遥感与机器学习在地下水可持续性和农业经济收益中的综合应用

《Remote Sensing Applications: Society and Environment》：Integrated Remote Sensing and Machine Learning for Groundwater Sustainability and Agro-economic Returns

　　

## 摘要

地下水是干旱和半干旱地区最主要的供水来源；然而，恶劣的地质条件和过度的开采率已严重影响了这些至关重要的储量。尽管担忧日益加剧，现有研究往往忽视了水文波动、水质下降及其带来的社会经济影响之间的复杂相互作用，这主要归因于缺乏将机器学习与农业经济分析相结合的集成框架。为弥补这一空白，本研究开发了一个集成框架，利用集成机器学习（XGBoost和AdaBoost）、遥感（NDVI）和农业经济分析来模拟地下水水位、评估水质并估算开心果作物产量。研究在伊朗巴吉恩地区开展，采用将水文、水质和农业参数相关联的情景分析。统计评估表明，XGBoost模型对地下水水位的估计效果令人满意（NS = 0.6797），而AdaBoost模型在预测水质指数（NS = 0.5145）和开心果产量指数（NS = 0.5699）方面展现了有用的预测性能。此外，对巴吉恩地区开心果园的分析表明，果园面积扩大23.3平方公里的同时，地下水的量和质均显著下降。这一悖论凸显了一种不可持续的趋势，其中经济分析强调了农业扩张与水资源可持续性之间的冲突所带来的严重环境和经济压力。农业经济指标，特别是实际生产盈利能力（APr）和净利润（NP），揭示了与不切实际的水务定价相关的经济异常现象。结果清楚地强调了迫切需要将地下水开采的隐含成本纳入农业定价机制，以确保资源的长期可持续性和经济可行性。

## 引言

如今，在降水稀少、地表径流匮乏的干旱和半干旱气候区，地下水在满足饮用水、工业，尤其是农业需求方面发挥着基础性作用。有限的降水、高蒸发率和气候变化已导致地下水资源的过度开采和持续压力。在这种情况下，不仅水量，水质也成为决定这些宝贵资源的产能和可持续性的关键因素。水文参数的变化，包括年降雨量和地下水水位，可以直接影响电导率（EC）、总硬度（TH）、钠吸附比（SAR）和酸度（pH）等质量因素，或间接影响这些质量因素。这些变量，特别是在具有敏感且有价值种植园（如开心果园）的地区，决定了灌溉用水的可用性和土壤健康的维护。因此，不同地区地下水中这些指标的浓度被视为评估水质及其灌溉适用性的关键标准。在农业方面，种植面积和开心果产量深受地下水水量和水质波动的强烈影响（Haggerty等，2023；Raj等，2025；Tahergorabi等，2026）。事实上，可用水资源量与农业系统指标之间的相互关系是一个复杂系统，对其分析对于管理水资源短缺危机和确保可持续管理而言是必需的。

水文学、农业和经济分析领域的先前研究表明，水文参数、水质、农艺指标和经济指标之间的关系以非线性和复杂的方式运作（Yang等，2024；Hussain等，2025）。此外，利用统计方法或高级建模技术对这些变量进行同时分析，可以为降低环境风险、应对水资源质量和数量的下降、提高绩效以及增强各类产品的利润提供有效工具。与此同时，近期研究尚未利用机器学习、遥感和经济分析的三重整合来同时模拟水文参数、水质、农艺指标和经济指标之间的非线性复杂关系；这种方法可以为经历水资源压力的干旱和半干旱地区的可持续水资源管理提供实用框架。近年来，数据驱动的机器学习模型作为预测水文事件（包括井水位）的强有力工具取得了显著进展（Boo等，2024；Sudha和Loret，2026；Hibbs等，2026）。此外，对现有文献的回顾凸显了遥感与地理信息系统的整合作为监测人类活动（尤其是集约化农业）驱动的水文变化的稳健方法。超越传统方法，当前研究趋势正日益向高级机器学习（ML）框架转变，以弥合地表和地下过程的复杂性。通过利用机器学习的预测能力，这些混合模型在管理水文系统方面提供了更高的准确性，有效地将高分辨率科学发现转化为可持续流域管理的可操作的宏观决策（Nandi等，2026）。然而，大多数近期研究仅限于预测上述参数之间的少数几个参数。例如，研究通常集中于水文参数、水质参数和农业指标，而忽视了经济指标。机器学习（ML）是人工智能的一个子领域，与数据驱动建模密切相关，因为它专注于利用历史数据创建能够进行预测和识别模式的模型（Chen等，2025；Biswakalyani等，2026）。

