Der Urbanisierungs-Fußabdruck von Delhi und seine Auswirkungen auf den Untergrundzustand der Erde

Wissenschaftliche Berichte Band 13, Artikelnummer: 11750 (2023) Diesen Artikel zitieren

86 Zugriffe

Details zu den Metriken

Städtisches Land und seine Ausdehnung haben tiefgreifende Auswirkungen auf die globale Umwelt, einschließlich der Spannungsveränderung im Erduntergrund, obwohl städtisches Land nur einen kleinen Teil der globalen Landoberfläche ausmacht. Angesichts der Rolle, die Stress für die Sicherheit der städtischen Bevölkerung vor Erdbeben spielt, war die Offenlegung solcher Auswirkungen noch nie so wichtig. Das Wissen über diesen zeitabhängigen nichtlinearen Effekt der Urbanisierung auf den Untergrund bleibt jedoch im Graubereich. Diese Studie konzentriert sich auf die Umgebung von Delhi, der Hauptstadt Indiens, um den relativen Beitrag der durch die rasche Urbanisierung verursachten Gebäudelast zur Verschärfung des Stresszustands unter der Oberfläche zu verstehen. Die Ergebnisse verdeutlichen, dass seit 2010 die Modulation der Seismizitätsrate und der Stabilität von Kellerüberschiebungen nicht nur mit der Urbanisierung, sondern auch mit der dekadischen Grundwasserspeicherung zusammenhängt. Es gibt immer mehr Hinweise darauf, dass die rasche Urbanisierung und die daraus resultierende nichttektonische horizontale Kompression Verwerfungen im Aravalli-Delhi-Gürtel stabilisieren, die aufgrund der umfangreichen Grundwasserentnahme destabilisiert werden. Dies wirkt sich auf den dekadischen Seismizitätstrend rund um den Aravalli-Delhi-Faltengürtel aus. Dennoch bleibt das Ausmaß dieses zeitabhängigen Verformungseinflusses auf die Seismizitätsmodulation ungewiss. Die Ergebnisse dieser Studie quantifizieren erstmals die geomechanischen Auswirkungen der Urbanisierung im Raum Delhi.

Als unmittelbarer Knotenpunkt zwischen Umwelt und anthropogenen Wechselwirkungen verändert die Urbanisierung verschiedene Aspekte der Umwelt. Da das Bevölkerungswachstum eine schnelle Urbanisierung und eine aggressive Metamorphose der Erdoberfläche mit sich bringt, werden die Atmosphäre, der Wasserkreislauf, Ökosystemprozesse, das Klimasystem und die Stabilität des Untergrunds voraussichtlich auf lokaler und globaler Ebene dramatisch gestört1,2,3,4. Städtische Gebiete nehmen nur einen kleinen Teil des globalen Territoriums ein und beherbergen dennoch 55 % der Weltbevölkerung. Die städtische Landfläche wächst schneller als die Stadtbevölkerung. Die Urbanisierung trägt zu 70 % zur globalen Erwärmung und zu 80 % zum Verlust natürlicher Lebensräume bei. Etwa 60 % der weltweiten Ackerflächen befinden sich in der Nähe städtischer Gebiete, was den Konflikt zwischen ihnen unterstreicht5. Mehrere Studien5,6,7,8 unterstreichen die Proportionalität zwischen der Geschwindigkeit der Stadterweiterung und der Verringerung der Ackerflächen, wobei Indien, China und Ägypten die Schwerpunkte sind (Abb. 1a, mit Delhi und den umliegenden Regionen in der Nähe der Ackerflächen). In vielen entwickelten Ländern wird die Bevölkerungsverschiebung von ländlichen in städtische Gebiete voraussichtlich abnehmen, wohingegen das Szenario in den Entwicklungsländern umgekehrt ist, insbesondere wenn Indien im Mittelpunkt steht. Angel et al.9 und Seto et al.10 prognostizierten, dass bis 2030 die weltweit urbanisierte Fläche dreimal so groß sein würde wie im Jahr 2000, einhergehend mit einer Verdoppelung der städtischen Bevölkerung. Vor diesem Hintergrund ist die heutige Urbanisierung der Ursprung der Mega-Urbanisierung (Verschmelzung mehrerer Stadtgefüge zu einem zusammenhängenden Stadtgebiet5). Es wird prognostiziert, dass eine solche Mega-Urbanisierung in Regionen stattfinden wird, die anfällig für hohe Armutsraten sind, typischerweise dort, wo die Landwirtschaft die dominierenden Wirtschaftssektoren dominiert. Daher ist ein interdisziplinäres Verständnis darüber, wie die zukünftige Urbanisierung und ihre Bevölkerung die Erde verändern werden, von größter Bedeutung, um das Problem der globalen Nachhaltigkeit zu lindern.

Landnutzungskarte der Region Nordindien für das Jahr 2020. (a) Landnutzungsklassifizierung (Stufe I) der Region Nordindien für das Jahr 2020, wobei das Untersuchungsgebiet durch ein Kästchen hervorgehoben ist. (b) Übergang der bebauten Grundstücksklasse im Zeitraum 1990–2020 mit einem Zeitintervall von 5 Jahren. Die Farbe Pastellrot stellt die bestehende bebaute Fläche dar, und das durchgehende Rot hebt die neue Landfläche hervor, die in der bebauten Klasse im Vergleich zum vorherigen Zeitintervall enthalten ist. Das Feld ganz rechts unten zeigt das Wachstum der kumulierten bebauten Landfläche und der städtischen Bevölkerung im Zeitverlauf. Diese Abbildung wurde mit ArcMap (Version 10.7.1; URL: https://support.esri.com) generiert.

Mit dem Charakter einer unwiderruflichen Landbedeckungsänderung (LCC) haben städtische Grundstücke dauerhafte Auswirkungen auf die damit verbundene Umgebung. Aufgrund starker Auseinandersetzungen mit der Umwelt ist die Stadterweiterung der bedeutendste anthropogene Faktor, der für die Veränderung der Erdoberfläche verantwortlich ist. Die massive Ausweitung städtischer Gebiete verschiebt den demografischen Trend, was nicht nur die sozioökonomischen Entwicklungen2 verändert, sondern auch die biogeochemischen Kreisläufe11, das Funktionieren der biologischen Vielfalt12, die Prozesse unter der Erdoberfläche4 und die hydrologischen Systeme7 stört. Insgesamt weist die Literatur darauf hin, dass die Urbanisierung im Laufe der Zeit die gesellschaftlichen Auswirkungen verschiedener Klima- und Umweltbelastungen prägt. Mit der Weiterentwicklung der Erdbeobachtungstechnologien mittels Satellitenfernerkundung11 wurden jedoch die meisten durch die Urbanisierung verursachten Veränderungen in verschiedenen Themenbereichen überwacht. Da sich der Großteil der Literatur jedoch auf potenzielle sozioökologische Variablen beschränkt, die durch die Urbanisierung vorangetrieben werden, gibt es kaum ein Verständnis dafür, wie sich die Urbanisierung auf das Spannungsregime im Untergrund der Erde auswirkt und welches Potenzial für die Auslösung (oder Auslösung) von Menschen verursachter Erdbeben in verschiedenen Regionen besteht zeitliche und räumliche Zusammenhänge.

Vom Menschen verursachte Erdbeben sind in den letzten Jahrzehnten zunehmend Gegenstand gesellschaftspolitischer und wissenschaftlicher Diskussionen geworden, und in der HiQuake-Datenbank wurden mehr als 1200 Fälle aus dem Zeitraum von 1868 bis 2022 gemeldet13,14. Daher haben viele Forscher die Möglichkeit untersucht, vom Menschen verursachte Erdbeben zu verstehen und vorherzusagen15,16,17,18,19. Dong et al.20 haben eine Tomographiemethode zur Identifizierung abnormaler Regionen in komplexen Gesteinsstrukturen vorgeschlagen. Anhand der Laufzeittomographie sowie numerischer und Laborexperimente konnten sie die Größe und Streichung von Verwerfungen bestimmen und außerdem potenzielle Gefahrenbereiche in unterirdischen Geotechnikstandorten identifizieren20. Darüber hinaus argumentierten Dong und Luo21, dass Spannung, Geschwindigkeit, Material, Flüssigkeit und Temperatur wichtige Auswirkungen auf die Fehler- und Erdbebenmechanik haben. Barberio et al.22 untersuchten die Reaktionen des Grundwassers auf die weltweite Seismizität und schlugen vor, dass die Rayleigh-Wellen entfernter Erdbeben Schwankungen im Grundwasserspiegel verursachen und dadurch die Seismizität in der Nähe modulieren. Die Seismizität wird auch durch Hydrofracking hervorgerufen, das zur Gewinnung von Erdölressourcen eingesetzt wird23,24. Das Auslösen oder Induzieren von Erdbeben durch Veränderungen in der Oberflächenlastverteilung aufgrund anthropogener und unwiderruflicher LCC wurde jedoch größtenteils übersehen. Zu diesen Veränderungen zählen von Menschenhand geschaffene Megastrukturen, Wolkenkratzer, Hochhäuser, Mülldeponien, Infrastrukturbauten und Bergbausteinbrüche. Sie werden aufgrund ihrer geringen Größe im Vergleich zu einem typischen geologischen Becken oder einer seismischen Untersuchungsregion vernachlässigt. Zusammenhänge zwischen der raschen Urbanisierung und den Veränderungen im Untergrund der Erde bestehen schon lange, wenn auch weniger gut quantifiziert (mit Ausnahme einiger Berichte, z. B. Lin.25; Klose26; Parsons4; Hu et al.27; Qian et al.28). Daher ist wenig über den ursächlichen Zusammenhang zwischen HiQuake und permanentem LCC bekannt. Die Aufklärung dieses Zusammenhangs ist von entscheidender Bedeutung für eine bessere Bewertung der seismischen Gefährdung, die Eindämmung induzierter Erdbeben und die Charakterisierung des Spannungszustands der seismischen Verwerfungen, insbesondere als Reaktion auf den Bau der Gebäudeinfrastruktur. Dies motivierte uns, die Veränderungen des Spannungszustands unter der Oberfläche aufgrund der Dynamik der städtischen Landausdehnung zu quantifizieren, damit wir die Folgen dieser Veränderungen besser verstehen können.

Unsere Analyse basiert auf einem intern konsistenten Analyserahmen für die Landnutzungsklassifizierung (LUC), der 30 Jahre Satellitendaten nutzt, indem ab 1990 in einem 5-Jahres-Intervall LUC-Karten unter Verwendung der Landsat-Daten erstellt und städtische Landflächen rund um die Region Delhi im Norden aufgeteilt werden Indien, zu dem auch Indiens dicht besiedelte Hauptstadt Delhi gehört. Die LUC-Dynamik in Delhi und Umgebung (eingerahmter Bereich in Abb. 1a) wird aus den Referenzdaten abgeleitet. Wir quantifizieren die LUC-Dynamik und die damit verbundene Unsicherheit auf lokaler Ebene, um die Genauigkeit und Auflösung unserer Analyse aufrechtzuerhalten. Wir quantifizieren die räumliche Gewichtsverteilung in der umliegenden Region Delhi, um die kumulativen Auswirkungen von Spannungsänderungen auf die Stabilität der unterirdischen Verwerfungen aufzudecken. Wir argumentieren auch, dass die Gewichtsverteilung mit der dekadischen Seismizitätsmodulation rund um den Aravalli-Delhi-Faltengürtel zusammenhängt, die auf eine zunehmende und irreversible Massenumverteilung durch Bodensetzung, Senkung, Grundwasserentnahme und saisonal kontrollierte hydrologische Belastungszyklen zurückzuführen ist.

Es wurde beobachtet, dass sich das LCC rund um Delhi und die umliegende Region im Laufe der Zeit in verschiedenen Epochen unterschiedlich schnell entwickelte (Abb. 1b). Der maximale LCC wurde im Zeitraum 2000–2005 beobachtet, als die Klasse „Ackerland“ eine deutliche Flächenverringerung aufwies und die Klasse „bebautes Land“ einen unaufhörlichen Anstieg verzeichnete (beschrieben in „Methoden“). In ähnlicher Weise verzeichnete die Klasse „Waldland“ in den Epochen 1990–1995 und 2000–2005 einen starken Flächenrückgang. Insgesamt nahm die Urbanisierung weiter zu und die Acker- und Waldflächen gingen weiter zurück. Da es in unserer Studie um Urbanisierungseffekte geht, haben wir uns entschieden, unsere Interpretation auf die „bebaute“ Klasse zu konzentrieren. Für Delhi und die umliegende Region wurde eine konsistente LUC-Karte für den städtischen Anstieg in einem 5-Jahres-Zeitraum von 1990 bis 2020 entwickelt und ist in Abb. 1b dargestellt. Die LCC-Intensität „bebaute Fläche“ war von 1990 bis 2000 mit einer Intensität von 2,67 % (± 0,95 %) vergleichsweise stabil. Später verzeichnete das LCC-Gebiet zwischen 2000 und 2005 ein unaufhaltsames Wachstum (Abb. 1b, ganz rechts oben) mit einer Intensität von 69,13 % (± 23,72 %) im Gegensatz zu seinem Wert im Jahr 1990, was darauf hindeutet, dass die Urbanisierung einen beispiellosen Wandel erlebte ( Abb. 1b, ganz rechts unten). Die Änderung der Intensität wurde jedoch später begrenzt und blieb zwischen 2005 und 2020 im Bereich von 6–9 %, was durch einen langsameren Anstieg der kumulativen Flächenkurve des LCC in diesen Epochen veranschaulicht wird. Aus zeitlicher Sicht zeigte der dekadische Übergang der urbanisierten Fläche pro Gitterzelle (pro 100 km2) im ersten Jahrzehnt (1990–2000) die niedrigste Steigung von 12,34 (± 7,63) km2 pro 5-Jahres-Epoche, während die maximale Steigung bei 12,34 (± 7,63) km2 pro 5-Jahres-Epoche lag beobachtet für Jahrzehnt 2 (2000–2010) mit dem höchsten Steigungswert von 87,75 (± 31,43) km2 pro 5-Jahres-Epoche. Für das dritte Jahrzehnt (2010–2020) beträgt die Steigung 24,49 (± 12,55) km2 pro 5-Jahres-Epoche. Von der räumlichen Front her erlebte die Urbanisierung zwischen 2000 und 2005 einen rasanten Ausbreitungsschub, vor allem über den Delhi-Puffer. Zuvor kam es zwischen 1990 und 2000 zu einer ausgedehnten Ausbreitung der Region (neue Regionen standen nicht in direkter räumlicher Verbindung mit der Region Delhi). Nach 2005 erlebte die Untersuchungsregion vor allem die Randausdehnung (neue Regionen in direktem Kontakt mit den Rändern der Region Delhi), die mit periodischen Verschiebungen beobachtet wurde (d. h. die ausgeprägte Zersiedelung von 2005 dehnt sich weiterhin nach Südwesten aus). Randausbreitung vor 2015, die sich in der Epoche 2020 nach Südosten verlagerte).

