城市化与地下水韧性：利用AHP和混合机器学习模型进行季风前后对比分析

《International Journal of River Basin Management》：Urbanization and groundwater resilience: pre- and post-monsoon mapping using AHP and hybrid machine learning modelling

地下水潜力评估框架整合AHP多准则分析与机器学习模型，基于降雨、地形等7因子构建空间分布模型，机器学习模型表现优于传统AHP方法，揭示中东部农业走廊高潜力区，为可持续水资源管理提供决策支持。

　　

摘要

本研究开发了一个基于地理空间数据的综合框架，用于绘制半干旱地区阿格拉（Agra）的地下水资源潜力图。该框架考虑了城市化对含水层造成的压力，以及基于地面数据的评估方法在区域规划中的局限性。研究选用了经过多重共线性筛选的因素（降雨量、海拔、坡度、排水情况、地质类型、土地利用类型及土壤类型），结合了层次分析法（AHP）的多标准权重评估与机器学习技术，将输入数据转换为栅格格式，并通过地下水位井位置和水位数据对输出结果进行验证。结果表明，降雨量是主要的预测因子，在随机森林（Random Forest）模型中的贡献率为75.17%，在提升回归树（Boosted Regression Tree）模型中为75%，这凸显了季风对地下水补给的调控作用。通过ROC-AUC曲线评估模型性能发现，随机森林模型的表现（季风前81.6%，季风后79.9%）和提升回归树模型（季风前81.4%，季风后80.7%）显著优于层次分析法模型（季风前70.1%，季风后70.0%），表明数据驱动的学习方法具有更强的区分能力。从空间分布来看，高地下水潜力区域主要集中在阿格拉中部的亚穆纳河（Yamuna River）与昌巴尔河（Chambal River）之间，季风后的该区域面积占比达到32.93%；而西南部和西部地区的地下水潜力始终处于较低水平。季节性水位分析显示，季风后地下水位有所下降，尤其在有利于补给的区域降幅更为明显，具体变化范围为：季风前4.78–50.7米，季风后3.8–50.5米。这种结合多标准权重评估与机器学习的混合方法为地下水分区提供了可靠且可扩展的依据，有助于指导可持续的地下水开采、补给目标设定以及城市及周边地区的水资源管理。