鉴于地下水水质变化和随后水位波动问题的重要性，许多研究已采用数据驱动模型来预测地下水水位并考察水文参数、地下水质量与农业生产指标之间的关系（Soleimanpour等，2023）。Naghibi等（2015）利用三种机器学习模型——提升回归树（BRT）、分类回归树（CART）和随机森林（RF），以及十三项有效的水文-地质-地貌（HGP）因素，对伊朗恰哈马哈勒-巴赫蒂亚里省的Kohrang流域进行了潜力评估。地下水潜力建模和制图使用了CART、RF和BRT算法，利用605口井的数据（占数据的70%）进行训练，259口井的数据（占数据的30%）进行模型验证。他们的结果表明，BRT模型产生了最佳预测结果，其次是CART和RF模型，分别在生成地下水潜力图方面具有合理的准确性。Duan等（2016）基于决策模型和多准则决策树算法评估了地下水潜力。他们使用80口管井生成决策树，将多准则决策模型（MCDM）与C5.0和CART模型相结合。在应用决策树进行分类后，确定了四个等级的地下水潜力区域："非常好"、"良好"、"一般"和"差"。在比较两种模型后，C5.0算法被宣布比CART更适合预测地下水潜力区域。

其他研究者将集成机器学习模型应用于地下水建模。Kisi等（2017）比较了三种不同的进化神经网络（ANN）方法在基于降水、蒸散量和历史地下水水位数据估算地下水水位方面的准确性，包括遗传算法（ANN-GA）、粒子群优化算法（ANN-PSO）和帝国主义竞争算法（ANN-ICA）。根据其结果，通过测试不同的控制参数获得了最优的PSO、GA和ICA模型，并获得了地下水水位输入与一个时间滞后步（GWLt-1）组合的最佳模型精度。此外，PSO算法在产生结果方面的表现据报道优于其他两种算法。Wang等（2018）应用了改进的随机森林（RF）回归算法，集成随机特征用于中国大古河盆地的短期地下水水位预测，以降水P(t-2)、温度T(t)和地下水水位H(t)作为最优滞后变量，取得了优越的准确性和效率。Avand等（2020）采用机器学习模型最佳优先决策树（BFtree）、AdaBoost、MultiBoosting和Bagging对伊朗Yasuj的地下水潜力进行制图，通过基于AUC的评估确定了BFtree-Bag集成模型最为准确。Seifi等（2020）使用经六种元启发式算法优化的ANN、ANFIS和SVM模型估算了Ardabil平原的地下水深度，报告GOA-ANFIS最为精确。Fadaee等（2021）预测了佛罗里达城附近的地下水电导率，发现与PSO和MRFO耦合的ANFIS模型产生了最佳结果。Tao等（2022）回顾了2008至2020年的地下水水位预测研究，总结了所应用的机器学习模型和数据规模，并推荐了未来研究方向。Mirzavand等（2015）通过ANN模拟了Kashan含水层中的地下水质量，揭示MLP在氯预测方面优于RBF。Sebghati和Gholami（2019）使用ANN与GIS的整合对里海沿岸的地下水盐度进行建模（R2 = 0.78；RMSE = 0.122），证实了混合模型的有效性。Jafari等（2020）比较了ANFIS和SVM在Maragheh平原地下水波动建模方面的表现，显示ANFIS略微优于SVM，而降雨数据使SVM准确性提高了14%。