基于XGBoost算法的农业地下水管理数据驱动模型：环境与社会经济视角的案例研究

本研究针对气候变化下农业地下水过度开采引发的土地沉降与粮食安全矛盾，开发了基于极端梯度提升(XGBoost)算法的地下水水位预测模型。通过整合电力消耗、降水和历史水位数据，采用贝叶斯优化确定超参数，模型验证R2达0.914。情景预测表明灌溉用电量减少50%可使旱季水位提升0.54-2.52米，同时提出动态休耕补贴政策框架，为平衡生态保护与农业生产提供决策工具。

　　

随着全球气候变化加剧，极端水文事件频发导致灌溉水资源短缺，地下水已成为干旱期农业的重要水源。然而过度开采引发的地面沉降、海水入侵等生态问题日益严峻，而减少抽水又威胁粮食安全——这种"水-粮-生态"三角矛盾在台湾云林县尤为突出。该地区作为台湾重要稻米产区，长期依赖地下水灌溉，但高铁沿线年均3-5厘米的地面沉降已危及基础设施安全。如何精准预测水位动态并制定科学的管控政策，成为兼顾环境保护与农业发展的关键难题。

国立中央大学土木工程系的研究团队创新性地将机器学习引入该领域，开发了基于极端梯度提升(XGBoost)算法的预测模型。研究收集了2007-2023年间半径2.5公里内2894口抽水井的电力消耗数据，结合降水和水位监测记录，通过贝叶斯优化确定超参数，最终建立的模型在测试集上实现了0.923-2.497米的RMSE精度。该成果发表于《Agricultural Water Management》，首次证实电力消耗数据可作为地下水开采量的有效代理指标，为缺乏直接抽水记录的农业区提供了创新解决方案。

研究采用三项关键技术：1）利用SHAP值解析模型特征重要性，发现双季稻灌溉用电(AWU-IP2)对水位影响最大；2）采用威布尔分布计算水位超越概率，划分安全水位(>85%)、警戒水位(25-85%)和危险水位(<25%)三级阈值；3）设计情景模拟量化不同休耕比例的水位恢复效果，并结合机会成本分析评估补贴政策有效性。

研究结果显示，特征重要性分析表明双季稻灌溉用电对水位变化的贡献率达32.7%，显著高于单季稻(18.5%)和旱作(12.3%)。模型验证阶段，2022年1月至2023年6月的预测值与实测值相关系数达0.89，但在2022年旱季出现0.8-1.2米的系统性高估，推测与未登记的临时抽水井有关。情景模拟发现：当双季稻灌溉用电减少50%时，雨季水位可回升0.41-2.31米，旱季回升0.54-2.52米，均能维持在安全阈值之上。经济分析则揭示现有休耕补贴(1833美元/公顷/季)仅能补偿农民32-63%的机会成本，特别是首季稻作的经济损失更大。

讨论部分强调，该研究构建的"数据驱动-情景模拟-政策评估"框架具有三重创新价值：技术上，首次验证电力消费数据在农业地下水建模中的可行性；方法上，开发的XGBoost-SHAP耦合模型兼具预测精度和可解释性；应用上，提出的动态休耕补贴机制（如根据实时水位调整补贴额度）被证明能有效平衡生态与经济目标。研究建议将模型嵌入农业水资源管理平台，通过季度性调整休耕配额和分级补贴来增强政策响应能力。这些发现为全球面临类似挑战的农业区提供了可复制的解决方案，特别是在缺乏抽水计量设施的发展中地区。