Die Berechnung des Prozentsatzes der Gesamtübereinstimmung oder des Prozentsatzes der tatsächlichen Übereinstimmung ist eine implizite Methode zur Bestimmung der Übereinstimmung zwischen den klassifizierten Variablen in der LUC-Wissenschaft. Während die Genauigkeitsbewertung zeigen kann, wie viel Übereinstimmung zwischen den Variablenklassen besteht, berücksichtigt sie nicht die Möglichkeit einer rein zufälligen Übereinstimmung. Eine gültige Übereinstimmung zwischen den Variablenklassen liegt nur dann vor, wenn der Grad der Übereinstimmung über das hinausgeht, was allein durch Zufall zu erwarten wäre. Im Zusammenhang mit der Verbesserung des Vertrauens in unser Klassifizierungssystem wurde eine solche Methode der echten Übereinstimmung – Cohens Kappa-Koeffizient (κ) – verwendet, um die statistische Stabilität und die Interrater-Zuverlässigkeit zwischen den Klassen zu bewerten. Damit wurde die Gesamtgenauigkeit des LUC auf den Bereich von 79,81–91,76 % abgebildet, wobei die maximale Genauigkeit für 2010 (mit κ von 0,93) und die minimale Genauigkeit für 1995 (mit κ von 0,81) beobachtet wurde (beschrieben in Methoden). ). Die Genauigkeiten in den LUC-Klassen waren heterogen (z. B. Ackerland hatte eine niedrigere mittlere Genauigkeit von κ = 0,79 und die bebaute Klasse hatte eine höhere Genauigkeit von κ = 0,96). Obwohl das Muster zwischen den Klassen schwankte, wurde beobachtet, dass die Genauigkeit der aufgebauten Klasse durchweg einen höheren κ-Grad aufwies. Dieser hohe Grad an Genauigkeit im gesamten Untersuchungsgebiet lässt sich aus Abb. 2 ableiten. Trotz höherer Übereinstimmung zwischen den Klassen kam es aufgrund der Verwirrung bei der Spektralzuordnung zu einer Fehlklassifizierung zwischen der Klasse „Unfruchtbares Land“ und „Bebaut“. Dies hat jedoch keinen Einfluss auf die Gesamtnatur der Ergebnisse, da die zeitliche Abdeckung der aufgebauten Klasse tendenziell die maximale Genauigkeit mit weniger Verwirrung aufweist (Abb. 2, Verwirrungsmatrixfelder) in Bezug auf den räumlich gerasterten Bereich (Abb. 2, Gitterplatte). Basierend auf der zeitlich geschichteten Matrix hatte das Jahr 2000 die höchste Genauigkeit für die Klasse „bebautes Land“, da es die Verwechslung mit der Klasse „unfruchtbares Land“ teilte. Die minimale Genauigkeit wurde im Jahr 2010 erreicht, als die Klasse „bebautes Land“ ihre Verwechslung mit den Klassen „Unfruchtbares Land“ und „Ackerland“ teilte. Somit weisen die höhere Gesamtgenauigkeit und die explizite klassenbezogene Genauigkeit (insbesondere für die bebaute Klasse) bei vernachlässigbarer Unsicherheit auf räumlicher und zeitlicher Ebene auf die Gültigkeit des Urbanisierungstrends in Delhi und der umliegenden Region hin. Dies bietet die notwendige Sicherheit bei der Verwendung der Urbanisierungskarte zur Berechnung der Auswirkung der Urbanisierung auf den Spannungszustand unter der Oberfläche.

Diagramm der Genauigkeit der Landnutzungsklassifizierung für den Zeitraum 1995–2020. Das linke Feld zeigt die Klassifizierungsgenauigkeit für ein 5 × 5 km großes Gitter, aggregiert seit 1990. Die Nebenkarte zeigt die Genauigkeitswerte der Gitterzellen. Die normalisierten Verwirrungsmatrizen im rechten Bereich verdeutlichen die Klassifizierungsgenauigkeit und den Klassifizierer-Bias für die entsprechenden Jahre (die Verwirrungsmatrix für das Jahr 1990 ist ähnlich und wird nicht gezeigt, um die Figurenform beizubehalten). Diese Abbildung wurde mit ArcMap (Version 10.7.1; URL: https://support.esri.com) generiert.

Aufgrund der Vielzahl individueller Strukturen unterschiedlicher Größe und Form im Stadtgebiet ist eine Quantifizierung des Gewichts der städtischen Gebiete nahezu unmöglich. Auch der Import und Export von Gütern führt zu einem Massenfluss in städtischen Gebieten. Wir nähern uns dem Gewicht der Urbanisierung unter der Annahme, dass Gebäude und ihr Inhalt den überwiegenden Teil des Gewichts ausmachen, d. h. den Gewichtsbeitrag von Wohn-/Geschäftsgebäuden, öffentlichen Gebäuden, leichten und schweren Industriegebäuden, Lagerhäusern, Transportzentren usw. In Ermangelung eines offenen Archivs (oder einer öffentlichen Datenbank) mit Gebäudeumrissen und spezifischen Höhen einzelner Gebäude betrachteten wir unsere Urbanisierungs-Fußabdruckkarte als direkten Proxy für Gebäudeumrisse zur Berechnung der Auswirkungen von Urbanisierungen auf den Spannungszustand unter der Oberfläche der umliegenden Region Delhi. Gemäß dem Indian Standard Code of Practice for Design Loads (außer Erdbeben) für Gebäude und Bauwerke29 wird die Gebäudelast in Eigenlast und Nutzlast kategorisiert. Die Eigenlast besteht aus der strukturellen Belastung des Gebäudes (Decke, Bodenbelag und Wände). Die Nutzlast umfasst den gesamten Gebäudeinhalt wie Personen, Lebensmittel, Wasser, Möbel, Inneneinrichtungen, geparkte Fahrzeuge usw. sowie die Belastung durch Stöße, Vibrationen und Staub/Schutt, nicht jedoch die Belastung durch Wind, seismische Aktivität und Schnee. Der Eigenlastwert von Bauteilen liegt zwischen 0,25–0,74 kN/m2 für einen Deckendickenbereich von 13 bis 25 mm und 1,18–1,96 kN/m2 für einen Bodenbelagsdickenbereich von 100 bis 125 mm, vorausgesetzt, Beton ist das primäre Baumaterial für den Bau verwendet29. Nach dem indischen Baustandard beträgt die Eigenlast eines einstöckigen Gebäudes nicht mehr als 5,0 kN/m2, und dieser Wert steigt mit zunehmender Anzahl der Stockwerke in einem Gebäude29. Darüber hinaus liegt der Nutzlastwert des Gebäudes zwischen 5,0 kN/m2 für ein leichtes Industriegebäude und 10,0 kN/m2 für ein Schwerlastgebäude, während die anderen Gebäude, wie Wohnhäuser, Schulen, Geschäfte und Einkaufszentren, innerhalb dieses Bereichs lagen 3,0–5,0 kN/m2 gemäß indischem Standard29.

Da es schwierig ist, alle Einzellasten und deren Art (tote oder lebende Lasten) zu zählen, haben wir für die Berechnung des Gewichts einer Stadt eine Last von 5,0 kN/m2 als Standardwert angenommen, der tote und lebende Beiträge kombiniert. Daher sollten unsere Ergebnisse als Mindestschätzungen betrachtet werden. Wir haben die kumulative Masse (in kg) einer Gebäudegrundfläche in der umliegenden Region Delhi berechnet, indem wir die Beiträge der Live- und Totlasten (d. h. 5,0 kN/m2) kombiniert, durch die Gravitationskonstante (g = 9,81 m/s2) dividiert haben und schließlich Multiplikation mit der kumulierten bebauten Fläche (Abb. 3b). Die städtische Lastverteilung wurde berechnet, indem das Gewicht der Gebäude an ihren Schwerpunktpunkten berücksichtigt, das Untersuchungsgebiet in 1 × 1 km2 große Zellen unterteilt und anschließend das Gewicht aller Schwerpunkte summiert wurde, die innerhalb einer Zelle auftreten. Wie erwartet tritt die maximale Gewichtskonzentration in und um die städtischen Ballungsgebiete der umliegenden Region Delhi auf, zusammen mit bestimmten Hotspot-Standorten, z. B. Gurgaon, Meerut, Yamuna-Flussufergebieten, dem internationalen Flughafen Neu-Delhi und der angrenzenden Region, wo es mehrere gibt Wolkenkratzer und hohe/schwere Gebäude, die relativ kleine Flächen einnehmen.

Grundwasserentnahme, kumulative Flächenveränderungen und Bodensenkungen aus der umliegenden Region Delhi (a) Rate der Grundwasserverarmung in der Region, abgeleitet aus GRACE und GLDAS (Konturen in cm/Jahr). Beachten Sie, dass die mit dem Aravalli-Delhi-Faltengürtel verbundene Seismizität (gekennzeichnet durch die roten Kreise in (a)) im Bereich der maximalen Grundwassererschöpfung (~ 1,6 cm/Jahr) liegt. Wasserbälle repräsentieren die zentralen Mechanismen von 15 bedeutenden Erdbeben. Verschiedene Grundverwerfungen sind durch gelbe gestrichelte Linien gekennzeichnet: MDF Mahendragarh Dehradun Fault, CF Chahapoli Fault, SF Sohna Fault, MF Mathura Fault, GBF Great Boundary Fault, DHF Delhi Hardwar Fault, MBT Main Boundary Thrust, MFT Main Frontal Thrust. (b) Die kumulierten Flächenveränderungen von 1990 bis 2020 rund um Delhi werden über ein Raster von 1 km2 summiert und die geschätzte Gebäudemasse über die Fläche verteilt. Die ziegelrote Linie stellt den Querschnitt durch den Fluss Yamuna dar, der zur Schätzung der Leitungslast für die Berechnung der Coulomb-Versagensspannungsänderung (\(\Delta CFS\)) verwendet wird. Die schwarze Linie stellt die Staatsgrenze von Delhi dar. (c) Die Bodensenkung in Neu-Delhi, National Capital Region (NCR), wird mithilfe mehrerer SAR-Sensordaten und der PS-InSAR-Technik30 analysiert. Das Diagramm stellt die aufsteigende vertikale kumulative Verschiebung von Cosmo-Skymed dar, die vom 8. Juni 2011 bis zum 15. November 2017 über Delhi erfasst wurde. (a, b) wurde mit Generic Mapping Tools (Version 6.3.0; URL: https://www.generic-mapping-tools.org/download/) generiert und (c) wurde mit ArcMap (Version 10.7.1) generiert ; URL: https://support.esri.com).

Da Delhi die Hauptstadt Indiens ist, ist es dicht besiedelt und hat daher eine übermäßige Ausbeutung der Grundwasserleiter aufgrund umfangreicher Bewässerung, Stadtentwicklung und -erweiterung sowie geringer/schwankender Niederschläge aufgrund des Szenarios des globalen Klimawandels erlebt. Infolgedessen kam es in der Region in den letzten Jahrzehnten zu erheblichen Bodensenkungen. Um die Grundwasserentnahmerate im Nordwesten Indiens und in der umliegenden Region Delhi zu quantifizieren, haben wir die Daten des Gravity Recovery and Earth Climate Experiment (GRACE) und des Global Land Data Assimilation System (GLDAS) (beschrieben unter Methoden) untersucht. Daraus schätzen wir die Änderungsrate der Grundwasserspeicherung im Zeitraum 2002–2015 auf ~ 1,6 ± 0,6 cm/Jahr, was in der umliegenden Region Delhi alarmierend ist (Abb. 3a, Konturen in cm/Jahr). Ein weiterer interessanter Punkt ist, dass die Seismizität in der Aravalli-Delhi-Faltengürtelregion möglicherweise mit der Paläostruktur zusammenhängt31 und im Bereich der maximalen Grundwassererschöpfung liegt (~ 1,6 cm/Jahr). Obwohl der gesamte Aravalli-Delhi-Faltengürtel in der Vergangenheit mehrere mittelschwere bis starke Erdbeben erlebt hat32,33, scheint die Region Delhi seismisch aktiver zu sein, und mehrere Erdbeben geringer Stärke wurden von einem dichten seismischen Netzwerk in der Region registriert (Abb. 3a). Die meisten dieser Erdbeben ereignen sich in der oberen Erdkruste in einer Tiefe von ca. 25–30 km, und bei den meisten von ihnen kommt es zu einer umgekehrten Verwerfungsbewegung zusammen mit einer gewissen Streichbewegungskomponente auf steilen Verwerfungsebenen mit einer Neigung von ca. 50–65°33 (Abb. 3a). ). Die umliegende Region Delhi ist von Alluvium bedeckt, das gelegentlich von linear verlängerten Quarzitkämmen aus dem Proterozoikum durchzogen wird, die als Grundgestein fungieren und auch mehrere Grundverwerfungen beherbergen34,35.

