基于地理探测器与机器学习的埃塞俄比亚青尼罗河上游Gunabay流域可持续水资源管理研究

本研究针对埃塞俄比亚水资源短缺与污染问题，采用地理探测器（Geodetector）结合机器学习方法，量化了Gunabay流域地下水补给、潜力及水质恶化的关键驱动因素。研究发现土壤（q=0.78）、蒸散发（PET，q=0.21）和降水（q=0.20）对补给过程影响最大，而透射率（T，q=0.48）和线密度（LD，q=0.26）主导地下水潜力分布。通过构建地下水污染指数（GCI），揭示砂壤土区域因高渗透率更易受污染。该研究为流域水资源可持续管理提供了数据驱动的科学框架。

　　

在埃塞俄比亚这样的发展中国家，清洁水资源的短缺已成为威胁粮食安全和公众健康的严峻问题。青尼罗河上游流域作为该国重要的农业区，正面临地下水过度开采、工业污染和气候变化带来的多重压力。传统水资源评估方法往往忽视地理空间异质性，且缺乏对多因素交互作用的量化分析，导致管理策略效果有限。

针对这一挑战，来自埃塞俄比亚和印度的研究人员在《Geosystems and Geoenvironment》发表了一项创新性研究。该团队采用地理探测器（Geodetector）结合机器学习技术，系统分析了Gunabay流域3920.25 km²范围内的水资源动态。研究整合了30米分辨率DEM数据、水文气象观测数据及现场采集的理化参数，通过空间分层异质性量化方法，首次揭示了该区域地下水系统的关键控制机制。

关键技术方法
研究团队运用地理探测器模型（公式：q=1-∑(Nhωh²)/Nω²）量化9类补给因素、6类潜力因素和6类水质因素的贡献度；采用卷积神经网络（CNN）进行空间预测；通过地下水污染指数（GCI=∑(C_ai-C_Ni)/C_Ni）评估风险等级。数据来源于埃塞俄比亚地质调查局、国家气象局及217个实地采样点（干/雨季各一轮）。

研究结果

3.1 地下水补给影响因素分析
土壤特性（q=0.78）被证实为最强驱动因子，其与坡度（交互q=0.92）、降水（q=0.84）的协同效应显著。高海拔区（4075米）因径流速度快导致补给率仅3.6%，而砂质土壤区年补给量可达508mm。

3.2 地下水潜力分布
透射率（T，q=0.48）和补给量（q=0.26）主导潜力分区，西部河谷地带潜力值达0.66-1（极高潜力），而北部Guna山区因基岩裸露被列为无潜力区。CNN模型预测精度达86.4%。

3.3 水质恶化驱动机制
土壤类型（q=0.32）和温度（q=0.11）通过增强污染物迁移影响水质。砂壤土区域GCI值达3（高风险），主要与农业硝酸盐（NO₃^-）渗漏有关，部分采样点超出WHO标准限值2.83倍。

结论与意义
该研究创新性地构建了"空间异质性-机器学习"耦合框架，首次量化了东非高原区地下水系统的多尺度调控规律。实践层面，建议优先在砂壤土区建设地表径流控制设施，并规范垃圾填埋场选址。理论层面，提出的交互作用分类标准（如双因子增强型q>q₁+q₂）为全球干旱区水资源研究提供了新范式。局限性在于未涵盖重金属等污染物，未来需扩大生物指标监测。这项成果为联合国可持续发展目标（SDG6）在非洲的实施提供了关键技术支撑。