Geostatistical reconstruction of Po river basin using transition probabilities

This thesis presents a geostatistical approach for reconstructing the spatial distribution of geomaterials in the large domain of about 87,000 km2 of the Po River district. The method is based on transition probabilities and Markov chain to estimate and predict spatial correlation, rather than variograms. The proposed approach is successfully applied to a large collection of lithostratigraphic data from different sources within the study area, including 47,981 different boreholes. The results include a modal representation of 100 Monte Carlo realizations of the geomaterials' distribution and an assessment of the associated uncertainty using Shannon entropy, allowing for a more comprehensive understanding of the model. The comparison with an Artificial Neural Network (ANN) approach is also carried out to understand the actual differences in results obtained by two such different methods applied to the same geological dataset. Overall, this work showcases how a Markov chain-based approach can effectively be applied to large domains, offering a viable alternative to traditional geostatistical methods for example to estimate groundwater availability.

Questa tesi presenta un approccio geostatistico per la ricostruzione della distribuzione spaziale di geomateriali nell'ampio dominio di circa 87.000 km2 del distretto del fiume Po. Il metodo si basa su probabilità di transizione e catene di Markov per stimare e prevedere la correlazione spaziale, anziché sui variogrammi. L'approccio proposto è stato applicato con successo a una vasta raccolta di dati litostratigrafici provenienti da diverse fonti nell'area di studio, compresi 47.981 diversi pozzi di sondaggio. I risultati includono una rappresentazione modale di 100 realizzazioni di Monte Carlo della distribuzione dei geomateriali e una valutazione dell'incertezza associata utilizzando l'entropia di Shannon, consentendo una comprensione più completa del modello. Viene anche effettuato un confronto con un approccio di rete neurale artificiale (ANN) per comprendere le effettive differenze nei risultati ottenuti da due metodi così diversi applicati allo stesso dataset geologico. Nel complesso, questo lavoro dimostra come un approccio basato su catene di Markov possa essere efficacemente applicato a grandi domini, offrendo un'alternativa valida ai metodi geostatistici tradizionali, ad esempio per stimare la disponibilità di acqua sotterranea.