Eine wichtige Beobachtung ist, dass die geschätzte Bodensenkung aus Multisensor-Radardaten in der Umgebung von Delhi den Urbanisierungs-Fußabdrücken zu folgen scheint (Abb. 3c, beschrieben in Methoden). Bodenverschiebungsbeobachtungen aus den Cosmo-Skymed-Daten haben eine Senkungsrate von etwa 2–18 mm/Jahr erfasst. Wir stellten eine höhere Bodensenkungsrate von etwa 15–18 mm/Jahr an und um mehrere Standorte fest, z. B. Gurgaon, Saraswati-Vihar, Surya-Vihar, Dundahera, Ashok-Vihar, Faridabad und die Ostseite des Yamuna-Flusses umfasst Noida, Ghaziabad und Shahdara. Darüber hinaus scheint das Gebiet, das dem internationalen Flughafen Neu-Delhi und den angrenzenden Regionen Prahladpur-Dwarka (ca. 15 km2 Fläche) am nächsten liegt, mit einer wesentlich höheren Rate von ca. 15–35 mm/Jahr abzusinken, was möglicherweise auf die dichte und schwere Bebauung zurückzuführen ist Bauarbeiten sowie die umfangreiche Grundwasserentnahme. Die beobachtete Bodensenkungsrate in der Umgebung von Delhi scheint viel höher zu sein als die vorhergesagte Bodensenkungsrate (~ 2 mm/Jahr) aus einem gekoppelten hydromechanischen Modell, das eine dekadische Grundwasserentnahme simulierte36. Außerdem scheint die beobachtete Bodensenkungsrate viel höher zu sein als die anhand der spärlich lokalisierten geodätischen Daten (cGPS) geschätzte Senkungsrate und die vom LSDM-Hydrologiemodell der umliegenden Region Delhi vorhergesagte Senkungsrate (Abbildung S1) (~ 1–3). mm/Jahr).

Neben diesen indirekten Auswirkungen kann die Urbanisierung in der umliegenden Region Delhi (oder das Gewicht der Stadt) direkt mit dem Spannungszustand unter der Oberfläche und der Stabilität der Kellerverwerfungen im Aravalli-Delhi-Faltengürtel in Verbindung gebracht werden, der schließlich Erdbeben mittlerer und starker Stärke moduliert während des seismischen Zyklus. Die anthropogene Massenanhäufung als Reaktion auf die rasche Urbanisierung in der umliegenden Region Delhi erfolgte nicht augenblicklich, sondern wuchs vielmehr zusammen mit der städtischen Bevölkerung (Abb. 1b). Daher erfolgt die Belastungsreaktion der Kruste nicht augenblicklich und nimmt mit der Zeit zu. Die elastischen Teile der Kruste reagieren augenblicklich auf die Urbanisierungslast, und der zeitliche Verlauf der Belastung ist für die elastische Verformungsreaktion nicht besonders wichtig. Allerdings sind oberflächennahe geologische Schichten duktiler und Gesteine ​​unter der elastischen Oberkruste verformen sich nichtlinear, was ihre Reaktion zeitabhängig macht, selbst wenn die Belastung unabhängig von der Zeit ist. Im folgenden Abschnitt quantifizieren wir die Auswirkung der Urbanisierung auf den Spannungszustand unter der Oberfläche unter Berücksichtigung der beiden oben genannten Aspekte und unter Ausschluss des Aspekts aufgrund der Viskositätsstruktur des Untergrunds, der wahrscheinlich viel komplizierter ist.

Ein Anstieg der vertikalen Spannung aufgrund des Urbanisierungsgewichts am Boden, sprödes Versagen unter der vertikalen Belastung und Änderungen in der Stabilität der Kellerverwerfung hängen stark von der Art der Verwerfungsebenen und Verwerfungsmechanismen ab. Bei einem normalen Verwerfungsmechanismus mit steil abfallenden Verwerfungen würde ein sprödes Versagen unter vertikalen Belastungsbedingungen begünstigt werden. Entladung aufgrund natürlicher Erosion, Extraktion von Flüssigkeiten aus dem Grundgebirge37 oder anthropogener Massenabtrag fördert einen Überschiebungsmechanismus. Die Spannungsinversion der verfügbaren Fokusmechanismuslösungen aus der Aravalli-Delhi-Faltengürtelregion lässt auf einen Spannungsorientierungszustand schließen, in dem die maximale Hauptdruckspannung in NNE-SSW-Richtung mit einem mäßigen Einbruch liegt, d. h. identisch mit der Spannungsorientierung im angrenzenden Garhwal -Kumaun Himalaya. Daher wird erwartet, dass die Rate der Seismizitätsproduktion unter anthropogenen Belastungsbedingungen abnimmt.

Um dies zu beurteilen und gleichzeitig die durch Urbanisierung verursachte Belastung in der umliegenden Region Delhi einzubeziehen, haben wir die Rate der Coulomb-Versagensspannungsänderung (ΔCFS) an einer Kellerverwerfung aufgrund des zuvor geschätzten Urbanisierungsgewichts berechnet. Spannungskomponenten (\({\tau }_{xx}\), \({\tau }_{zz}\), \({\tau }_{xz}\)) an jedem Punkt (P) bei a Die spezifische Tiefe, die sich aus einer vertikalen Last (\({N}_{0}\) in N/m) innerhalb eines homogenen elastischen Halbraums ergibt, wird als Funktion der geometrischen Position der Last dargestellt, ausgedrückt in Winkeln θ1 und θ2 von beiden Kanten der Last (Winkel gemessen im Uhrzeigersinn von der positiven x-Richtung), der Breite der Last (\(a\)) und dem Lastwert \({N}_{0}\) (Abb . 4, oberes Einsatzfeld) (beschrieben in Methoden38). \({N}_{0}\) ist beim Entladen negativ und beim Laden positiv, und die Z-Achse ist nach unten positiv. Die Komponenten Scherzug (\({\tau }_{s}\)) und Normalzug (\({\tau }_{n}\)) können auf einer Kellerstörungsebene aufgelöst werden, die in einem Winkel \(\varphi \) mit Schlagrichtung senkrecht zur xz-Ebene (beschrieben in Methoden). Die Stabilität der Kellerverwerfung unter Belastung wird durch Auswertung des \(\Delta CFS\) quantifiziert, der definiert ist als \(\Delta CFS=\left|{\Delta \tau }_{s}\right|+\mu \left( \Delta {\tau }_{n}-\Delta p\right)\), wobei \({\Delta \tau }_{s}\) die Änderung der Scherzugkraft der Verwerfung ist, \(\Delta {\ tau }_{n}\) ist die Änderung der gesamten Normaltraktion (positiv bei Kompression), \(\Delta p\) ist die Porendruckänderung und \(\mu\) ist der Fehlerreibungskoeffizient. Daher ist die \(\Delta CFS \mathrm {\;is\;a\;function\; of}f\left({N}_{0}, {\theta }_{1}, {\theta }_ {2}, a, \varphi ,\mu \right).\) Unter Berücksichtigung der Neigung der Kellerstörungen in der Faltengürtelregion Aravalli Delhi als \(\varphi =\) 60° beträgt der Bereich des Reibungskoeffizienten \mu =\) 0,3–0,6, effektive Lastbreite der Urbanisierung als \(a=\) 65(± 2) km und unsere Schätzung des Gewichts der städtischen Gebiete als \({N}_{0}\) haben wir \(\Delta CFS\) für ein vertikales NW-SE-Profil berechnet, wobei die Spannungen an den abfallenden Kellerverwerfungen aufgelöst wurden (Abb. 4). Es scheint, dass die elastische Reaktion auf das Urbanisierungsgewicht in der umliegenden Region Delhi eine belastungsinduzierte Spannung von mindestens ~ 1–4 kPa im hypozentralen Bereich der Erdbeben ausübt.

Änderung der Coulomb-Versagensspannung aufgrund der Urbanisierungslast. Die Änderung der Coulomb-Versagensspannung (\(\Delta\)CFS) aufgrund der Urbanisierungslast (Gebäudelast über eine Fläche), aufgetragen in einem vertikalen Abschnitt entlang eines horizontalen Profils (markiert in Abb. 3) über Delhi. Die oberen und unteren Diagramme gelten für Reibungskoeffizientenwerte von 0,3 bzw. 0,6. \(\Delta\)CFS (MPa) wird auf der unterirdischen Verwerfung mit einer Neigung von 60° aufgelöst. Der Modellaufbau wird in der oberen rechten Ecke dargestellt. Die auf den elastischen Halbraum wirkende Linienlast verteilt sich auf die Breite a. θ1 und θ2 messen den Winkel nach unten von der positiven x-Achse zu einem beliebigen Punkt P in der Tiefe. Die Tiefenverteilung von Erdbeben mit einer Stärke (Mc > 2,5), die von 2000 bis 2020 im Untersuchungsgebiet beobachtet wurden. Diese Zahl wurde mit der grafischen Anwendung Surfer (Version 13.6.618, URL: https://www.goldensoftware.com/products/surfer) und der grafischen Anwendung Grapher (Version 16.6.478, URL: https://www.goldensoftware.com/) generiert. Produkte/Grafiker).

Der kritische Spannungsschwellenwert für Seismizität, der durch die äußere Belastung eines Verwerfungssystems (z. B. Gezeitenbelastung, hydrologische Belastung, teleseismisches Ereignis, Niederschlag, Gebäudelast usw.) hervorgerufen wird, ist ebenfalls wichtig, um die Modulation der Seismizität zu verstehen. Es wurde beobachtet, dass der kritische Auslöseschwellenwert für Gezeitenbelastung bei etwa 0,15–0,3° liegt39 und für durch Regen verursachte Erdbeben weniger als 2 kPa beträgt40. Darüber hinaus schlugen Kundu et al.41 vor, dass die Schwellenspannung für das durch Grundwasserentladung verursachte Gorkha-Erdbeben 2015 in Nepal etwa 0,05 − 0,15 kPa/Jahr beträgt. Ebenso beträgt der kritische Spannungswert für seismische Wellen 0,1–10 kPa42,43 und 0,1–1 kPa für durch hydrologische Belastungen verursachte nichtvulkanische Erschütterungen entlang der Cascadia-Subduktionszone44. Allerdings haben Ziv und Rubin45 argumentiert, dass es keinen Schwellenwert für die Auslösung oder Modulation von Erdbeben gibt. In der vorliegenden Studie ist der geschätzte Stress, der durch das Urbanisierungsgewicht in der umliegenden Region Delhi verursacht wird, höher als der zuvor geschätzte kritische Schwellenstresswert verschiedener exogener Antriebe. Daher haben wir vorgeschlagen, dass der durch das Urbanisierungsgewicht in der Umgebung von Delhi verursachte Stress für eine dekadische Seismizitätsmodulation in der Umgebung von Delhi ausreicht.

Darüber hinaus lässt ein Vergleich der Spannungsabfälle im Zusammenhang mit Erdbeben kleinerer Stärke (z. B. Spannungsabfälle von 0,25–2 MPa46,47 im Zusammenhang mit dem Magnitudenbereich 1–3) und der Spannungsänderung aufgrund der Urbanisierung in der umliegenden Region Delhi darauf schließen, dass diese anthropogene Belastung vorliegt Der Prozess könnte ein erhebliches Potenzial haben, die Seismizitätsrate über längere Zeiträume durch die Stabilisierung von Überschiebungen im Untergrund zu reduzieren. Es ist jedoch schwierig, eine Aussage zum genauen Zeitrahmen zu treffen. Wir untersuchten auch die Möglichkeit des durch den Yamuna-Fluss verursachten Erosionsprozesses und seinen Einfluss auf den spannungsauslösenden Mechanismus der im Aravalli-Delhi-Faltengürtel beherbergten Kellerverwerfungen, da Erosion als praktikabler Mechanismus in der aktiven Überschiebungsverwerfungsregion von Taiwan48 gemeldet wurde klassische Platteninnenregion der seismischen Zone von New Madrid49. Es stellt sich heraus, dass der Beitrag der durch Erosion verursachten Stressveränderung im Vergleich zu der durch die anthropogene Urbanisierung verursachten Stressveränderung in der umliegenden Region Delhi unbedeutend ist. Daher haben wir diese Möglichkeit ausgeschlossen (beschrieben in Methoden).

Es kann festgestellt werden, dass die umliegende Region von Delhi von einer Alluviumdecke mit einer berichteten Mächtigkeit von bis zu 300 m sowie etwa 10–12 m dicken Bodenschichten in der unmittelbaren Umgebung bedeckt ist, die gelegentlich von den linear verlängerten Quarzitkämmen durchzogen wird, die als Funktion dienen ein Grundgestein der Gegend34,35,50. Daher weisen Oberflächengestein und Bodenbedeckung in Delhi und Umgebung zeitabhängige nichtlineare Verformungseigenschaften auf, z. B. anfängliche und sekundäre Verdichtung oberflächennaher Böden; kompressionsinduzierter Hohlraumverschluss und Entwässerungsprozess; und langfristiges Kriechen und Verdichten in der Phase nach dem Bau51,52,53. Infolgedessen durchlaufen oberflächennahe Gesteins- und Bodenskelette unter belastungsinduzierter Belastung zwei Stadien nichtlinearer Setzungen: primäre und sekundäre Setzungen51. Als primäre Setzung gelten elastische Kompression und Porenflüssigkeitsdrainage aus der Bodenbedeckung, während längerfristige Kriech- und Verdichtungsmechanismen, die auf unbestimmte Zeit andauern können, als sekundäre Setzung betrachtet wurden53.

