基于时间序列分解与机器学习模型的印度半干旱区地下水动态评估及未来预测

《Cleaner Environmental Systems》：Assessment of groundwater scenario in drought-prone semi-arid regions of the Indian subcontinent using time series decomposition and the machine learning models

本研究针对印度半干旱干旱易发区地下水持续枯竭问题，通过GRACE和TerraClimate卫星数据，结合Prophet时间序列分解与随机森林（RF）机器学习模型，系统评估了2002–2017年邦德尔坎德高原的地下水储量（GWS）变化并预测至2032年。结果表明，该区域GWS呈显著下降趋势（平均–7.59 cm），预测显示未来缺水将加剧（–28.65 cm）。RF模型（R2=0.994）略优于Prophet（R2=0.987）。研究为半干旱区水资源可持续管理提供了重要数据支撑与方法借鉴。

　　

在全球水资源日益紧张的背景下，地下水作为饮用、农业和生态用水的重要来源，其可持续性备受关注。据统计，全球有超过20亿人口依赖地下水生活，其中印度和中国等国家的农业灌溉对地下水开采尤为依赖。然而，由于人口增长、气候变化以及不合理的水资源管理，许多地区的地下水储量正持续下降，尤其是在半干旱区域，这一问题更为严峻。印度邦德尔坎德高原作为典型的干旱易发区，近年来频繁遭受干旱侵袭，地下水资源面临严重压力，亟需开展系统评估与预测研究，以支撑区域水资源管理策略的制定。

为回应上述挑战，一项发表于《Cleaner Environmental Systems》的研究聚焦于邦德尔坎德高原，旨在通过多源数据与先进模型揭示地下水储量的时空变化规律并预测未来趋势。研究团队整合了重力恢复与气候实验（GRACE）卫星提供的陆地水储量（TWS）数据以及TerraClimate土壤水分（SM）数据，利用Google Earth Engine（GEE）云平台进行大规模数据处理，并通过简化公式ΔGWS = ΔTWS – ΔSM估算地下水储量变化。同时，结合地面井位观测数据，研究采用Prophet时间序列分解模型和随机森林（RF）机器学习模型，对2002–2017年的历史数据进行分析，并预测至2032年的地下水动态。

在方法层面，研究主要依托GRACE和TerraClimate的月度数据集，在GEE平台上进行空间重采样与时间序列插值处理，以统一数据分辨率；利用中央地下水委员会（CGWB）的实地井数据验证卫星估算结果；并分别运用Prophet模型（侧重季节性与趋势分解）和RF模型（擅长非线性关系拟合）进行地下水储量预测，以70%数据训练、30%测试的划分评估模型性能。

研究结果部分显示，在2002–2017年期间，邦德尔坎德高原的等效水厚度（EWT）变化范围为23.29厘米至–22.07厘米，土壤水分波动介于1.58厘米（2016年）与17.41厘米（2003年）之间。地下水储量在2003年达到峰值10.53厘米，而在2012年出现最低值–23.98厘米，全区平均GWS为–7.59厘米，表明地下水持续枯竭趋势。地下水位波动分析进一步揭示，萨格尔县（Sagar）水位变幅最大（40.03米），而部分县域如达蒂亚（Datia）则出现水位回升现象。

预测结果表明，两种模型均显示邦德尔坎德高原的地下水储量将持续下降，至2032年可能达到–28.65厘米。RF模型在预测精度上略优于Prophet，其R2值为0.994，均方根误差（RMSE）为0.167厘米；Prophet模型的R2值为0.987，RMSE为0.245厘米。季节尺度上，旱季和冬季的GWS下降尤为显著，凸显出补给不足与开采过度的双重压力。

研究的讨论部分指出，邦德尔坎德高原地下水储量下降主要受地质条件、降雨特征和人类活动共同影响。该区域以花岗岩和玄武岩为主的地层渗透性差，加上降雨集中、强度大，导致雨水径流迅速流失，地下水补给效率低。尽管年降水量与GWS的相关性较弱，但季节性干旱与高温加剧了蒸发和用水需求，进一步促使地下水资源枯竭。研究也承认，由于GRACE数据分辨率较低，未能有效分离地表水影响，未来需结合更高精度水文模型加以改进。

综上所述，该研究通过卫星遥感与机器学习方法的结合，系统揭示了邦德尔坎德高原地下水储量的历史变化与未来趋势，为半干旱区水资源管理提供了科学依据。研究成果不仅有助于当地政府制定短期节水措施与长期补水策略，也为全球类似区域的水资源评估与预测提供了方法借鉴。尽管存在数据分辨率不足等限制，该研究在推动遥感技术与人工智能在水文领域的应用方面仍具有重要价值。