多模型集成机器学习降尺度与GRACE数据预测揭示沙特阿拉伯21世纪地下水持续下降趋势

为解决沙特阿拉伯西部区域地下水储量(GWS)高精度监测难题，研究团队创新性地采用随机森林(RF)、分类回归树(CART)和梯度提升树(GTB)等多模型集成机器学习方法，在Google Earth Engine(GEE)平台实现GRACE数据从55 km到1 km2的降尺度，并结合CMIP6气候数据通过广义加性模型(GAM)预测未来变化。结果显示Jeddah和Makkah年降幅达165 mm/年和150 mm/年，高排放情景(SSP5-8.5)下21世纪末降幅将超216 mm/年，为干旱区水资源管理提供高分辨率决策工具。

　　

在全球气候变化与人口增长的双重压力下，地下水资源的可持续管理已成为干旱地区面临的重大挑战。沙特阿拉伯西部沿海城市群作为典型案例，其独特的地理位置叠加宗教旅游经济带来的季节性人口激增，使得地下水超采问题日益严峻。然而，传统监测手段受限于空间覆盖不足，而NASA重力恢复与气候实验(GRACE)卫星提供的55 km分辨率数据难以满足城市尺度的精细化管理需求。

针对这一科学难题，来自国外研究机构的Arfan Arshad团队在《Journal of Hydrology: Regional Studies》发表创新性研究，通过整合多源遥感数据与先进机器学习算法，首次实现沙特西部地下水动态的千米级监测与世纪尺度预测。研究团队开发了基于Google Earth Engine(GEE)云平台的多模型集成(MME)框架，融合随机森林(RF)、分类回归树(CART)和梯度提升树(GTB)三种机器学习算法，将GRACE地下水储量异常(GWS anomalies)数据空间分辨率提升至1 km²。为预测未来变化，进一步耦合CMIP6气候模式数据，采用广义加性模型(GAM)模拟不同共享社会经济路径(SSP)下的长期演变趋势。

关键技术方法包括：1) 利用季节性趋势分解(STL)算法填补GRACE与GRACE-FO任务间的31个月数据缺口；2) 在GEE平台集成RF、CART和GTB算法进行超参数调优；3) 采用超级学习器(Super Learner) stacking策略构建多模型集成框架；4) 结合ERA5-Land土壤湿度数据分离GRACE总水储量(TWS)中的地下水信号；5) 基于NEX-GDDP-CMIP6降尺度气候数据驱动GAM模型进行预测。

研究结果揭示：

1. 多模型集成显著提升精度
   通过比较RF、CART和GTB单独建模与集成效果，发现集成模型R²达0.92(RMSE=20 mm)，优于单一模型(R²=0.84-0.88，RMSE=25-28 mm)。特征重要性分析显示高程(21%)、地表温度(19%)和土壤湿度(55%)为关键预测因子。

2. 时空动态与驱动机制
   2002-2023年间研究区年均GWS下降125.06 mm，其中Jeddah(-165 mm/年)和Makkah(-140 mm/年)最为严重。季节性分析发现5月出现峰值降幅(-90至-125 mm)，与夏季朝觐期用水高峰吻合。太平洋年代际振荡(PDO)暖相位使GWS降幅加剧132 mm，而人口密度增长与城市扩张呈现显著空间相关性。

3. 21世纪预测警示不可逆衰退
   SSP5-8.5情景下，2076-2099年Makkah和Bahrah地区GWS将分别下降1132 mm和1363 mm，年降速达216 mm。对比SSP1-2.6情景的稳定趋势(+30 mm/年)，强调减排对水资源可持续的关键作用。

这项研究开创性地将云计算、多模型集成与卫星遥感相结合，为干旱区地下水精细化管理树立新范式。其研发的1 km²分辨率产品能精准识别城市热点区域，而世纪尺度的预测结果为沙特"2030愿景"下的水资源规划提供科学依据。方法论框架的普适性使其可推广至全球类似地区，特别是在缺乏地面监测数据的区域，为应对气候变化下的水安全挑战提供创新解决方案。研究同时警示，在持续高排放路径下，宗教旅游城市的地下水系统可能面临不可逆的崩溃风险，亟需建立气候适应型的水资源管理策略。