埃及Siwa绿洲努比亚含水层的水力参数估算与三维相建模：结合自组织映射（SOFM）、Kozeny-Carmen理论及抽水试验

《Journal of Hydrology X》：Hydraulic parameter estimation and 3D facies modeling of the Nubian aquifer in Siwa Oasis, Egypt: Integrating self-organizing maps, Kozeny-Carmen, and pumping tests

本研究针对埃及锡瓦绿洲地下水系统面临的水质恶化、过度开采和地质结构复杂化问题，创新性地整合了自组织映射（SOM）和k-means聚类分析等机器学习方法，结合电测井数据和抽水试验，系统评估了浅层第三纪碳酸盐含水层（TCA）和深层努比砂岩含水层系统（NSAS）的孔隙度（24%-40%）、含水层厚度及渗透性（1.2-6.6 m/d），并构建了三维地质模型。结果表明，绿洲东部和中部因砂层集中、页岩含量低（0%-60%）成为最佳开采区，而西部因页岩层增厚导致渗透性下降。该方法显著提升了含水层分层识别精度（分类误差率<1%）和参数估算可靠性，为可持续管理提供了科学依据。

　　在埃及的西奈奥阿西（Siwa Oasis）这一干旱地区，地下水的管理和利用正面临严峻的挑战。Siwa Oasis的水资源完全依赖于地下含水层，主要包括浅层的第三纪碳酸盐含水层（TCA）和深层的努比亚砂岩含水系统（NSAS）。由于降水稀少且蒸发强烈，这两个含水层几乎没有自然补给，导致地下水位下降和盐度迅速增加。因此，该地区亟需一种高效且精准的地下水含水层表征方法，以支持可持续的水资源管理。

本研究采用了一种综合性的方法，结合自组织映射（SOM）和K-means聚类等机器学习技术，以及传统的水文地质方法，对NSAS进行详细表征。研究利用了地质钻孔数据，包括伽马射线（GR）、自然电位（SP）、深电阻率（Rd）和浅电阻率（Rs）等参数，对含水层的岩性、孔隙度、泥岩体积和渗透系数等关键水文地质参数进行估算。这些参数对于理解地下水的储存能力、流动特性以及水质变化至关重要。此外，研究还通过泵试验数据对估算结果进行了验证，以确保其准确性和可靠性。

研究发现，NSAS的渗透系数范围在1.2至6.6米/天之间，孔隙度在24%至40%之间，泥岩体积则从0%到60%不等。这些结果表明，Siwa Oasis的含水层存在显著的非均质性，其岩性特征和水文参数分布不均。研究还揭示了含水层中不同岩性单元的分布情况，其中高孔隙度的河道砂层是主要的含水单元，而细粒的冲积平原沉积物则可能成为水流的屏障。通过识别这些关键区域，研究确定了Siwa Oasis的中心和东部地区为可持续地下水开采的最理想区域。

在机器学习方法的应用方面，SOM技术被用于对钻孔数据进行分类，以区分不同的岩性单元。SOM具有拓扑保持的特点，能够在多维数据中保留空间关系，从而提供更准确的岩性分布图。K-means聚类则用于进一步细化岩性单元的划分，并与SOM结果进行对比验证。两种方法均显示出良好的数据表示能力，且在分类精度上表现相近。然而，SOM在识别薄层和过渡岩性方面具有更高的精度，尤其在处理复杂的地质结构时表现更优。

研究还对不同岩性单元的深度和空间分布进行了三维建模，以更全面地理解含水层的结构特征。通过普通克里金法（Ordinary Kriging）和围栏图（Fence Diagrams）等方法，研究人员对SOM和K-means分类结果进行了插值，从而构建了三维岩性模型。这一模型不仅揭示了NSAS中砂层和泥岩层的空间分布，还反映了构造活动对含水层形态的影响。例如，砂层在Siwa Oasis的东部和中部较厚，而在西部逐渐变薄，这可能是由于构造活动导致的泥岩层厚度增加。

此外，研究通过泵试验数据验证了渗透系数的估算结果。研究发现，泵试验中获得的渗透系数与通过地质钻孔数据估算的结果之间具有较高的相关性，R2值达到0.92，表明两种方法在估算含水层特性方面具有较高的可靠性。然而，由于泵试验的持续时间和抽水速率会影响结果，因此需要优化这些参数以提高估算的准确性。例如，在Siwa Oasis的Khafd井，由于抽水速率较高，估算的渗透系数也相对较大，而在Meshendit井，由于泥岩层的高渗透性，估算结果则较低。

研究结果对Siwa Oasis的水资源管理具有重要的实际意义。首先，识别出的高渗透性和高孔隙度区域为未来的地下水开采提供了明确的指导，有助于优化井位选择，提高水资源利用效率。其次，通过三维模型，研究人员能够更直观地展示含水层的非均质性，为制定地下水管理策略提供了科学依据。例如，研究建议在Siwa Oasis的东部和中部地区进行钻井，因为这些区域的含水层厚度较大，且受到泥岩层的影响较小，有助于更快的水位恢复和减少盐度上升的风险。

然而，研究也指出了一些潜在的问题。例如，由于Siwa Oasis的含水层主要依赖于农业排水和盐湖的水文补给，这些区域的地下水质量可能受到污染或盐度增加的影响。因此，未来的水资源管理需要考虑如何减少农业活动对地下水的污染，以及如何有效控制盐度上升的趋势。此外，研究还强调了机器学习方法在水文地质研究中的重要性，尤其是在处理复杂数据和识别非均质性方面。这些方法不仅能够提高数据的分辨率，还能减少对物理样本的依赖，从而降低研究成本和时间。

总体而言，本研究通过结合地质数据和机器学习技术，为Siwa Oasis的地下水管理提供了新的视角和工具。研究不仅揭示了含水层的岩性特征和水文参数分布，还通过三维模型和泵试验数据验证了估算结果的可靠性。这些成果对于改善该地区的水资源利用效率、制定可持续的地下水开采策略，以及应对日益严重的水盐平衡问题具有重要意义。同时，研究也展示了机器学习在水文地质研究中的广阔前景，为类似干旱地区的水资源管理提供了可借鉴的经验。