基于机器学习的北阿坎德邦皮托拉加尔地区雾水收集潜力评估：气候情景与地理空间影响因素分析

《Physics and Chemistry of the Earth, Parts A/B/C》：Machine Learning-Based Mapping of Fog Water Harvesting Potential in Pithoragarh, Uttarakhand: Evaluating Climate Scenarios and Geospatial Influences

本研究针对北阿坎德邦皮托拉加尔地区水资源短缺问题，采用GBM、ADB、avNNet、NB和SDA五种机器学习模型，结合23种水文气候与地形因子，开展雾水收集（FWH）潜力测绘研究。结果表明ADB和GBM模型预测性能最佳（AUC=0.999），发现海拔、风速和湿度是关键影响因素。通过CMIP6模型预测未来气候情景下约22.81%（ssp245）和21.52%（ssp585）区域具有极高FWH潜力，为可持续水资源管理提供科学依据，助力SDG6目标实现。

　　

在全球水资源危机日益严峻的背景下，雾水收集（Fog Water Harvesting, FWH）作为一种可持续的水资源补充方式，正受到越来越多关注。特别是在印度北阿坎德邦的皮托拉加尔地区，由于气候变化和人口增长，当地水资源短缺问题日趋严重。传统水源如地下水、河流和湖泊面临过度开采和污染威胁，而山区特殊的地形和气候条件为雾水收集提供了天然优势。然而，如何准确识别雾水收集的潜力区域，并预测未来气候变化对其影响，成为摆在研究人员面前的关键难题。

为了系统解决这一问题，研究人员开展了一项综合机器学习与地理信息系统的雾水收集潜力测绘研究。论文发表在《Physics and Chemistry of the Earth, Parts A/B/C》上，通过多模型比较和未来气候情景分析，为区域水资源管理提供了科学依据。

研究团队主要采用了五种机器学习模型（GBM、ADB、avNNet、NB和SDA），结合23种环境变量（包括地形、气候和遥感数据），使用来自100个雾天采样点的地面观测数据进行训练和验证。通过CMIP6气候模型（EC-Earth3、NorESM2-LM和MIROC6）的未来情景数据（ssp245和ssp585），预测了2025–2055年间的雾水收集潜力变化。技术方法还包括特征选择算法（GA、PSO、GWO等）和Boruta敏感性分析，以确保模型输入的可靠性。

2.3. FWH影响因素分析

研究选取了23类环境变量，分为地形、水文气候和地表分布参数三大类。地形参数包括海拔、坡度、坡向、曲率、地形粗糙度指数（TRI）、地形位置指数（TPI）和天空视角系数（SV）。水文气候参数涵盖降水量（Pr）、最高温度（Tmax）、最低温度（Tmin）、蒸汽压（VAP）、风暴露指数（WEI）、风速（WS）、平均功率密度（PD）、昼夜各向异性加热（DAH）、相对湿度（RH）和地形湿度指数（TWI）。地表参数包括土地利用/覆盖（LULC）、地表温度（LST）、归一化植被指数（NDVI）以及到道路、建筑物和河流的距离。这些参数通过遥感数据和地面测量获取，并统一处理为30米分辨率。

3.1. 统计与多重共线性分析

通过Spearman相关分析和OLS回归，研究发现海拔与FWH潜力呈最强正相关（0.86），其次是WEI（0.62）和风速（0.55）。温度参数（Tmax、Tmin）和LST则与FWH负相关。VIF值全部低于10，表明变量间无严重多重共线性问题。

3.2. 特征选择结果

使用多种自然启发算法（GA、PSO、GO等）进行特征选择，发现海拔、风速、WEI、VAP、DAH、RH、PD、Tmax、Tmin和SV是最重要的预测变量。GA算法在精度上表现最佳（0.0008）。

3.3. 空间FWH分析

基于机器学习生成的FWH潜力图显示，GBM和ADB模型识别出的极高潜力区占比最高（约43.9%），主要分布在研究区中部和北部山区。avNNet和NB模型的结果类似，但SDA模型的预测较为保守。总体来看，高潜力区与高海拔、高湿度区域高度重合。

3.4. 模型验证

ADB和GBM模型在验证中表现最优，准确率分别为0.983和0.967，AUC值接近0.999。avNNet和NB模型性能较差，准确率低于0.900。这些结果证实了集成学习模型在复杂环境预测中的优势。

3.5. 敏感性分析

Boruta算法进一步确认海拔是最关键因子（平均重要性35.31），其次是WEI（14.92）和风速（13.24）。其他如PD、Tmax和VAP也具有较高重要性，而NDVI、坡度等因素影响较小。

3.6. GRACE水资源分析

通过GR卫星数据（CSR和JPL产品）分析等效水厚度（EWT）发现，2002–2022年间区域水资源呈下降趋势，近年EWT甚至降至-60厘米以下。这强化了开发FWH作为替代水源的必要性。

3.7. 未来FWH预测

在CMIP6气候情景下，ssp245和ssp585路径均显示未来30年内约有20%以上的区域维持极高FWH潜力。其中avNNet和GBM预测的极高潜力区比例最高（约51%），但不同模型间存在一定不确定性，尤其在ssp585极端情景下。

研究通过熵和标准差分析量化了预测不确定性，发现山区和复杂地形区的模型分歧较大，建议在实际规划中采用多模型集成策略以提高可靠性。

该研究通过机器学习与多源数据融合，首次在皮托拉加尔地区实现了高精度的雾水收集潜力测绘。明确海拔、风速和湿度是核心影响因子，GBM和ADB为最优预测模型。未来气候情景分析表明，尽管水资源整体下降，但FWH潜力区仍保持稳定，为当地水资源可持续利用提供了重要途径。研究成果不仅可指导雾水收集设备的优化部署，还可支持政策制定者实现联合国可持续发展目标6（SDG6）。然而，研究也指出当前模型在数据时效性和物理机制整合方面的局限，建议未来结合物联网传感器和长期监测以提升预测准确性。