Um die Primärsiedlung und die damit verbundene zeitabhängige nichtlineare Verformung unter der Gebäudelast zu quantifizieren, präsentieren wir ein vereinfachtes, aber realistisches Modell, das die schnelle Urbanisierung in der Region Delhi berücksichtigt (Abb. 1b). Das Finite-Elemente-Simulationsmodell verwendet den Settle3D-Code (https://www.rocscience.com/software/settle3) (beschrieben in Methoden und Abbildung S2). Der Effekt der sekundären Setzung wurde unter Verwendung des Ausdrucks aus Buismans54-Gleichung berechnet: \({S}_{c}={{C}_{a}{\prime}H}_{c}\mathrm{log} \left[\frac{{t}_{2}}{{t}_{1}}\right]\), wobei die sekundäre Setzung eine Funktion des sekundären Kompressionskoeffizienten ist (\({C}_{a }{\prime}\)), effektive Bodendicke (\({H}_{c}\)), Hohlraumverhältnis des Bodens am Ende der Primärbesiedlung (\({e}_{p}\)), und Start- und Endzeiten (\({t}_{1} , {t}_{2}\)) (beschrieben in Methoden). Wir implementierten zwei rechteckige (100 m × 100 m) Rampenlasten, A und B, mit Größen von ~ 10 kPa bzw. 13 kPa, die zu unterschiedlichen Zeiten über die Bodenoberfläche aufgebracht wurden, wobei Standardeigenschaften des Bodens in der umliegenden Region Delhi verwendet wurden (Abbildung S2). , Tabelle 1). Detaillierte Modellgeometrie und Randbedingungen werden in den Begleitdokumenten und in den Abbildungen dargestellt. 5 (beschrieben in Methoden). Die Auswirkungen der beiden Phasen der Primärsiedlung werden für 15 Jahre simuliert und die Gesamtsiedlung wird unter Einbeziehung der Sekundärsiedlung für ~ 100 Jahre berechnet. Es wurde beobachtet, dass die primäre Setzung meist aufgrund von Hohlraumschließungen und Setzungen erfolgt, die durch die Gebäudelast innerhalb weniger Jahre nach der Errichtung verursacht werden. Die simulierte Gesamtsetzung für die Ladefläche ist in Abb. 6 unter der Annahme eines bestimmten Hohlraumverhältnisbereichs (Δe) und eines Sekundärkompressionskoeffizienten (\({C}_{a}{\prime}\)) dargestellt. Der Belastungszustand, die Primärsetzung und die Gesamtsetzung im Zeitverlauf wurden im Modellzentrum dargestellt (Abb. 6). Dem Modell zufolge beträgt die Gesamtbesiedlung für ca. 100 Jahre ca. 160–190 mm, was den Effekt der zwei Phasen der Primärbesiedlung und der Sekundärbesiedlung einschließt. Die primäre Setzungsrate in den letzten ~ 15 Jahren wird mit ~ 3–10 mm/Jahr berechnet, was mit der Oberflächensenkungsrate von ~ 2–18 mm/Jahr vergleichbar ist, die in den Radardaten rund um die Region Delhi beobachtet wurde. Obwohl die Geologie extrem lokalisiert ist, tragen auch Bodeneigenschaften und die Heterogenität der Grundwasserentnahme zur räumlich-zeitlichen Diskrepanz zwischen den berechneten und beobachteten Absinkungsraten bei, die schwer zu erklären ist.

Gesamtabrechnungsanalyse des Modells. Gesamtabsetzung durch 10 kPa und 13 kPa Gesamtoberflächenlast für 100 Jahre Simulation unter Berücksichtigung von drei verschiedenen Hohlraumverhältniswerten (d. h. 1, 0,5, 0,1) und drei verschiedenen sekundären Konsolidierungsverhältniswerten (0,0005, 0,0075, 0,001), wie links angeordnet: rechte bzw. mittlere Figur. Diese Zahl wurde mit Settle 3D (Version 2.0 URL: https://www.rocscience.com/software/settle3) generiert.

Primäre und sekundäre Siedlungsvariation im Zeitverlauf. Rechts: Die Rampenlasten A und B werden angewendet, um die Auswirkungen unterschiedlicher Urbanisierungslasten auf elastischen Boden zu berechnen. Bodenverdichtung, Hohlraumschließung und Entwässerung führen zu einer primären Setzung durch Gebäudelast, die hier für drei Hohlraumverhältniswerte über einen Zeitraum von 15 Jahren aufgetragen wurde. Links: Kombinierte Auswirkung des langfristigen Kriechprozesses, der primären Setzung für unterschiedliche Hohlraumverhältnisse und der sekundären konsolidierungsbedingten Setzung, berechnet für 100 Jahre. Diese Zahl wurde mit der grafischen Anwendung Grapher generiert (Version 16.6.478, URL: https://www.goldensoftware.com/products/grapher).

Um die dekadische Seismizitätsmodulation um den Aravalli-Delhi-Faltengürtel und die umliegende Region von Delhi darzustellen, haben wir einen nach Nachbeben erschöpften Umsiedlungskatalog (2000–2020) erstellt und die untere Grenze des Magnitudenschwellenwerts im Katalog (Mc = 2,5) geschätzt, die stabil bleibt Zeit während des Beobachtungszeitraums (beschrieben in Methoden). Abbildung 7 stellt eine zusammengesetzte Zeitreihe für den Zeitraum 2000–2015 dar, um (a) die aus der GRACE- und GLDAS-Beobachtung abgeleitete Grundwasserspeicheranomalie zu vergleichen; (b) beobachtete Oberflächenverformung zusammen mit hydrologischen Massenschwankungen, erfasst durch cGPS-Verschiebungen und satellitenbasierte hydrologische Modellvorhersage durch LSDM, (c) trendbereinigte kumulative Änderung der entsprechenden Seismizitätsraten für declustered-Katalog (M ≥ Mc), (d) regional saisonal Niederschläge und ihr Trend-Restmuster, (e) \(\Delta CFS\), hervorgerufen durch die Urbanisierungslast (unter Berücksichtigung von µ = 0,6) und (f) Effekt der Urbanisierung in Delhi und der primären Siedlungsrate. Die visuellen Inspektionen dieser zusammengesetzten Zeitreihen zeigen gute Korrelationen mit der kumulativen Änderung der dekadischen Seismizitätsrate rund um den Aravalli-Delhi-Faltengürtel. Es lässt sich feststellen, dass es ab 2010 zu einem deutlichen Rückgang der Seismizitätsrate kommt, mit einem zunächst stetigen Anstieg der Seismizitätsrate ab 2000. Diese dekadische Veränderung der Seismizitätsrate kann mit zwei Mechanismen in Verbindung gebracht werden, der dekadischen Veränderung des Grundwassers Speicheranomalie und die durch Gebäudelasten verursachte primäre Setzung, die beide die Stabilität von Kellerüberschiebungen modulieren. Der schnelle Rückgang der Grundwasserspeicheränderung (~ 1,9 ± 0,6 cm/Jahr) im Zeitraum 2003–2009 (Abb. 7), gefolgt von einem relativ stabilen Trend (0,02 ± 0,5 cm/Jahr) im Zeitraum 2010–2015, kann damit in Verbindung gebracht werden mit der Stabilität der Kellerverwerfung aufgrund der kombinierten Kontraktion des Grundwasserleiters und der Ausdehnung des Grundgesteins aufgrund des Grundwasserentzugs. Diese Mechanismen wirken zusammen, um das effektive Spannungsregime und die Seismizitätsrate auf den Kellerverwerfungen zu modulieren36. Die Veränderung der Grundwasserspeicherung geht auch mit einem raschen Rückgang der regionalen Niederschläge im Zeitraum 2003–2009 einher, gefolgt von einer erheblichen Wiederauffüllung des Grundwasserleiters im späteren Zeitraum (2010–2015) (Abb. 7). Was den zweiten Mechanismus anbelangt, so ist die Hinzufügung einer erheblichen vertikalen Belastung des Bodens während des schnellen Urbanisierungsprozesses zusammen mit zeitabhängigen nichtlinearen Effekten der Gebäudelast in der Lage, den Spannungszustand unter der Oberfläche durch Stabilisierung des Kellerschubs zu modulieren Störungen und Verringerung der Seismizitätsrate (Abb. 7, Abbildung S3). Daher ergänzen sich beide Mechanismen, dh Veränderung der Grundwasserspeicherung und Urbanisierung, und beide scheinen für die dekadische Seismizitätsmodulation rund um den Aravalli-Delhi-Faltengürtel von Bedeutung zu sein. Es ist jedoch schwierig, ihren relativen Beitrag zur Stabilität der Kellerverwerfung zu unterscheiden. Darüber hinaus muss der genaue Zeitrahmen der Wechselwirkung zwischen der Stabilisierung von Kellerverwerfungen und der Urbanisierung in Delhi noch weiter untersucht werden, da es schwierig ist, Aussagen zum zeitlichen Ausmaß des durch die Urbanisierung verursachten Stresses zu treffen, der zur Verringerung der Seismizitätsrate in den Kellerverwerfungen führte. Darüber hinaus erkennen wir an, dass die Seismizitätsrate der Region Delhi auch erhebliche saisonale Schwankungen im Jahresmaßstab aufweist; Das Seismizitätsniveau ist während des Zeitraums der saisonalen hydrologischen Belastung relativ niedrig (Abbildung S4).

Korrelation zwischen vertikaler Verschiebung von LSDM und GPS, Grundwasserspeicheranomalie, Seismizität und Niederschlag. Zeitreihendarstellung der vertikalen Verschiebung von LSDM und GPS an drei Standorten DNGD, NPGJ und DELH, Grundwasserspeicheranomalie, die aus den GRACE- und GLDAS-Beobachtungen in der Untersuchungsregion abgeleitet wurden. Beachten Sie den sinkenden Trend des Grundwasserspiegels (1,9 cm/Jahr) von 2002 bis 2009, gefolgt von einer Phase der Stabilität. Die kumulative Änderung der mit dem Aravalli-Delhi-Faltengürtel verbundenen Seismizität, CFS und regionalen Niederschläge werden in den unteren Feldern dargestellt. Gleichzeitig treten Neigungsverschiebungen bei der trendbereinigten kumulativen Seismizität, der Grundwasserspeicheranomalie, dem CFS und dem trendbereinigten kumulativen regionalen Niederschlag auf (markiert durch die orange Schattierung). Die rosa schattierte Region stellt die kumulative Flächenveränderung von 2000 bis 2015 dar, die einen schnellen Urbanisierungstrend in Delhi und der umliegenden Region von 2000 bis 2005 zeigt; Danach setzte sich der Trend fort. Beachten Sie einen raschen Anstieg der primären Urbanisierung im Zeitraum 2005–2009 (gekennzeichnet durch die grüne Schattierung). Die orange Schattierung stellt einen relativ stabilen Trend im Zeitraum 2010–2015 dar. Diese Zahl wurde mit der grafischen Anwendung Grapher generiert (Version 16.6.478, URL: https://www.goldensoftware.com/products/grapher).

Im Gegensatz zu anderen wahrnehmbaren Umweltveränderungen, die durch die Urbanisierung verursacht werden, sind Veränderungen im Untergrund schwieriger wahrzunehmen und zu beobachten. Allerdings beschränken sich die Auswirkungen der Veränderungen im Untergrund nicht auf die urbanisierte Region, sondern erstrecken sich auch auf Regionen darüber hinaus. Um die Hypothese zu testen, dass die schnelle Urbanisierung den Stresszustand unter der Oberfläche stört, wurden Merkmale einer mega-urbanisierten Region rund um Delhi untersucht. Basierend auf der obigen Analyse, den Modellierungsergebnissen zum Gewicht der Stadt und der Urbanisierung und der damit verbundenen Diskussion kann gefolgert werden, dass die dekadische Variation der Seismizitätsrate im Aravalli-Delhi-Faltengürtel und der umliegenden Region möglicherweise durch die schnelle Urbanisierung beeinflusst wurde prozess- und zeitabhängige nichtlineare Effekte der Gebäudelast sowie nichttektonische anthropogene Grundwasserförderung. Darüber hinaus spiegelt die Seismizitätsrate auf der Jahresskala auch saisonale Schwankungen wider, die durch den hydrologischen Belastungsprozess hervorgerufen werden. Obwohl der Verwerfungsmechanismus ein tektonisch kontrollierter Prozess ist und die genaue Rate der Akkumulation tektonischer Spannung aufgrund fehlender geophysikalischer Einschränkungen im Inneren der Aravalli-Delhi-Faltengürtelplatte unbekannt ist, argumentieren wir, dass die anhaltende tektonische Belastung während der interseismischen Phase vorliegt Der Erdbebenzyklus der Kellerverwerfungen im Aravalli-Delhi-Faltengürtel erfuhr in Abhängigkeit vom nichttektonischen Belastungs- (und Entladungs-)Prozess in verschiedenen Szenarien eine erhebliche horizontale Kompression (und Ausdehnung). Dies hat die säkulare interseismische Kompression in seismogener Tiefe in den letzten Jahrzehnten erheblich beeinflusst (Abb. 8). Es kann argumentiert werden, dass zu der säkularen interseismischen Kompression durch die regionale tektonische Belastung eine erhebliche Komponente der nichttektonischen horizontalen Kompression hinzukommt, die auf das umfangreiche Pumpen von Grundwasser über einen Zeitraum von Jahrzehnten und die saisonale Entladung über einen Zeitraum von einem Jahr zurückzuführen ist. Der daraus resultierende Nettoanstieg der horizontalen Kompression fördert die Destabilisierung der Verwerfung. Die schnelle Urbanisierung und zeitabhängige nichtlineare Effekte von Gebäudelasten fügen jedoch eine erhebliche Komponente der nichttektonischen horizontalen Ausdehnung zur säkularen interseismischen Kompression hinzu, wodurch die resultierende säkulare interseismische Kompression verringert und die Kellerverwerfungen im Aravalli-Delhi-Faltengürtel stabilisiert werden. Den gleichen Einfluss hat auch die Grundwasserneubildung im Zuge der Urbanisierung (Abb. 8).

Schematische Darstellung der Krustenbeladung und -entladung, Bodensenkung und Verwerfungen im Zusammenhang mit Grundwasserentnahme, Grundwasserneubildung, saisonaler Entladung und Urbanisierung. Der hellblaue Farbbereich zeigt den unbegrenzten Grundwasserleiter an. Die Kompression von Grundgesteinen in der Nähe von Standorten intensiver Pumptätigkeit begünstigt Rückverwerfungen. Krustenentladung aufgrund von Grundwasserentnahme und saisonaler Entladung führt zu einer Ausdehnung des Kellergewölbes, die eine horizontale Kompression (grüne Pfeile) auf angrenzende Verwerfungen ausüben kann, die weit vom Grundwasserleiter entfernt sind. Diese Kompression trägt zum langfristigen säkularen Rückgang bei (schwarze Pfeile). Grundwasserleiterauffüllungs- und Urbanisierungsprozesse führen zu einer Krustenbelastung, die zu einer horizontalen Ausdehnung (linkes und rechtes Bild) auf die Grundwasserleiter begrenzenden Verwerfungen führt. Diese Abbildung wurde mit der grafischen Anwendung Corel Draw (Version 22.2.0.532, URL: https://www.coreldraw.com/en) erstellt.