在乌尔米耶盆地，Moghimi等（2021）将降雨量和地下水水位的下降与EC和SAR的升高联系起来，导致土壤生产力和作物产量降低。Pati等（2025）研究了印度奥里萨邦Balasore的氟化物浓度水平和空间变异性。他们采用四种预测模型——随机森林（RF）、支持向量回归（SVR）、极端梯度提升（XGBoost）和堆叠回归（SR），使用理化参数和采样深度作为预测变量来估算氟化物浓度。研究结果表明，SR模型产生了最低的平均平方误差和平均绝对误差得分（分别为0.01817和0.10327）。此外，作者强调了集成学习方法在处理复杂数据集方面的优越性，从而为有效管理地下水氟化物提供了稳健的框架。Mirkamandar等（2025）利用Landsat衍生的NDVI估算了Zangi-Abad的种植面积和地下水水位，预测种植面积将从57.34%（2002年）下降到9.63%（2036年），由于开心果产量减少，将产生严重的社会经济影响。这一综合回顾凸显了水文和水质因素对农业和经济指标的相互影响。Snousy等（2025）提出了混合HPHO-ANN模型来预测埃及的灌溉水质指数（IWQI），取得了很高的预测精度（R = 0.99）。他们的发现表明，地下水质量受自然和人为因素的共同影响，与钠相关的参数在灌溉适用性中起着关键作用，从而为半干旱地区的水资源管理提供了有价值的工具。在2023至2024年对科索沃Drinica河进行的一项研究中，Byty?i等（2026）采用了底栖大型无脊椎动物指数和理化分析相结合的方法来评估生态完整性。结果表明，耐污物种比例增加，敏感的EPT类群减少。统计和多准则评估确定，COD、TDS和营养元素（N和P）浓度升高是造成下游生态退化和生物多样性丧失的主要因素。因此，作者强调了迫切需要管理废水和减轻农业径流，以促进生态系统恢复。为应对气候变化下的地下水管理挑战，Halder等（2026）提出了一种创新的GIS-MCDM框架，旨在克服水文和基础设施不确定性。研究利用WOA结合AHP和SWARA，将七个从生物物理到水质参数的基本专题图层整合到一个单一的决策支持模型中。模型可靠性通过AUC = 0.768进行了验证，展示了其在优化井位选址和促进空间明确的干预措施以增强脆弱地区供水韧性方面的有效性。

基于这些发现，本研究采用AdaBoost和XGBoost模型与Landsat 7和8数据（2011-2024年），对伊朗Kerman平原巴吉恩和Sadi地区的地下水水位和开心果种植面积进行预测。选择提升模型而非其他数据驱动机器学习模型的原因是它们能够对变量之间的非线性关系和相互作用进行建模，具有高性能、对噪声的鲁棒性、混合类型预测变量的适应性，以及产生理想结果的能力，这在大多数研究中已得到证实。Kerman省的巴吉恩平原因其广泛的开心果园而具有重要的经济和田园农业意义。然而，初步评估表明，该地区面临严峻挑战，包括严重的水资源短缺、高地下水开采率和日益严重的化学污染脆弱性。关键的是，尽管面临这些水资源限制，种植面积仍在逐年扩大。这种水资源短缺与农业扩张之间的矛盾使巴吉恩平原成为伊朗东南部一个典型且重要的案例研究区域。因此，将其选为研究区域，以调查地下水资源的定量和定性状况，并通过高级机器学习模型为应对这些挑战提供管理洞察。

