引言
地下水资源动态对于水资源可用性、生态系统功能以及关键带（critical zone）的行为至关重要（Eamus和Froend，2006；Green等人，2011；Taylor等人，2013；Wlostowski等人，2021）。这些动态包括入渗、土壤水分再分布、非饱和带流动以及深层地下水补给，它们连接了近地面土壤、风化的基岩和更深的储水层（McDonnell，2003；Rempe和Dietrich，2014）。在山区环境中，表征地下系统对气象因素的响应尤其困难，因为土壤和风化深度、岩性差异以及水文连通性在短距离内会发生变化（例如Lovill等人，2018；Riebe等人，2017；Uhlemann等人，2024）。因此，相同的气象条件可能导致同一山坡上出现不同的湿润、干燥、水分储存和补给响应（例如Miller等人，2008）。
目前模拟这些响应的主要方法是基于物理的水文模型，这些模型在广泛尺度上对气候驱动的水文过程有了深入的理解（Green等人，2011；Maxwell和Kollet，2008；Maxwell和Miller，2005）。然而，模型的性能在很大程度上取决于地下属性的表示精度，而这些属性通常受到有限钻孔数据和泛化地质图的限制（Refsgaard等人，2012）。在异质的关键带环境中，这种有限的信息无法捕捉控制水分分布、储存和传输的渗透性、储水能力和连通性的短期变化，从而使得水文建模存在重大不确定性（Maina等人，2022；Refsgaard等人，2012）。结合空间范围广泛的观测数据可以通过提供更强的地下结构和水文变化约束来减少这种限制（Chen等人，2023；Perzan等人，2023）。然而，基于过程的模型仍然需要对复杂的地下系统进行简化表示，可能无法完全捕捉特定地点的异质性、连通性和控制气候变化的水文响应的瞬态特性。
通过观测数据来描述这些动态需要空间分布和时间分辨率高的数据。水文地球物理方法非常适合这一需求，因为它们能够在不同水文条件下提供非侵入性、空间分布且可重复的地下状态观测（Binley等人，2015；Parsekian等人，2015）。在可用的方法中，电阻率测量尤其相关，因为它对含水量和饱和状态的变化非常敏感（Binley等人，2015；Chen和Niu，2022；Lesmes和Friedman，2005）。时序电阻率层析成像（TL-ERT）通过反复成像变化中的地下状态，将这种能力扩展到了时间域，因此被广泛用于监测复杂环境中的水文变化（Dimech等人，2022；Miller等人，2008；Musgrave和Binley，2011；Pleastants等人，2022；Singha等人，2015）。通过适当的岩石物理关系，得到的电阻率场可以转换为含水量数据，从而提供关于地下湿润、干燥和储存再分布的空间和时间分辨率信息。然而，TL-ERT主要被用于监测地下变化，其在地下动态建模中的应用仍然有限。适当框架下的时间序列数据集可以与数据驱动的建模相结合。
这就在观测丰富的水文地球物理监测记录与重建地下水资源动态及其对气候变化响应所需的建模能力之间形成了差距。一种建立这种联系的方法是使用ERT观测数据来校准或约束基于过程的水文模型，然后可以对该模型进行时间推进模拟（Kang等人，2018；Pleastants等人，2022；Wang等人，2025）。这种方法将空间分布的地球物理观测数据与基于物理的地下流动和储存模拟相结合。然而，这需要事先的水文模型概念化和反复的水文-地球物理校准，这在计算上可能要求较高。在装有仪器的站点，连续的TL-ERT记录与气象观测数据相结合，为特定地点的建模提供了所需的输入-响应基础。气象数据描述了外部的水文气候强迫，而TL-ERT记录则捕捉了空间分布的地下响应。然而，将这种成对记录转化为地下动态模型仍然具有挑战性，因为大气强迫与地下电阻率变化之间的关系是非线性的、多尺度的并且具有地点特异性。这反映了入渗、积雪融化、储存再分布以及植被介导的水分利用的综合影响。这些特性使得为野外TL-ERT记录规定一个通用的确定性强迫-响应关系变得困难。
机器学习提供了一种实用的方法，可以直接从观测数据中学习这种复杂的强迫-响应关系（Hornik等人，1989；Reichstein等人，2019；Shen，2018）。在所提出的框架中，使用气象强迫和当前地下电阻率数据来重构随后的电阻率变化。这减少了对预设水文概念模型的依赖，允许灵活地表示异质性和特定地点的响应，并在训练后实现计算效率高的重构。最近的水文机器学习研究表明，循环神经网络（RNN）、卷积神经网络（CNN）和基于注意力机制的架构能够再现复杂的空间-temporal水文行为（Dai等人，2025；Maxwell等人，2021；Tran等人，2021）。然而，将数据驱动模型应用于野外TL-ERT记录仍然具有挑战性，因为观测数据在空间和时间上受到强烈限制。如果没有适当的约束，模型可能会再现总体趋势，但无法保持地下湿润和干燥的空间连续性和季节性一致性。因此，在模型训练中结合领域知识对于提高递归重构的稳定性、结构真实性和水文解释性非常重要（Karpatne等人，2017；Reichstein等人，2019）。
在这项研究中，我们开发了一个基于知识的机器学习框架，利用当前电阻率状态和每日气象强迫数据，来重构和递归传播经过温度校正的地下电阻率的空间-temporal演变。该框架结合了统一的递归公式、保留空间结构的基于知识的损失函数，以及一种无需使用后续观测电阻率场作为输入的滚动策略。所有ERT数据集在机器学习分析前都校正到了25°C的公共参考温度。假设在研究期间地质结构保持不变，校正后的电阻率的时间变化主要被视为地下含水量变化的代理。本研究的目标是确定这种观测驱动的框架是否能够重构季节性电阻率动态，并支持在结构复杂的山区山坡上进行的水文解释和未来情景分析。为了实现这一目标，我们在共享的递归框架内比较了三种神经架构，并在验证和测试窗口内评估了它们的重构性能，然后进行了为期一年的滚动递归重构以评估时间稳定性。我们进一步应用了“升温+4°C”的人为扰动，以考察学习到的气候-电阻率关系对变化中的强迫的响应。这些分析共同为使用长期TL-ERT观测数据重构地下动态、支持水文解释以及探索其对未来强迫情景的响应提供了特定地点的概念验证。