Im Rahmen der vorliegenden Studie berechnete Parsons4 den durch die Urbanisierung verursachten Spannungszustand unter der Oberfläche für eine entwickelte Region wie San Francisco, USA. Es wurde jedoch kein Zusammenhang zwischen dem Gewicht der Urbanisierung und der dekadischen Seismizitätsmodulation hergestellt. In ähnlicher Weise erörterte Lin25 die Belastung eines einzelnen Gebäudes, des Taipei 101 Tower, auf normale Verwerfungen und die damit verbundene Seismizität im Taipei-Becken, Taiwan. Es wurde berichtet, dass die seismische Energie und die Anzahl der Mikroerdbeben während des Baus des 508 m hohen Gebäudes über dem Taipeh-Becken leicht zuzunehmen begannen und nach Abschluss des Turmbaus stark anstiegen. Daher betrachten wir die vorliegende Studie als neu und wahrscheinlich als den ersten Bericht, der die direkten Auswirkungen der Urbanisierung auf die Krustenverformung und die damit verbundene Seismizitätsmodulation diskutiert. Wir räumen ein, dass es schwierig ist, die relativen Beiträge nichttektonischer Belastungen zur Kellerverwerfung zu kommentieren, aber dennoch lässt sich argumentieren, dass für Entwicklungsländer wie Indien die städtische Landausdehnung und das damit verbundene „Gewicht der Stadt“ offenbar eine Rolle spielen neue Schwerpunkte für das Verständnis des unterirdischen Spannungszustands und der Seismizitätsmodulation in der Region.

Der Schwerpunkt der Studie liegt auf der Hauptstadt Indiens, Neu-Delhi, und ihrer Umgebung mit der geografischen Ausdehnung von 28°–29,30° N und 76°–78° E (Abb. 1a). Von der Datenvorverarbeitung bis zur LUC-Genauigkeitsbewertung nutzten wir für unsere Analyse eine cloudbasierte Computerplattform – Google Earth Engine (GEE) – und unser lokales Computersystem. In beispiellosen Maßstäben parallelisiert GEE den Bildschirmkartenbereich, um intensive Cloud-Rechenprozesse wie auf maschinellem Lernen (ML) basierendes LUC62,63 zu ermöglichen. Durch die Übernahme des GEE-ML-Algorithmus wurde die Region seit 1990 in 5-Jahres-Intervallen mit primär dominanten LUC-Klassen der Stufe I mit einer Auflösung von 30 m unter Verwendung von Landsat TM, ETM + und OLI kartiert. Die Wahl dieser Klassifizierungsstufe war unterstützt durch die Auferlegung spektraler Signaturbeschränkungen auf verschiedenen Landsat-Plattformen63,64. Der hierarchische LUC der Region wurde durch fünf große Landbedeckungsklassen definiert: unfruchtbar (LUC unterscheidet sich spektral von den vorherrschenden Klassen und die Klasse umfasst unfruchtbares Land, permanentes Brachland, Feuchtgebiete usw.), bebaut (künstliche und unnatürliche Strukturen in städtische Zentren und ihre Puffergebiete), Ackerland (bewässerte oder regengespeiste Anbauflächen, einschließlich Brach- und Dauerflächen), Wald (einschließlich von Vegetation dominierter Gebiete mit Bäumen über 2 m Höhe; umfasst geschlossene, offene, gemischte, spärliche und verstreute Landtypen mit ≥ 20). % Überdachung) und Wasser (mehrjährige Binnengewässer). Um das Klassifizierungssystem für die geomechanische Analyse zu rationalisieren, wurden einige Unterklassen in Gruppen zusammengefasst. Beispielsweise wurden Grünland und Buschland in die Klasse „Wald“ und nichtperennierende Gewässer in die Klasse „Unfruchtbar“ eingeordnet. Trotz seiner hohen räumlichen Auflösung nutzte der LUC-Rahmen für seine robuste Auflösung und räumliche Konsistenz eine Kombination aus hochauflösenden Toposheets und räumlich expliziten sekundären Volkszählungsinformationen.

Um den Schwerpunkt weiterhin auf den LUC zu legen, haben wir in unserer Studie die auftretenden spektralen Effekte während der Vorverarbeitung beschnitten, wie z. B. Streu- und Absorptionseffekte, Sensorfehlanpassung, Footprint- und Erfassungsfehlanpassung usw.62,64,65. Aufgrund der höchsten Datenqualitätssicherung wurden für unsere Analyse daher nur die Oberflächenreflexionsdaten der Tier-1-Landsat-Szenen verwendet, die atmosphärisch korrigiert und topographisch, radiometrisch und geometrisch kalibriert wurden. Wir haben unsere Analyse mit dem etablierten Landsat-Datenverarbeitungsrahmen abgeglichen, der sich in vielen Studien widerspiegelt. Die kalibrierten Datensätze wurden harmonisiert, indem gesättigte Pixel, Wolken und Wolkenschatten maskiert wurden, um die spektrale Ähnlichkeit über mehrere Landsat-Sensoren hinweg aufrechtzuerhalten. Trotz des Ausfalls des Scanlinienkorrektors für die Landsat ETM+-Bilder korrigierte unsere Analyse die Szenen für das Jahr 2005 mit dem „USGS SLC-off Gap-Filling-Algorithmus“, um die zuverlässige Konsistenz des Zeitreihenvergleichs beizubehalten62,65. Um die Verzerrung in der Analyse zu minimieren, wurden die Datenpixel von der Analyse ausgeschlossen, wenn sie nicht in die Qualitätsflags passten. Studien zufolge sind jedoch 99 % der Datenprodukte der GEE-Plattform konsistenter als die herkömmlichen Datenplattformen. In jeder Analyseepoche (d. h. 1990, 1995, 2000, 2005, 2010, 2015 und 2020) wurden die Spektralbänder gestapelt und die Medianwerte für jedes Pixel berechnet. Abgesehen von den orthodoxen Bandkompositen (d. h. Blau, Grün, Rot, NIR, SWIR 1 und 2) wurden aus den übergeordneten Datenbändern abgeleitete Hilfsspektralindizes, nämlich der normalisierte Differenzaufbauindex (NDBI)66, der normalisierte Differenzvegetationsindex ( NDVI)62, verbesserter Vegetationsindex (EVI)67, bodenbereinigter Vegetationsindex (SAVI)68, normalisierter Differenzwasserindex (NDWI)69 und Landoberflächentemperatur (LST)70 wurden mit den Verbundwerkstoffen gestapelt, um die Klassifizierungsgenauigkeit zu verbessern.

Wir verwenden die Landbedeckungsklassifizierungsmethode „Random Forest“ (RF)62,64,71, die bisher zu den zuverlässigsten Algorithmen zählt und aufgrund ihrer Verarbeitungsgeschwindigkeit, Geräuschbehandlung und höheren Genauigkeit unter Forschern weit verbreitet ist. Für die Erstellung der Trainings- und Validierungsdatensätze wurde das vom Menschen interpretierte halbautomatische Zufallsstichprobenverfahren eingesetzt. Da es sich um Pseudo-Ground-Truth-Daten handelte, bestätigten wir, dass die Stichprobe in der gesamten Szene maximal geschichtet war. Die abgetasteten Spektralsignaturen wurden mithilfe der Verwaltungskarten der Toposheets der Vermessung Indiens gekennzeichnet. Um die zweifelhaften Proben und potenziellen Ausreißer zu eliminieren, wurden den Pseudo-Ground-Truth-Daten außerdem nicht überwachte, klassifizierte Spektralsignaturen überlagert62. Wir haben die ordinierten Stichproben ausgeschlossen, um die Klassifizierungsgenauigkeit möglicherweise zu verbessern. Um eine homogene räumliche Abdeckung zu untermauern, wurde eine abschließende visuelle Korrektur vorgenommen, indem die Ausreißer entfernt wurden. Die Spektralsignaturen der endgültigen Entscheidungsprobe betrugen 15.834, wobei 11.251 und 4.583 die Anzahl der Trainings- und Validierungsproben darstellten. Da die räumliche Autokorrelation eine Bedrohung für das Validierungsschema darstellt, bestätigen wir, wenn sich die Validierungssignaturen in unmittelbarer Nähe der Trainingssignaturen befinden, das Fehlen von Trainingsproben entfernt von den Validierungsproben bei einem Puffer von mindestens 100 m. Darüber hinaus wurden die Landsat-Szenen zur expliziten Validierung mithilfe eines hexagonalen Schemas aufgeteilt, wie es von Gong et al.72 vorgeschlagen wurde, indem die Probensignaturen proportioniert wurden.

Verwirrungsmatrizen (mit Berichten zur Gesamtgenauigkeit, Benutzergenauigkeit und Herstellergenauigkeit) sind die unter den Forschern am häufigsten verwendete Methode zur Genauigkeitsbewertung und wurden durch den Vergleich der Genauigkeit mehrerer LUC entwickelt. Leser werden auf die ausführliche Dokumentation zur Verwirrungsmatrix zur Genauigkeitsbewertung von Congalton73 verwiesen. Anhand der Validierungsstichproben wurden für jede Epoche unterschiedliche Genauigkeitsmetriken berechnet. Wie von Foody74 vorgeschlagen, stellen Verwirrungsmatrizen die Ergebnisse dar, indem sie die kleinen Genauigkeitsunterschiede vorab berücksichtigen. Der Kappa-Koeffizient (κ) wurde auch zur Beurteilung der Genauigkeit von LUC-Karten im Hinblick auf die statistische Stabilität verwendet. Dies ist insbesondere dann relevant, wenn mehrere Spektralsignaturen von Proben als Klassifikatoren verwendet werden, was bei uns nicht der Fall ist. Da es sich bei dem Thema um die städtische Landerweiterung handelte, wurde ein einziger Nachklassifizierungsprozess angewendet, um die zeitliche Verzerrung zu minimieren. Dabei wurden die Pixel außer der „bebauten Fläche“ neu klassifiziert und ausgeschlossen, um einen robusten zeitlichen Übergang zu gewährleisten und ihn über den Untergrund zu legen Stressregionen. Allerdings wurden die Klassifizierungsgenauigkeit und die LCC-Übergänge vor der Nachklassifizierung berechnet. Jede Validierungssignatur der „aufgebauten“ Klasse wurde visuell mit Google Earth überprüft, um die zeitliche Dynamik der Gebietsänderung zu verfolgen. Um die Verzerrung bei der Änderung der „aufgebauten“ Fläche abzufangen, wurde die fehlerbereinigte Fläche, wie von Olofsson et al.75 vorgeschlagen, mit ρ > 0,05 verwendet. Die Fehlerspanne und die Konfidenzintervalle bei der Landbedeckungsänderung wurden mithilfe einer Normalverteilungsfunktion berechnet, wie von Schmidt und McCullum76 vorgeschlagen:

Dabei ist σ der Standardfehler, \({W}_{i}\) das Stratum-Gewicht, \({\widehat{p}}_{ij}\) die pixelbasierte Fehlermatrix und \({n }_{i}\) ist jeweils die Anzahl der gesamten klassifizierten Punkte. Die Gesamtzahl der Klassen wird durch \(n\) dargestellt und \(j\) stellt den bereichsbasierten Fehlerindex verschiedener Klassen dar.

Die auf der Wasserbilanzmethode basierende jährliche Änderung der Grundwasserspeicherung wurde anhand von mehr als 15 Jahren Gravity Recovery and Earth Climate Experiment (GRACE) und Wassergehaltsdaten des Global Land Data Assimilation System (GLADS) geschätzt77,78,79,80,81. GRACE RL05-Daten mit einer räumlichen Auflösung von \((1^\circ \times 1^\circ )\), die für die Berechnung verwendet werden, werden von der National Aeronautics and Space Administration (NASA) auf der Grundlage sphärischer Harmonischer Lösungen des Jet Propulsion Laboratory (JPL) bereitgestellt ( https://grace.jpl.nasa.gov/). Wir haben die vier vertikalen Ebenen der monatlichen Bodenfeuchtigkeitsdaten von NASA GLDAS mit einer räumlichen Auflösung von \(\left(1^\circ \times 1^\circ \right),\) verwendet, die unter https://disc.gsfc.nasa verfügbar sind .gov/datasets?keywords=GLDAS, um die primäre Landoberflächenfluss- und Speicherkomponente für denselben Zeitraum wie die GRACE-Daten zu erhalten. Die Grundwasserspeicheränderung des gesamten terrestrischen Wasserspeichers kann aus den GRACE-Daten abgeschätzt werden. Dies wurde ausgedrückt als:

Dabei ist \(\Delta\) GW die Änderung der Grundwasserspeicherung. \(\Delta\) S, \(\Delta\) SWE, \(\Delta\) SW und \(\Delta\) SM stellen die Änderung der gesamten terrestrischen Wasserspeicherung, des Schneewasseräquivalents, der Oberflächenwasserspeicherung usw. dar Bodenfeuchtigkeit bzw. Die Anomalien der Änderungen des Schneewasseräquivalents, der Oberflächenwasserspeicherung und der Bodenfeuchtigkeit werden aus dem Noah-Landoberflächenmodell der NASA extrahiert. Monatliche Zeitreihen von \(\Delta\) GW werden verwendet, um die statistische Signifikanz des Trends mithilfe des nichtparametrischen Mann-Kendall-Tests82,83 zu bestimmen. Die präsentierten Ergebnisse sind bei einem Konfidenzniveau von 95 % signifikant (p < 0,05). Basierend auf den jeweiligen Fehlern der spezifischen Komponenten wird außerdem der Trendfehler der Grundwasserveränderung mithilfe des folgenden Ausdrucks geschätzt:

Dabei stellt \(\sigma\) den Ein-Sigma-Trendfehler in der im Index genannten Komponente dar.

