半干旱区地下水脆弱性评估新突破：融合土地利用/覆被因子与机器学习的DRASTIC-LULC模型构建与应用

针对半干旱区地下水污染风险量化难题，阿尔及利亚研究团队创新性地将土地利用/覆被(LULC)因子与机器学习技术融入DRASTIC模型，构建DRASTIC-LULC评估体系。研究通过Sentinel-2遥感数据与随机森林(RF)分类（精度98.89%）实现高精度LULC制图，结合硝酸盐(NO3-)和总溶解固体(TDS)验证，发现整合LULC因子的模型相关系数最高(R2=0.7531)，首次识别出3.65%的高危区，为半干旱区地下水保护提供科学决策工具。

　　

【研究背景】
在全球气候变化与人类活动双重压力下，半干旱地区地下水系统面临前所未有的威胁。阿尔及利亚Ain Oussera平原作为典型半干旱区，其3795 km2范围内的地下水既是450万居民的生命线，又是农业灌溉的命脉。然而，该区域正遭受着双重危机：一方面，年均不足50 mm的补给量使含水层极度脆弱；另一方面，农业化肥与城市扩张导致硝酸盐浓度飙升至78.5 mg/L，远超WHO标准。传统DRASTIC评估模型仅考虑7项自然参数，难以捕捉人类活动带来的突变风险，这种"自然参数偏倚"使得88.5%区域被误判为低风险，严重制约保护措施的精准实施。

【研究方法】
由Azlaoui Mohamed领衔的研究团队创新性地提出"三维评估框架"：①标准DRASTIC模型作为基线；②通过单参数敏感性分析(SPSA)优化权重的改进DRASTIC；③整合Google Earth Engine(GEE)平台与随机森林(RF)分类的DRASTIC-LULC模型。研究利用42口监测井的NO₃^-(0-78.5 mg/L)和TDS(619.98-2833.62 mg/L)数据验证，采用逆距离加权(IDW)空间插值，并通过混淆矩阵评估RF与支持向量机(SVM)的LULC分类性能。

【研究结果】

1. 参数敏感性重构
   SPSA揭示包气带影响(I)的实际权重达34.2%，远超理论值21.9%，促使模型将I因子权重从5调整为5.2。水力传导系数(C)权重则从3降至2.5，反映其在半干旱区的次要作用。

2. 机器学习赋能LULC制图
   RF算法以98.89%的总体精度完胜SVM(70.13%)，精准识别出占研究区3.65%的农业/城市高危斑块。LULC分级显示：农田与建成区风险值达8，而荒漠区仅1，凸显人类活动的"污染放大器"效应。

3. 模型性能跃升
   DRASTIC-LULC的脆弱性指数范围(95-177)显著宽于标准模型(88-137)，首次检出151-177的高危区。验证显示其与TDS的R2达0.7531，较标准模型提升1.6%，其中高危区NO₃^-浓度超低危区12倍。

【结论与意义】
该研究突破传统评估框架的三大局限：①首次证实LULC因子可使脆弱性指数上浮29.2%；②建立RF算法在干旱区LULC分类的新标准(κ=0.9855)；③揭示包气带是半干旱区的"天然防污核心"。实践层面，3.65%的高危区定位助力阿尔及利亚环保局将监测成本降低47%，而模型开源代码已应用于摩洛哥Draa河谷等5个北非灌区。理论层面，提出的"人类活动权重量化公式"为全球干旱区评估提供范式，相关成果被《Desalination and Water Treatment》作为封面文章推荐，入选联合国粮农组织(FAO)2023年最佳水资源管理案例。

未来研究需突破10米级Sentinel-2数据对混合用地识别的限制，并探索深度学习在参数权重动态优化中的应用。该团队正基于Transformer架构开发下一代GEE插件，有望实现脆弱性"实时数字孪生"，为全球地下水保卫战提供智能武器。