基于机器学习与加权回归的流域生态地下水流模拟及其在伊朗干旱区可持续水资源管理中的应用

本研究针对干旱与半干旱地区地下水流模拟精度不足的问题，整合人工神经网络（ANN）与加权回归技术，系统分析了伊朗克尔曼省14个流域的地下水文特征。研究发现加权回归模型（R2=0.9915）显著优于ANN模型，并揭示流域面积、海拔和降水是驱动地下水流的关键因子。该研究为地下坝选址提供了低成本、可推广的方法论，对缺水区域的水资源可持续管理具有重要实践价值。

　　

在全球水资源日益紧张的背景下，干旱与半干旱地区的水资源管理面临严峻挑战。地下水流作为水文循环的关键组成部分，对维持基流补给和生态系统功能具有重要作用，但其动态机制相较于地表径流和深层地下水仍缺乏系统研究。伊朗克尔曼省作为典型干旱区域，地表水资源匮乏，地下水成为主要供水来源，而传统水文模型存在校准复杂、非线性关系捕捉能力有限等问题。为此，研究人员首次将人工智能技术与水文地质特征深度融合，开展了一项关于流域生态与地下水流相互作用机制的研究。

本研究采用多学科交叉方法，整合地理信息系统（GIS）、遥感技术及机器学习算法，选取克尔曼省14个具有不同水文地质特征的流域作为研究对象。通过采集流域面积、坡度、海拔、年降水量、径流系数、植被覆盖率（Canopy Percentage）、冲积层厚度（Alluvium Thickness）等关键参数，构建了涵盖水文气象、地形地貌和生态因子的综合数据库。研究首次系统比较了七种建模方法（包括加权回归、多层感知器（MLP）、径向基函数（RBF）、回归树、随机森林和神经模糊系统）的预测性能，并采用决定系数（R²）、均方误差（MSE）等指标进行量化评估。

关键技术方法主要包括：1）基于1:25,000地形图和1:100,000地质图的空间数据分析（ArcGIS平台）；2）人工神经网络（ANN）与加权回归的耦合建模；3）利用Le Franc试验测定渗透性参数；4）通过主成分分析（PCA）和聚类算法识别流域特征模式；5）采用伏尔泰姆法（Volumetric method）和达西定律（Darcy’s law）计算地下水流流量。

3.1. 初步探索阶段结果

通过回归分析与神经网络建模的对比，发现加权回归模型在预测地下水流流量方面表现最优（R²=0.9915，MSE=0.00227），显著优于MLP（R²=0.5288）和RBF（R²=0.9182）模型。方程定量揭示了坡度（s）、降水量（p）、冲积层厚度（d）、径流系数（c）、海拔（h₂）和温度（t₂）对地下水流（q₂）的影响权重。

3.2. 补充阶段结果

聚类分析将流域划分为三类：Cluster 0（小面积流域，平均194.56 km²，中等降水）、Cluster 1（中等流域，1116.60 km²，高降水低植被）和Cluster 2（大流域，7600.00 km²，高植被覆盖）。相关性分析表明，流域面积与地下水流呈强正相关（r=0.636），而降水量与径流系数对Cluster 1表现为负相关（r=-0.832）。雷达图与3D散点图进一步验证了聚类特征的可区分性。

3.2.3. 多模型综合比较

加权回归（全参数）模型以R²=0.993和低误差（MSE=0.00227）成为最优预测工具，而线性回归（R²=-148.52）和神经模糊系统（R²=-1.45）表现最差。回归树模型在误差控制方面突出（MSE=0.00139），但加权回归在解释性与精度间取得最佳平衡。

研究结论表明，流域面积、海拔和降水是影响地下水流的核心驱动因子，其中大面积流域（如Keshit盆地，1198 km²）因石灰岩土壤和高降水条件更利于地下水流聚集，而小流域（如Kahnoojshah，69.7 km²）则因渗透性不足主要表现为地表径流。加权回归模型凭借其高精度与强解释力，为地下坝选址提供了可靠工具，尤其适用于数据稀缺的干旱区。该研究通过融合生态水文参数与机器学习技术，突破了传统模型的局限，为区域水资源可持续管理提供了低成本、可推广的解决方案，对全球类似气候区的实践具有重要借鉴意义。论文发表于《Watershed Ecology and the Environment》，为流域生态水文研究提供了创新性方法论框架。