Die global aktive Verformung des Bodens in bevölkerungsreichen Regionen wird häufig mithilfe der Messungen des interferometrischen Radars mit synthetischer Apertur (InSAR)84,85,86 geschätzt. Für die Erkennung von Oberflächenverformungen in weiten Bereichen mit hoher Genauigkeit und Präzision im mm-Bereich werden SAR-Sensoren im Allgemeinen allen anderen Techniken vorgezogen84,87,88,89. Zur Abschätzung der Oberflächensenkung über der Region Delhi werden 45 Cosmo-Skymed-Bilder verarbeitet, die zwischen dem 8. Juni 2011 und dem 15. November 2017 aufgenommen wurden. Wir haben die differenzielle InSAR-Technik übernommen, um die Bodenverschiebung in der Linie von zu quantifizieren. Sichtrichtung (LOS) des Satelliten, wodurch die Phasendifferenz zeitlich getrennter SAR-Bilder eingeschränkt wird. Mit dieser Technik wurde die Landsenkung über Delhi und der angrenzenden Region mit hoher Präzision kartiert und ist in Abb. 3c dargestellt.

Der Einfluss der berechneten Masse auf die elastische Kruste und die Verwerfungsstabilität wurde mithilfe des ΔCFS quantifiziert. Dazu wird die induzierte Spannung aus der vertikalen Linienlast (\({N}_{0}\) in N/m) an einem beliebigen Punkt (P) innerhalb eines homogenen elastischen Halbraums in einer bestimmten Tiefe geschätzt. Die drei Komponenten des 2-D-Spannungstensors (\({\tau }_{xx}\), \({\tau }_{zz}\), \({\tau }_{xz}\)) werden als Funktionen der geometrischen Position der Last dargestellt38,

wobei \({\theta }_{1}\) und \({\theta }_{2}\) die Winkel von beiden Kanten der Linienlast sind, gemessen im Uhrzeigersinn von der positiven x-Richtung, z ist positiv nach unten, und \(a\) ist die Breite der Last. Die Komponenten Scherung \({(\tau }_{s}\)) und Normalspannung \({(\tau }_{n}\)) werden auf einer Empfängerstörungsebene aufgelöst, die in einem Winkel von \(\ phi\) mit der Schlagrichtung senkrecht zur xz-Ebene:

Das \(\Delta CFS\) ist gegeben durch:

Dabei ist \(\mu\) der Fehlerreibungskoeffizient und \(\Delta p\) die Änderung des Porenflüssigkeitsdrucks.

Die Boussinesq-Gleichung ist der am häufigsten verwendete Ausdruck, um die durch eine vertikale Last induzierte Spannungsverteilung zu erhalten, vorausgesetzt, der Boden ist ein elastisches, isotropes und homogenes Medium. Das Settle 3D FEM-Modell60 verwendet die geschlossenen Ausdrücke der Spannungsprofile an der Ecke eines gleichmäßig belasteten rechteckigen Bereichs und liefert daher robustere Ergebnisse. Mit diesem FEM-Modellierungsansatz haben wir die Gesamtsetzung aufgrund der Gebäudelast abgeschätzt. Die Gesamtabwicklung ist die Summe der drei Komponenten Sofortabwicklung (Anfangsabwicklung), Abwicklung aufgrund der Konsolidierung (Primärabwicklung) und Sekundärabwicklung (Langfristige Abwicklung).

Die sofortige Setzung ist ein sofortiger Effekt aufgrund der aufgebrachten Last und wird als linear elastisch angenommen. Settle3D berechnet die Dehnung jedes Elements anhand des 1D-Elastizitätsmoduls und der effektiven Spannung, gegeben als:

Dabei ist \(v\) das Poisson-Verhältnis und \({E}_{o}\) der anfängliche elastische 1D-Modul (erzwungener Modul), \(\epsilon\) die vertikale Dehnung und \(\Delta \sigma\ ) ist die Änderung der gesamten vertikalen Spannung. Es wird davon ausgegangen, dass die Bodenfläche fest ist, und die Verschiebung des Elements über dem Boden ist gegeben durch:

wobei \({H}_{c}\) die Dicke der Bodenschicht ist. Die Setzung des Elements \({i}^{th}\) ergibt sich dann aus der Summe der Setzung des Elements unterhalb von \((i+1)\) und der Setzung des Sublayer-Elements:

Die primäre Setzung schreitet allmählich voran, indem die Hohlräume geschlossen werden und die effektive Spannung zunimmt. Der nichtlineare Materialmodul ist eine Funktion der Spannung. Das Verhältnis des Hohlraumvolumens zum Volumen der Feststoffe ist das Hohlraumverhältnis \(e={V}_{v}/{V}_{s}\). Die Vorverfestigungsspannung \({P}_{c}\) ist die maximale effektive Spannung, der eine Bodenschicht in der Vergangenheit ausgesetzt war. Der Hohlraumanteil und der Logarithmus der effektiven Spannungsbeziehung werden durch den Rekompressionsindex \({C}_{r}\) angegeben. Für die primäre Setzung kann die Änderung des Hohlraumverhältnisses \(\Delta e\) aus der anfänglichen effektiven Spannung \({\sigma }_{o}\) und der endgültigen effektiven Spannung \({\sigma }_{ f}\) wie folgt:

Die Beziehung zwischen der vertikalen Dehnung und dem Hohlraumverhältnis ist gegeben durch

wobei \({e}_{o}\) das anfängliche Hohlraumverhältnis ist. Dann ist die Dehnungsänderung gegeben durch:

Die sekundäre Setzung oder das Kriechen erfolgt bei einigen Bodentypen bei konstanter effektiver Belastung. Gebäude werden in der Regel auf Böden und gebrochenem Gestein errichtet. Während der Bauzeit und bis zum Abschluss der anfänglichen Verdichtungsphase nach dem Bau kommt es zu Setzungen des Bodens. Dieses zeitlich variierende Verhalten des Bodens unter Stress resultiert aus seiner Zusammensetzung und seinen konstitutiven Eigenschaften52.

Darüber hinaus ergibt sich die sekundäre Setzung des Bodens54 durch:

wobei der Sekundärkompressionskoeffizient \({C}_{a}{\prime}\) ist:

wobei \({t}_{1}\mathrm{und} {t}_{2}\) die Start- und Endzeiten der Siedlung sind, \({e}_{p}\) das Hohlraumverhältnis am Ende der primären Siedlung, und \({C}_{a}\)90 wird ausgedrückt als:

Der Fluss Yamuna entspringt am Yamunotri-Gletscher auf einer Höhe von 6330 m über dem mittleren Meeresspiegel (msl) im Mussorie-Gebirge. Nachdem er die Siwalik-Hügel durchquert hat, gelangt er von Tajewala (370 m über dem Meeresspiegel) zu seinem Zusammenfluss mit dem Ganges bei Allahabad (100 m über dem Meeresspiegel). Jha et al.91 schätzten, dass die Erosionsrate in der stromaufwärts gelegenen Region von Yamuna bei Baghpat durchschnittlich etwa 2178 t/km2/Jahr beträgt und flussabwärts nahe der Mündung in den Ganges bei Allahabad auf 308 t/km2/Jahr abnimmt. Die Breite von Yamuna in Delhi variiert an mehreren Stellen, da Gurusamy und Jayaraman92 sie auf 255,9 m bei Yamuna-Staudamm (Delhi), 193,8 m bei Eisenbahnbrücke, 309,6 m bei Nizamuddin-Brücke und 418,3 m bei Noida-Mautbrücke geschätzt haben. Um den Einfluss der Sedimenterosion durch den Yamuna-Fluss auf die Spannungsmodulation unter der Oberfläche in der umliegenden Region Delhi abzuschätzen, haben wir das \(\Delta CFS\) mit der oben genannten Methode berechnet, wobei die Erosionsrate von 2178 t/km2/Jahr umgerechnet wurde zur Entlastung einer Linienlast und wurde über die 60° einfallende Kellerverwerfung unter Verwendung von zwei Werten des Reibungskoeffizienten gelöst: 0,3 und 0,6. Das geschätzte \(\Delta CFS\) liegt in der Größenordnung von 10−5 Pa, was im Vergleich zu der durch die anthropogene Urbanisierung verursachten Stressveränderung in der umliegenden Region Delhi unbedeutend ist.

Um die Oberflächenverformung abzuschätzen, die durch saisonale hydrologische Massenschwankungen an cGPS-Standortkoordinaten verursacht wird, berücksichtigen wir die elastischen Belastungsmodelle sowohl aus boden- als auch satellitengestützten hydrologischen Analysen, z. B. das Land Surface Discharge Model (LSDM). Wir haben das vom GFZ bereitgestellte hydrologische LSDM-Modell berücksichtigt (http://rz-vm115.gfz-potsdam.de:8080/repository). Die hydrologische Belastung stammt aus der hydrologischen LSDM-Version v1.3, die 24-Stunden-Schätzungen der Bodenfeuchtigkeit, des Schnees und der Oberflächenwassermasse in Flüssen und Seen in einem regelmäßigen Raster von 0,5° × 0,5°93 enthält. Die hydrologisch induzierte elastische Oberflächenverformung wird durch Faltung der Farrell-Green-Funktion mit den modellierten hydrologischen Massenverteilungen aus dem LSDM berechnet. Die elastische Verformung wurde im Zentrum des Erdrahmens (cF) berechnet, die der Verformung auf saisonalen und kürzeren Zeitskalen94 und auf der Grundlage der Last-Love-Zahlen für das elastische Erdstrukturmodell „ak135“95 genau folgt. Alle cGPS-Zeitreihen aus der umliegenden Region Delhi können unter http://geodesy.unr.edu/NGLStationPages/gpsnetmap/GPSNetMap.html abgerufen werden. Die in diesem Artikel und in Abb. 7 verwendeten Niederschlagsdaten können vom Global Precipitation Climatological Center (GPCC, http://www.esrl.noaa.gov/psd/) bezogen werden.

Um diese Beobachtungen aussagekräftiger zu machen, haben wir unter der Kontrolle des National Centre of Seismology (NCS), Delhi, unter Verwendung des Declustering-Ansatzes96 einen Katalog verlagerter Erdbeben durch Nachbeben für die Jahre 2000 bis 2020 erstellt. Um die Vollständigkeit des Katalogs (Mc) zu ermitteln, haben wir die Gutenberg-Richter-Beziehung des Rohkatalogs der Region während des Untersuchungszeitraums (2000–2020) mithilfe eines Maximum-Likelihood-Ansatzes analysiert97. Wir stellen fest, dass der untere Größenschwellenwert (Mc = 2,5) im Katalog während des Beobachtungszeitraums über die Zeit stabil bleibt (Abbildung S5). Die Erdbebenkatalogdaten können von NCS heruntergeladen werden, verfügbar unter https://seismo.gov.in.

Alle in dieser Studie verwendeten Daten und rechnerischen Analysen werden im Text und in den Begleitdokumenten dargestellt. Die in dieser Studie verwendeten Satellitendatensätze sind über die Cloud-Plattform Google Earth Engine im Rahmen der Open-Data-Richtlinie des Landsat-Programms des US Geological Survey frei zugänglich. Verwaltungskarten der Vermessung von Indien-Topoblättern (1:50.000) sind unter https://soinakshe.uk.gov.in/ frei zugänglich. Die in diesem Artikel verwendeten Niederschlagsdaten können im Global Precipitation Climatological Center (GPCC, http://www.esrl.noaa.gov/psd/) archiviert werden. GPS-Zeitreihen aus der Umgebung von Delhi können unter http://geodesy.unr.edu/NGLStationPages/gpsnetmap/GPSNetMap.html archiviert werden. Für die Setzungsanalyse verwendeten wir den FEM-Simulator Settel3D (https://www.rocscience.com/). Die Erdbebendaten von NCS sind unter https://seismo.gov.in/ verfügbar. Alle anderen relevanten Daten sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Chen, G. et al. Globale Prognosen der zukünftigen städtischen Landausweitung unter gemeinsamen sozioökonomischen Pfaden. Nat. Komm. 11, 1–12. https://doi.org/10.1038/s41467-020-14386-x (2020).

Artikel CAS Google Scholar

Mahtta, R. et al. Städtische Landerweiterung: Die Rolle des Bevölkerungs- und Wirtschaftswachstums für über 300 Städte. npj Urban Sustain. 2, 1–11. https://doi.org/10.1038/s42949-022-00048-y (2022).

Artikel Google Scholar

van Vliet, J. (2019) Direkter und indirekter Verlust von Naturflächen durch Stadterweiterung. Nat. Aufrechterhalten. 28(2), 755–763. https://doi.org/10.1038/s41893-019-0340-0 (2019).

Artikel Google Scholar

Parsons, T. Das Gewicht der Städte: Urbanisierungseffekte auf den Untergrund der Erde. AGU Adv. 2, e2020AV000277. https://doi.org/10.1029/2020AV000277 (2021).

Artikel ADS Google Scholar

Bren d'Amour, C. et al. Zukünftige städtische Landausdehnung und Auswirkungen auf globale Ackerflächen. Proz. Natl. Acad. Wissenschaft. 114, 8939–8944. https://doi.org/10.1073/pnas.1606036114 (2017).

Artikel ADS CAS PubMed Google Scholar

Gao, J. & O'Neill, BC Kartierung globaler Stadtflächen für das 21. Jahrhundert mit datengesteuerten Simulationen und gemeinsamen sozioökonomischen Pfaden. Nat. Komm. 11, 1–12. https://doi.org/10.1038/s41467-020-15788-7 (2020).

Artikel CAS Google Scholar

Huang, Q. et al. Muster und Verteilungen der Stadterweiterung in globalen Wassereinzugsgebieten. Die Zukunft der Erde. 9, e2021EF002062. https://doi.org/10.1029/2021EF002062 (2021).

Artikel ADS Google Scholar

Li, Die Zukunft der Erde. 7, 351–362. https://doi.org/10.1029/2019EF001152 (2019).

Artikel ADS Google Scholar

Angel, S., Parent, J., Civco, DL, Blei, A. & Potere, D. Die Dimensionen der globalen Stadterweiterung: Schätzungen und Prognosen für alle Länder, 2000–2050. Prog. Plann. 75, 53–107. https://doi.org/10.1016/J.PROGRESS.2011.04.001 (2011).

Artikel Google Scholar

Seto, KC, Güneralp, B. & Hutyra, LR Globale Prognosen der Stadterweiterung bis 2030 und direkte Auswirkungen auf Biodiversität und Kohlenstoffspeicher. Proz. Natl. Acad. Wissenschaft. 109, 16083–16088. https://doi.org/10.1073/pnas.1211658109 (2012).

