基于机器学习的阿联酋富查伊拉超干旱区海岸带含水层海水入侵预测与分类研究

针对阿联酋富查伊拉超干旱区海岸带含水层面临的海水入侵(SWI)威胁，研究人员通过评估15种机器学习(ML)算法，构建了以总溶解固体(TDS)为指标的高精度预测模型。LightGBM、CatBoost和XGBoost模型预测R2>0.95，分类准确率达97.6%，并推导出基于6项水文参数的TDS经验公式，为数据稀缺地区的SWI防控提供了创新工具。

　　

在阿联酋富查伊拉这片年降水量不足150毫米的超干旱地区，海岸带地下水正面临日益严重的海水入侵危机。随着地下水过度开采，咸淡水界面不断向内陆推移，导致总溶解固体(TDS)浓度飙升，直接影响当地20万居民的饮用水安全。传统水文模型受限于数据稀缺和参数复杂性，难以实现精准预测。这一困境促使United Arab Emirates University（阿联酋大学）工程学院的研究团队另辟蹊径，将15种前沿机器学习(ML)算法引入水文地质领域，相关成果发表于《Journal of Hydrology》。

研究采用六项关键参数构建预测体系：降雨量、水力水头(hydraulic head)、海岸线距离、含水层饱和厚度、导水系数(hydraulic conductivity)和给水度(specific yield)。通过对比分析，发现梯度提升类算法表现尤为突出——LightGBM以R2=0.9574的预测精度夺冠，CatBoost则在分类任务中创下97.6%准确率和0.9986的AUC值。研究人员进一步解析变量重要性，发现水力水头与海岸距离共同解释了78%的TDS变异，这与Ghyben-Herzberg比率揭示的咸淡水界面动态规律高度吻合。

Study region

聚焦富查伊拉海岸带非承压含水层，该区域年均蒸发量达降水量的15倍，地下水TDS浓度梯度从内陆的800 mg/L剧增至海岸带的35,000 mg/L，形成典型的海水入侵楔形体。

Study focus

研究创新性地将SHAP值分析与模型可解释性技术结合，发现当水力水头低于海平面2.3米时，CatBoost模型预测的TDS浓度会呈现指数级增长。据此推导的TDS=23.7×e^-0.18D+0.67H_r经验公式（D为海岸距离/km，H_r为水力水头/m），其预测误差较传统数值模型降低62%。

New hydrological insights

研究揭示超干旱区SWI的特殊机制：1）季节性降雨脉冲使含水层顶部形成短暂淡水透镜体；2）低给水度（0.02-0.05）导致海水倒灌速度比湿润地区快3倍；3）导水系数各向异性使咸水优先沿古河道入侵。

这项研究为干旱区地下水管理提供了三重突破：首次证明ML模型在数据稀缺区的适用性，开发出可集成到监测系统的轻量化预测工具，并发现导水系数各向异性对SWI进程的关键影响。未来若结合InSAR地表形变数据，有望实现海水入侵的实时预警。正如通讯作者Ahmed Sefelnasr强调的，这项技术将助力海湾国家实现2030年地下水可持续开发目标。