利用农业经济指标，确定了果园的管理状态，强调了在地下水开采中需要使用综合性、多方面的方法（农业、环境、经济、社会和政治），并充分、长期地关注可持续发展。本研究考察了水文变量（降水量、地下水位）、水质指标（电导率、总硬度、钠吸附比、酸度）与开心果产量及经济因素（水成本、开心果价格和利润）之间的关系，强调了可持续地下水管理在高价值开心果生产中的作用。通过将农业指标与水文因素（降雨量和地下水位）以及地下水质量变量相结合，利用机器学习算法对地下水位、水质指标和开心果收获率进行了建模。本研究的主要创新在于机器学习、遥感与经济学分析的三重整合，用于对克曼平原干旱地区的地下水动态、水质和开心果产量进行同步综合评估。这种跨学科方法能够模拟水文、农业和经济因素之间的非线性关系及复杂相互作用，并为缺水地区的可持续水资源管理提供了实用框架。值得注意的是，本研究首次引入了三个农业指标（开心果种植面积指数、收获量指数和用水量指数）以及六个农业经济指标（实际水价格指数、农作物价格指数、付费水价格指数、实际利润指数、已获利润指数和负利润指数）。研究区域根据图1，本文研究的区域包括伊朗东南部克尔曼省Baghin和Sadi地区的开心果园。该地区总面积为1530.4平方公里。图中所示果园总面积为109平方公里，约含300万棵开心果树。在建模中，计算并分析了平均收获指数、降雨量以及地下水参数（地下水位及其质量指标）。建模结构在本节开头，阐述了建模组件以及水文、水质和农学变量的整合与互联，以估算作物产量，并与地下水位平衡或地下水质量指标相结合。本节最后阐述了遥感工具和卫星图像分析技术在估算开心果园种植面积中的应用。结果本节分为两个主要部分。第一部分使用误差指标和各种图形分析评估机器学习模型在模拟地下水位和地下水质量指标方面的性能。据此，在数据挖掘算法下，基于从综合气候农业-地下水分析中得出的输入和输出，对Baghin地区研究含水层进行了定量和定性评估。关键发现摘要本研究提出了一种结合机器学习（使用XGBoost和AdaBoost的集成方法）、遥感（NDVI）和农业经济指标的综合框架，用于估算伊朗Baghin地区的地下水动态和开心果产量。XGBoost在地下水位建模中取得了可接受的结果（NS = 0.6797），而AdaBoost在预测地下水质量指标（NS = 0.5145）和开心果产量（NS = 0.5699）方面表现更优。遥感评估表明……结论本研究最重要的维度之一是在概念框架内对问题空间的调查。大气因素（降雨）和用水量（间接通过种植面积体现）显著影响地下水的数量和质量。该地区的半干旱气候，加上以最大化作物产量为目标的管理措施（由于缺乏反映消耗水真实价值的定价……）作者贡献声明Bahareh Mirkamandar：撰写——审稿与编辑，撰写——原稿，验证，方法论，数据整理。Mohammad Zounemat-Kermani：撰写——审稿与编辑，撰写——原稿，验证，监督，方法论。Abdollah Ramezani-Charmahineh：撰写——审稿与编辑，撰写——原稿，验证，方法论，形式分析。Mohammad Bagher Rahnama：撰写——审稿与编辑，撰写——原稿，监督。未引用参考文献Aghamolaie等，2018；Aghamollaei等，2014；Ali Zainab和Burhan Abbas，2023；Amini Zadeh Bezanjani等，2012；Moghimi等，2021；Rastegar和Paimozd，2022。数据可用性数据可通过向作者提出合理请求获得。代码可用性不适用。利益冲突声明作者声明，不存在与本文内容相关的利益冲突。伦理声明本研究不涉及人类参与者、动物或以任何形式的人类或动物组织。本研究中使用的所有数据均来源于遥感图像（如用于NDVI计算的卫星数据）、公开的水文记录以及农业经济统计数据。未与人类受试者或动物进行直接互动，因此无需机构伦理审查批准。写作过程中生成式AI的声明在本作品的准备过程中，作者仅使用大语言模型（LLM）平台来辅助润色语言、提高句子可读性以及优化手稿部分章节的学术措辞。在使用这些工具后，作者进行了彻底审查、核实并根据需要编辑了内容，并对出版物的整体内容承担全部责任。资金不适用。竞争利益声明? 作者声明不存在已知的竞争财务利益或可能影响本文所述工作的个人关系。Bahareh Mirkamandar | Mohammad Bagher Rahnama | Abdollah Ramezani-Charmahineh | Mohammad Zounemat-Kermani伊朗克尔曼市沙希德·巴霍纳尔大学农学院水利工程系