Artikel ADS PubMed PubMed Central Google Scholar

Hari, M. & Tyagi, B. Terrestrischer Kohlenstoffkreislauf: Wendepunkt des Klimawandels zwischen Atmosphäre und Biosphärenökosystemen. Umgebung. Wissenschaft. Atmosphäre. 2, 867–890. https://doi.org/10.1039/D1EA00102G (2022).

Artikel Google Scholar

Simkin, RD, Seto, KC, McDonald, RI & Jetz, W. Auswirkungen der bis 2050 prognostizierten städtischen Landerweiterung auf die biologische Vielfalt und den Naturschutz. Proc. Natl. Acad. Wissenschaft. 119, e2117297119. https://doi.org/10.1073/pnas.2117297119 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Foulger, GR, Wilson, MP, Gluyas, JG, Julian, BR & Davies, RJ Globaler Überblick über vom Menschen verursachte Erdbeben. Erdwissenschaften. Rev. 178, 438–514. https://doi.org/10.1016/j.earscirev.2017.07.008 (2018).

Artikel ADS Google Scholar

Wilson, MP, Foulger, GR, Gluyas, JG, Davies, RJ & Julian, BR HiQuake: Die Datenbank für vom Menschen verursachte Erdbeben. Seismol. Res. Lette. 88, 1560–1565. https://doi.org/10.1785/0220170112 (2017).

Artikel Google Scholar

Dana, S., Zhao, J. Comput. Physik. 466, 111405. https://doi.org/10.1016/j.jcp.2022.111405 (2022).

Artikel MathSciNet MATH Google Scholar

Bubshait, A. & Jha, B. Wiederholung der Azle-Seismizität 2013–2014, um die Rolle der Barnett-Produktion auf die Spannungsausbreitung und Verwerfungsstabilität zu verstehen. Geophysik 87, M127–M149. https://doi.org/10.1190/geo2021-0317.1 (2022).

Artikel Google Scholar

Zhao, X. & Jha, B. Diagnostische und prädiktive Analyse der produktions- und einspritzinduzierten Fehleraktivierung. Int. J. Numer. Anal. Methoden Geomech. 46, 392–415. https://doi.org/10.1002/NAG.3304 (2022).

Artikel Google Scholar

Zhao, J. Comput. Physik. 433, 110178. https://doi.org/10.1016/j.jcp.2021.110178 (2021).

Artikel MathSciNet MATH Google Scholar

Zhao, J. Geophys. Res. Feste Erde 124(7), 6359–6375. https://doi.org/10.1029/2019JB017298 (2019).

Artikel CAS Google Scholar

Dong, L., Pei, Z., Xie, X., Zhang, Y. & Yan, X. Frühzeitige Identifizierung abnormaler Regionen im Gestein mithilfe der Laufzeittomographie. Ingenieurwesen 22, 191–200. https://doi.org/10.1016/j.eng.2022.05.016 (2022).

Artikel Google Scholar

Dong, L. & Luo, Q. Untersuchungen und neue Erkenntnisse zur Erdbebenmechanik aus Fehlerschlupfexperimenten. Erdwissenschaften. Rev. 228, 104019 (2022).

Artikel Google Scholar

Barberio, MD et al. Neue Beobachtungen der Grundwasserreaktionen auf die weltweite Seismizität in Mittelitalien. Wissenschaft. Rep. 10, 1–10. https://doi.org/10.1038/s41598-020-74991-0 (2020).

Artikel CAS Google Scholar

Yu, H., Harrington, RM, Liu, Y. & Wang, B. Induzierte Seismizität durch Flüssigkeitsdiffusion, nachgewiesen durch eine Nahfeld-Überwachungsanordnung für hydraulische Stimulation im Montney Basin, British Columbia. J. Geophys. Res. Feste Erde 124, 4694–4709. https://doi.org/10.1029/2018JB017039 (2019).

Artikel ADS Google Scholar

Schultz, R. et al. Durch hydraulische Frakturierung verursachte Seismizität. Rev. Geophys. 58, 1–43. https://doi.org/10.1029/2019RG000695 (2020).

Artikel Google Scholar

Lin, C.-H. Anstieg der Seismizität nach dem Bau des höchsten Gebäudes der Welt: Eine aktive blinde Verwerfung unter dem Taipei 101. Geophys. Res. Lette. 32, (2005) https://doi.org/10.1029/2005GL024223.

Klose, CD Hinweise auf anthropogene Oberflächenbelastung als Auslösemechanismus des Wenchuan-Erdbebens 2008. Umgebung. Erdwissenschaft. 66, 1439–1447. https://doi.org/10.1007/s12665-011-1355-7 (2012).

Artikel ADS CAS Google Scholar

Hu, X., Xue, L., Bürgmann, R. & Fu, Y. Stressstörungen durch hydrologische und industrielle Belastungen und Seismizität in der Salt Lake City-Region. J. Geophys. Res. Feste Erde 126, e2021JB022362. https://doi.org/10.1029/2021JB022362 (2021).

Artikel ADS Google Scholar

Qian, Y. et al. Ein extrem flaches Schubbeben der Stärke Mw4,1 im östlichen Sichuan-Becken (China), wahrscheinlich ausgelöst durch Entladen während des Infrastrukturbaus. Geophys. Res. Lette. 46, 13775–13784. https://doi.org/10.1029/2019GL085199 (2019).

Artikel ADS Google Scholar

BIS (Bureau of Indian Standards). im Verhaltenskodex für Bemessungslasten (außer Erdbeben) für Gebäude und Bauwerke, Teil 2: Auferlegte Lasten. IS 875 (Teil 2) – 1987.

Malik, K., Kumar, D., Perissin, D. & Pradhan, B. Schätzung der Bodensenkung in Neu-Delhi, Indien mithilfe der PS-InSAR-Technik und Multisensor-Radardaten. Adv. Sp. Res. 69, 1863–1882. https://doi.org/10.1016/j.asr.2021.08.032 (2022).

Artikel Google Scholar

Sharma, R. Cratons and Fold Belts of India Cratons of the Indian Shield (Springer, 2012).

Google Scholar

Shukla, AK, Prakash, R., Singh, RK, Mishra, PS & Bhatnagar, AK Seismotektonische Auswirkungen der Region Delhi durch Lösungen von Verwerfungsebenen einiger neuerer Erdbeben. Curr. Wissenschaft. 93, 1848–1853 (2007).

Google Scholar

Yadav, RK, Martin, SS & Gahalaut, VK Intraplate-Seismizität und Erdbebengefahr im Aravalli-Delhi-Faltengürtel Indien. J. Erdsystem. Wissenschaft. 131, 204. https://doi.org/10.1007/s12040-022-01957-3 (2022).

Artikel ADS Google Scholar

Kaul, BL & Pandit, MK Morphotektonische Bewertung der Region Delhi in Nordindien und ihre Bedeutung für das Umweltmanagement. Umgebung. Geol. 46, 1118–1122. https://doi.org/10.1007/s00254-004-1111-3 (2004).

Artikel Google Scholar

Chatterjee, R. et al. Dynamische Grundwasserressourcen des National Capital Territory, Delhi: Bewertungs-, Entwicklungs- und Managementoptionen. Umgebung. Erdwissenschaft. 59, 669–686. https://doi.org/10.1007/s12665-009-0064-y (2009).

Artikel ADS Google Scholar

Tiwari, DK, Jha, B., Kundu, B., Gahalaut, VK & Vissa, NK Grundwasserentnahme-induzierte Seismizität in der Region Delhi, Indien. Wissenschaft. Rep. 11, 10097. https://doi.org/10.1038/s41598-021-89527-3 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Segall, P. Erdbeben ausgelöst durch Flüssigkeitsextraktion. Geology 17, 942–946 (1989).

2.3.CO;2" data-track-action="article reference" href="https://doi.org/10.1130%2F0091-7613%281989%29017%3C0942%3AETBFE%3E2.3.CO%3B2" aria-label="Article reference 37" data-doi="10.1130/0091-7613(1989)0172.3.CO;2">Artikel ADS Google Scholar

Jaeger, JC, Cook, NGWA & Zimmerman, RW Fundamentals of Rock Mechanics (Blackwell Publishing Ltd, 2007).

Google Scholar

Thomas, AM, Nadeau, RM & Bürgmann, R. Tremor-Gezeiten-Korrelationen und nahezu lithostatischer Porendruck auf der tiefen San-Andreas-Verwerfung. Natur 462, 1048–1051. https://doi.org/10.1038/nature08654 (2009).

Artikel ADS CAS PubMed Google Scholar

Hainzl, S., Kraft, T., Wassermann, J., Igel, H. & Schmedes, E. Hinweise auf durch Regen ausgelöste Erdbebenaktivität. Geophys. Res. Lette. 33, L19303. https://doi.org/10.1029/2006GL027642 (2006).

Artikel ADS Google Scholar

Kundu, B., Vissa, NK & Gahalaut, VK Einfluss der anthropogenen Grundwasserentladung in indogangetischen Ebenen auf das Erdbeben mit Mw 7,8 in Gorkha, Nepal, am 25. April 2015. Geophys. Res. Lette. 42, 10607–10613. https://doi.org/10.1002/2015GL066616 (2015).

Artikel ADS Google Scholar

Peng, Z., Vidale, JE, Wech, AG, Nadeau, RM & Creager, KC Fernauslösung von Beben entlang der San-Andreas-Verwerfung in Zentralkalifornien. J. Geophys. Res. Feste Erde 114, B00A06 (2009).

Artikel ADS Google Scholar

Gomberg, J. Lehren aus (ausgelöstem) Tremor. J. Geophys. Res. Feste Erde 115, B10302. https://doi.org/10.1029/2009JB007011 (2010).

Artikel ADS Google Scholar

Pollitz, FF, Wech, A., Kao, H. & Bürgmann, R. Jährliche Modulation des nicht-vulkanischen Zitterns im nördlichen Kaskadien. J. Geophys. Res. Feste Erde 118, 2445–2459. https://doi.org/10.1002/jgrb.50181 (2013).

Artikel ADS Google Scholar

Ziv, A. & Rubin, AM Statische Stressübertragung und Erdbebenauslösung: Keine untere Schwelle in Sicht?. J. Geophys. Res. Feste Erde 105, 13631–13642. https://doi.org/10.1029/2000jb900081 (2000).

Artikel Google Scholar

Huang, Y., Beroza, GC & Ellsworth, WL Stressabfallschätzungen potenziell induzierter Erdbeben in der Guy-Greenbrier-Sequenz. J. Geophys. Res. Feste Erde 121, 6597–6607. https://doi.org/10.1002/2016JB013067 (2016).

Artikel ADS Google Scholar

Hardebeck, JL Sind die Spannungsabfälle bei kleinen Erdbeben gute Prädiktoren für die Spannungsabfälle bei mittelschweren bis großen Erdbeben? J. Geophys. Res. Solid Earth 125, e2019JB018831. https://doi.org/10.1029/2019JB018831 (2020).

Artikel ADS Google Scholar

Steer, P., Simoes, M., Cattin, R. & Shyu, JBH Erosion beeinflusst die Seismizität aktiver Überschiebungen. Nat. Komm. 5, 1–7. https://doi.org/10.1038/ncomms6564 (2014).

Artikel CAS Google Scholar

Calais, E., Freed, AM, Van Arsdale, R. & Stein, S. Auslösung der Seismizität von New Madrid durch spätpleistozäne Erosion. Natur 466, 608–611. https://doi.org/10.1038/nature09258 (2010).

Artikel ADS CAS PubMed Google Scholar

Srinivas, D., Srinagesh, D., Chadha, RK & Ravi Kumar, M. Variationen der Sedimentdicke im indo-gangetischen Vortiefengebiet aufgrund der Umkehrung der Empfängerfunktionen. Stier. Erdbeben Mol. Soc. Bin. 103, 2257–2265. https://doi.org/10.1785/0120120046 (2013).

Artikel Google Scholar

Taylor, DW Grundlagen der Bodenmechanik. Bodenwissenschaft. 66, 161 (1948).

Artikel ADS Google Scholar

Liingaard, M., Augustesen, A., Lade, PV & Asce, M. Charakterisierung von Modellen für zeitabhängiges Verhalten von Böden. Int. J. Geomech. 4, 157–177. https://doi.org/10.1061/(ASCE)1532-3641(2004)4:3(157) (2004).

Artikel Google Scholar

Mesri, G. & Vardhanabhuti, B. Sekundärkompression. J. Geotech. Geoumgebung. Ing. 131, 398–401. https://doi.org/10.1061/(ASCE)1090-0241(2005)131:3(398) (2005).

Artikel Google Scholar

Buisman, AS Ergebnisse von Langzeit-Setzungstests. in Proc. 1. ICSMFE Bd. 1 103–107 (1936).

Hsiao, DH & Phan, VTA Auswirkungen des Schlammgehalts auf die statischen und dynamischen Eigenschaften von Sand-Schlamm-Mischungen. Geomech. Ing. 7, 297–316 (2014).

Artikel Google Scholar

Hanumantharao, C. & Ramana, GV Dynamische Bodeneigenschaften für die Mikrozonierung von Delhi, Indien. J. Erdsystem. Wissenschaft. 117, 719–730. https://doi.org/10.1007/s12040-008-0066-2 (2008).

Artikel ADS Google Scholar

Hough, BK Grundlegende Bodentechnik. Bodenmechaniker Gefunden. Ing. 3, 145–145. https://doi.org/10.1007/BF01703491 (1966).

Artikel Google Scholar

Carter, M. & Bentley, SP in Correlations of Soil Properties 1–160 (1991).

Day, RW Foundation Engineering Handbook (The McGraw-Hill Companies Inc., 2005).

Google Scholar

Rocscience, I. in Settle3D. Abrechnungs- und Konsolidierungsanalyse. Rocscience Inc.

Shahir, H., Pak, A., Taiebat, M. & Jeremić, B. Bewertung der Variation der Permeabilität in verflüssigbarem Boden unter Erdbebenbelastung. Berechnen. Geotechnik. 40, 74–88. https://doi.org/10.1016/j.compgeo.2011.10.003 (2012).

