzen zur Bestimmung der hydraulischen Leitfähigkeit im Untergrund dar. Zusätzlich wird in dieser Arbeit eine hydrogeophysikalische Modellierung des Einzugsgebiets, unter Verwendung eines umfangreichen IP-Kartierungsdatensatzes, vorgestellt. Dabei wurde die Abschätzung der Korngrößenverteilung sowie der hydraulischen Leitfähigkeit auf Tiefen von bis zu 40 m erweitert. Mögliche konzeptionelle hydrogeophysikalische Modelle wurden auf der Grundlage von Bohrlochinformationen entwickelt und untersucht. Schließlich wurde ein Modell erstellt, das auf den dreidimensionalen Verteilungen der hydraulischen Leitfähigkeit sowie der abgeschätzten Oberkante eines Grundwasserstauers basiert und dieses parameterisiert. Der in dieser Arbeit vorgestellte umfassende Ansatz, der die Integration verschiedener geophysikalischer Methoden, Deep Learning und Pedotransferfunktionen umfasst, zeigt erhebliches Potenzial für die verbesserte Charakterisierung bodenphysikalischer und hydraulischer Untergrundeigenschaften in verschiedenen Maßstäben und Umgebungen. Dies schließt tonreiche Hangrutschungen und kleine Einzugsgebiete ein und trägt zur Verbesserung von hydrologischen und hydrogeologischen Modellierung sowie zum Verständnis der Wechselwirkungen zwischen Oberflächen- und Grundwasser bei.

This thesis investigates the application of geophysical methods, particularly (spectral) induced polarization (SIP) and electromagnetic induction (EMI), for characterizing landslides and estimating soil and hydraulic properties at various scales. The research objectives include the development of robust field procedures for high-quality SIP data collection, the evaluation of field-scale SIP and EMI imaging for landslide characterization, and the assessment of various approaches to obtain hydraulic properties from geophysical data using petrophysical relationships and pedotransfer functions (PTFs), along with exploring deep learning techniques for geophysical data inversion.The first part of this thesis deals with improvements in the procedures for the collection of SIP data at the field scale, along with an analysis of their uncertainty. It presents SIP data collected with standard multicore and novel coaxial cables, and examines how electromagnetic (EM) coupling interferes with the data. While commonly assumed to only affect higher frequencies, the analysis reveals that EM coupling cannot be neglected for frequencies below 10 Hz. It is demonstrated that it is essential to use cables with takeout lengths identical to the selected electrode separation. Moreover, the deployment of coaxial cables permits to collect significantly improved data across all observed frequencies while maintaining the identical simple field procedures. The evaluation of an integrated approach combining field-scale SIP, EMI, and other geophysical methods for an effective characterization of landslides is presented in the second part of this thesis. A particular focus was laid on delineating subsurface water flow and infiltration pathways as well as possible sliding and stable units. Such knowledge is essential for understanding the internal processes within landslides associated with their mobilization mechanisms. The initial implementation of this approach at a well-equipped Austrian landslide site revealed significant qualitative correlations between geotechnical parameters, such as dynamic probing and inclinometer data, and frequency-dependent electrical properties obtained from field-scale SIP. Building on these findings and testing their transferability, a multi-methodical approach was developed to characterize 3D soil textural and hydraulic subsurface properties and applied to another hillslope affected by subsidence. This approach integrated dense induced polarization (IP) mapping with transient electromagnetic soundings (TEM), refraction seismic tomography (RST), borehole soil-textural information, and subsurface displacement rates obtained from inclinometer measurements. By incorporating TEM-derived structural information into the IP data inversion, quantitative correlations between the induced polarization response and soil volume fractions were established and validated. Subsequently, a pedotransfer function (PTF) was applied to the predicted soil-textural information, enabling the delineation of a three-dimensional hydrogeophysical model parameterized in terms of subsurface hydraulic conductivity, aquiclude geometry, and preferential flow paths.The third part of this thesis investigates the application of deep learning in conjunction with EMI mapping to predict soil properties at the catchment scale, and presents a novel deep learning network for EMI data inversion. Soil textural information from an extensive soil survey enabled the development of petrophysical relationships linking inverted electrical conductivity at different depths to soil volume fractions. Moreover, the recalibration of a field-scale PTF with predicted soil-textural information allowed for catchment-scale subsurface hydraulic conductivity prediction for depths down to 1.5 m, essential for calibrating hydrological run-off models. This thesis further discusses and develops a hydrogeophysical representation of the research catchment using an extensive IP mapping dataset collected over a decade, extending soil-textural and hydraulic information to depths of 40 m. Potential conceptual hydrogeophysical models were examined based on borehole information, with one model parameterized using three-dimensional hydraulic conductivity distributions and confining layer topography based on the geophysical dataset.The comprehensive approach presented in this thesis demonstrates the potential of integrating geophysical methods, deep learning, and pedotransfer functions for an enhanced characterization of subsurface properties at various scales and environments, including clay-rich landslides and catchments, with implications for enhancing hydrogeological modeling and understanding of surface-groundwater interactions.