基于混合深度学习模型CNN-GRU的气候因子增强型地下水补给区识别研究

为解决半干旱地区地下水补给区识别精度不足的问题，Navaz Khalillollahi团队创新性地采用混合深度学习模型CNN-GRU，结合13项气候与地形因子（包括TWI、SPI等），在伊朗Qorveh-Dehgolan平原实现了0.9461的预测准确率，为气候变化背景下的水资源管理提供了智能决策工具。

　　

在全球水资源危机日益严峻的背景下，地下水作为重要的淡水来源正面临过度开采与气候变化双重压力。伊朗库尔德斯坦省的Qorveh-Dehgolan平原作为典型半干旱区（年降水420mm），其含水层支撑着当地农业灌溉和居民用水，但传统补给区识别方法存在成本高、时效差等缺陷，尤其难以捕捉气候变率对补给过程的影响。

针对这一挑战，Navaz Khalillollahi团队在《Results in Engineering》发表研究，首次将卷积神经网络(CNN)与门控循环单元(GRU)混合架构应用于地下水补给预测。研究创新性地构建了包含温度极值、变率等气候参数的13因子数据集，相比传统10因子模型显著提升预测精度。通过NASA POWER和CRU TS等国际数据库获取气候数据，结合30米分辨率SRTM地形数据，采用互信息(MI)和随机森林(RF)双重特征选择，发现最大温度、排水密度和高程是最关键预测因子。

研究方法

团队在Google Colab平台（配置NVIDIA Tesla T4 GPU）上开发了ANN、CNN、GRU及CNN-GRU四种模型，采用80%-20%数据集划分策略。通过标准化处理、OneHot编码等技术预处理510口监测井数据，以二元交叉熵为损失函数，使用Adam优化器进行30轮训练。模型性能通过RMSE、Kappa系数等6项指标验证，最终生成五级分类的补给潜力图。

研究结果

3.1 影响因素分析

地形因子中，凹曲率(负值)区域显示更强汇水能力，而排水密度>0.29时补给潜力显著降低。新增的气候参数揭示：最大温度(11-24.49°C)与温度变率(11.86-18.16°C)对蒸发-补给平衡具有决定性影响。

3.2 10因子数据集表现

基础模型中CNN-GRU已展现优势，验证集准确率达0.9069，但遗漏了15%的实际补给点。特征选择显示传统参数中排水密度(MI=0.23)和高程(RF=0.17)贡献度最高。

3.3 13因子数据集突破

引入气候参数后，所有模型性能提升：CNN-GRU验证准确率升至0.9461，RMSE降低23.5%。温度变量在MI评估中占据前三重要位，最大温度权重达0.27。补给地图对比显示，13因子模型能准确识别83%被10因子模型遗漏的监测井位置。

3.4 空间预测成果

生成的8幅潜力图中，CNN-GRU模型划定21.7%区域为"极高潜力区"，主要分布在海拔1900-2100米的缓坡带。ROC曲线显示其AUC值达0.9916，显著优于单一模型。

结论与展望

该研究证实混合深度学习架构能有效融合空间特征(CNN)与时间序列分析(GRU)，破解半干旱区补给预测难题。气候因子的引入使模型具备响应极端天气的能力，如高温(>24°C)导致的补给量下降可被精准预警。未来研究方向包括：①融入月尺度数据捕捉季节性波动；②应用Transformer架构处理多时空尺度交互；③结合不确定性量化指导风险管理。这项成果为联合国SDG6（清洁饮水和卫生设施）目标提供了关键技术支撑，其方法论可推广至全球类似气候区的水资源规划。