Artikel Google Scholar

Hari, M., Srinivasan, S., Rajasekaran, A. & Tyagi, B. Kartierung des oberirdischen Kohlenstoffbestands über der Biosphäre von Coimbatore und Nilgiris: Eine Schlüsselquelle für die C-Senke. Kohlenstoffmanagement 12, 411–428 (2021).

Artikel CAS Google Scholar

Li, W. et al. Integration von Google Earth-Bildern mit Landsat-Daten zur Verbesserung der Landbedeckungskartierung mit einer Auflösung von 30 m. Fernerkundung. Umwelt. 237, 111563. https://doi.org/10.1016/J.RSE.2019.111563 (2020).

Artikel ADS Google Scholar

Noi Phan, T., Kuch, V. & Lehnert, LW Landbedeckungsklassifizierung mit Google Earth Engine und Random Forest Classifier – die Rolle der Bildkomposition. Remote Sens. 12, 2411. https://doi.org/10.3390/RS12152411 (2020).

Artikel ADS Google Scholar

Hari, M., Tyagi, B., Huddar, MSK & Harish, A. Satellitenbasierte regionale Evapotranspirationsschätzungskartierung der Reisschüssel von Tamil Nadu: Ein bisschen Wasser übrig*. Bewässerung. Abfluss. 70, 958–975. https://doi.org/10.1002/IRD.2553 (2021).

Artikel Google Scholar

Guha, S., Govil, H., Dey, A. & Gill, N. Analytische Untersuchung der Landoberflächentemperatur mit NDVI und NDBI unter Verwendung von Landsat 8 OLI- und TIRS-Daten in Florenz und Neapel, Italien. EUR. J. Remote Sens. 51, 667–678 (2018).

Artikel Google Scholar

Carlson, TN & Ripley, DA Zur Beziehung zwischen NDVI, fraktioneller Vegetationsbedeckung und Blattflächenindex. Fernerkundung. Umwelt. 62, 241–252. https://doi.org/10.1016/S0034-4257(97)00104-1 (1997).

Artikel ADS Google Scholar

Huete, AR Ein bodenbereinigter Vegetationsindex (SAVI). Fernerkundung. Umwelt. 25, 295–309. https://doi.org/10.1016/0034-4257(88)90106-X (1988).

Artikel ADS Google Scholar

Li, W. et al. Ein Vergleich der Landoberflächenwasserkartierung unter Verwendung des normalisierten Differenzwasserindex von TM, ETM+ und ALI. Remote Sens. 5, 5530–5549. https://doi.org/10.3390/RS5115530 (2013).

Artikel ADS Google Scholar

Sobrino, JA, Jiménez-Muñoz, JC & Paolini, L. Abfrage der Landoberflächentemperatur von LANDSAT TM 5. Remote Sens. Environ. 90, 434–440. https://doi.org/10.1016/J.RSE.2004.02.003 (2004).

Artikel ADS Google Scholar

Venter, ZS & Sydenham, MAK Landbedeckungskartierung im kontinentalen Maßstab mit einer Auflösung von 10 m über Europa (Elc10). Remote Sens. 13, 2301. https://doi.org/10.3390/RS13122301/S1 (2021).

Artikel ADS Google Scholar

Gong, P. et al. Beobachtung und Überwachung der globalen Landbedeckung mit feinerer Auflösung: Erste Kartierungsergebnisse mit Landsat TM- und ETM+-Daten. Int. J. Remote Sens. 34, 2607–2654 (2013).

Artikel Google Scholar

Congalton, RG Ein Überblick über die Beurteilung der Genauigkeit von Klassifizierungen von Fernerkundungsdaten. Fernerkundung. Umwelt. 37, 35–46. https://doi.org/10.1016/0034-4257(91)90048-B (1991).

Artikel ADS Google Scholar

Foody, GM Bewertung der Genauigkeit von Landbedeckungsänderungen anhand unvollständiger Bodenreferenzdaten. Fernerkundung. Umwelt. 114, 2271–2285. https://doi.org/10.1016/J.RSE.2010.05.003 (2010).

Artikel ADS Google Scholar

Olofsson, P., Foody, GM, Stehman, SV & Woodcock, CE Bessere Nutzung von Genauigkeitsdaten in Landveränderungsstudien: Schätzung von Genauigkeit und Fläche und Quantifizierung der Unsicherheit mithilfe geschichteter Schätzungen. Fernerkundung. Umwelt. 129, 122–131. https://doi.org/10.1016/J.RSE.2012.10.031 (2013).

Artikel ADS Google Scholar

Schmidt, C. & McCullum, A. in der Genauigkeitsbewertung einer Landbedeckungsklassifizierung. NASA-Trainingsprogramm für angewandte Fernerkundung (ARSET). https://appliedsciences.nasa.gov/join-mission/training/english/arset-accuracy-assessment-land-cover-classification.

Kundu, B. et al. Einfluss des anthropogenen Grundwasserpumpens auf das Erdbeben an der iranisch-irakischen Grenze vom 12. November 2017 der Stärke M7.3. Geophys. J. Int. 218, 833–839. https://doi.org/10.1093/gji/ggz195 (2019).

Artikel ADS Google Scholar

Rodell, M., Velicogna, I. & Famiglietti, JS Satellitenbasierte Schätzungen der Grundwasserverarmung in Indien. Natur 460, 999–1002. https://doi.org/10.1038/nature08238 (2009).

Artikel ADS CAS PubMed Google Scholar

Syed, TH, Famiglietti, JS, Rodell, M., Chen, J. & Wilson, CR Analyse der Änderungen der terrestrischen Wasserspeicherung durch GRACE und GLDAS. Wasserressource. Res. 44, 2433. https://doi.org/10.1029/2006WR005779 (2008).

Artikel ADS Google Scholar

Asoka, A., Gleeson, T., Wada, Y. & Mishra, V. Relativer Beitrag von Monsunniederschlägen und Pumpen zu Veränderungen der Grundwasserspeicherung in Indien. Nat. Geosci. 10, 109–117. https://doi.org/10.1038/ngeo2869 (2017).

Artikel ADS CAS Google Scholar

Vissa, NK, Anandh, PC, Behera, MM & Mishra, S. ENSO-induzierte Grundwasserveränderungen in Indien, abgeleitet von GRACE und GLDAS. J. Erdsystem. Wissenschaft. 128, 115. https://doi.org/10.1007/s12040-019-1148-z (2019).

Artikel ADS Google Scholar

Mann, HB Nichtparametrische Tests gegen den Trend. Econmetrica 13, 245. https://doi.org/10.2307/1907187 (1945).

Artikel MathSciNet MATH Google Scholar

Sen, PK Schätzungen des Regressionskoeffizienten basierend auf Kendalls Tau. Marmelade. Stat. Assoc. 63, 1379–1389 (1968).

Artikel MathSciNet MATH Google Scholar

Abidin, HZ et al. Zur Integration geodätischer Beobachtungsergebnisse zur Bewertung des Risikos von Bodensenkungen in städtischen Gebieten Indonesiens. In IAG 150 Years: Proceedings of the IAG Scientific Assembly in Potsdam, Deutschland, 2013 (Hrsg. Rizos, C. & Willis, P.) 435–442 (Springer International Publishing, 2016). https://doi.org/10.1007/1345_2015_82.

Kapitel Google Scholar

Chen, G. et al. Erkennung von Landsenkungen im Zusammenhang mit Landbildung und rascher Urbanisierung im chinesischen Lössplateau mithilfe der Zeitreihe InSAR: Eine Fallstudie des neuen Bezirks Lanzhou. Remote Sens. 10, 270. https://doi.org/10.3390/RS10020270 (2018).

Artikel ADS Google Scholar

He, Y. et al. TS-InSAR-Analyse zur Überwachung der Bodenverformung im Lanzhou New District, dem Lössplateau Chinas, von 2017 bis 2019. AdSpR 67, 1267–1283. https://doi.org/10.1016/J.ASR.2020.11.004 (2021).

Artikel ADS Google Scholar

Galloway, DL & Burbey, TJ Rezension: Regionale Landsenkungen, die mit der Grundwasserentnahme einhergehen. Hydrogeol. J. 19, 1459–1486. https://doi.org/10.1007/s10040-011-0775-5 (2011).

Artikel ADS Google Scholar

Chaussard, E., Wdowinski, S., Cabral-Cano, E. & Amelung, F. Landsenkung in Zentralmexiko, nachgewiesen durch ALOS InSAR-Zeitreihen. Fernerkundung. Umwelt. 140, 94–106. https://doi.org/10.1016/J.RSE.2013.08.038 (2014).

Artikel ADS Google Scholar

Wasowski, J. & Bovenga, F. Untersuchung von Erdrutschen und instabilen Hängen mit multitemporaler Satelliteninterferometrie: Aktuelle Probleme und Zukunftsperspektiven. Ing. Geol. 174, 103–138. https://doi.org/10.1016/J.ENGGEO.2014.03.003 (2014).

Artikel Google Scholar

Mesri, G. Koeffizient der Sekundärkompression. J. Boden Mech. Gefunden. Abt. 99, 123–137 (1973).

Artikel Google Scholar

Jha, PK, Vaithiyanathan, P. & Subramanian, V. Mineralogische Eigenschaften der Sedimente eines Himalaya-Flusses: Yamuna-Fluss – ein Nebenfluss des Ganges. Umgebung. Geol. 22, 13–20. https://doi.org/10.1007/BF00775279 (1993).

Artikel ADS CAS Google Scholar

Gurusamy, S. & Jayaraman, G. Hochwasserüberschwemmungssimulation im Flusseinzugsgebiet mithilfe eines Flachwassermodells: Anwendung auf den Fluss Yamuna, Region Delhi. Int. J. Adv. Ing. Wissenschaft. Appl. Mathematik. 4, 250–259. https://doi.org/10.1007/s12572-012-0053-3 (2012).

Artikel Google Scholar

Dill, R. & Dobslaw, H. Numerische Simulationen hochauflösender hydrologischer Krustenverformungen im globalen Maßstab. J. Geophys. Res. Feste Erde 118, 5008–5017. https://doi.org/10.1002/jgrb.50353 (2013).

Artikel ADS Google Scholar

Dong, D., Yunck, T. & Heflin, M. Ursprung des internationalen terrestrischen Referenzrahmens. J. Geophys. Res. Feste Erde 108, 1–10. https://doi.org/10.1029/2002JB002035 (2003).

Artikel Google Scholar

Wang, H. et al. Laden Sie Love-Zahlen und Green-Funktionen für die elastischen Erdmodelle PREM, iasp91, ak135 und modifizierte Modelle mit verfeinerter Krustenstruktur aus Crust 2.0. Berechnen. Geosci. 49, 190–199. https://doi.org/10.1016/j.cageo.2012.06.022 (2012).

Artikel ADS Google Scholar

Reasenberg, P. Moment zweiter Ordnung der Seismizität in Zentralkalifornien, 1969–1982. J. Geophys. Res. Feste Erde 90, 5479–5495. https://doi.org/10.1029/JB090IB07P05479 (1985).

Artikel Google Scholar

Aki, K. Maximum-Likelihood-Schätzung von b in der Formel logN=a-bM und ihre Konfidenzgrenzen. Stier. Earthq. Res. Inst. 43, 237–239 (1965).

Google Scholar

Referenzen herunterladen

Diese Arbeit wurde im Rahmen der Doktorarbeit von Deepak K. Tiwari durchgeführt. Wir schätzen die Bemühungen der Wissenschaftler und technischen Mitarbeiter des Nationalen Zentrums für Seismologie in Neu-Delhi, das seismologische Netzwerk in Delhi und der umliegenden Region aufrechtzuerhalten. Der Seismizitätskatalog stammt von Tiwari et al. 2020 (https://www.nature.com/articles/s41598-021-89527-3). MH wird durch das NITR Research Fellowship-Programm unterstützt. DT wird vom Ministerium für Geowissenschaften (Abteilung Seismologie) der Regierung unterstützt. of India, durch Grant Number (MoES/PO(Seismo)/1(349)/2018). Wir danken dem Herausgeber, dem Gutachter Rayan Schultz und einem anonymen Gutachter für ihre konstruktiven Kommentare und Vorschläge, die die Qualität des Manuskripts deutlich verbessert haben.

Diese Forschungsarbeit wurde nicht durch externe Mittel unterstützt.

Abteilung für Erd- und Atmosphärenwissenschaften, NIT Rourkela, Rourkela, 769008, Indien

Deepak K. Tiwari, Manoj Hari, Bhaskar Kundu und Bhishma Tyagi

Sektion Terrestrische Wissenschaften, Klima und globale Dynamik, National Center for Atmospheric Research, Boulder, 80307, ​​USA

Hände Harry

Abteilung für Chemieingenieurwesen und Materialwissenschaften, University of Southern California, Los Angeles, CA, 90007-1211, USA

Birendra Jha

Indian Institute of Technology (ISM), Dhanbad, Dhanbad, 826004, Indien

Kapil Malik

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

BK lieferte die Forschungsidee und führte die Analyse im Zusammenhang mit der saisonalen Seismizitätsmodulation durch. MH und BT führten die LULC-Analyse und Urbanisierungskartierung durch. DT, BK und BJ führten die Siedlungsanalyse durch. KM und DT führten eine von InSAR abgeleitete Setzungsanalyse durch. BK, MH, BT und DT haben gemeinsam das Originalmanuskript verfasst. Alle Autoren waren an der Fertigstellung des Manuskripts beteiligt.

Korrespondenz mit Bhaskar Kundu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Tiwari, DK, Hari, M., Kundu, B. et al. Der Urbanisierungs-Fußabdruck von Delhi und seine Auswirkungen auf den Spannungszustand unter der Erdoberfläche durch dekadische Seismizitätsmodulation. Sci Rep 13, 11750 (2023). https://doi.org/10.1038/s41598-023-38348-7

Zitat herunterladen

Eingegangen: 18. Januar 2023

Angenommen: 06. Juli 2023

Veröffentlicht: 03. August 2023

DOI: https://doi.org/10.1038/s41598-023-38348-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.