《Physics and Chemistry of the Earth, Parts A/B/C》：Enhancing groundwater monitoring in data-scarce regions through machine learning-driven downscaling of GRACE observations
编辑推荐：
•机器学习方法可用于对数据稀缺地区的GRACE地下水异常数据进行降尺度处理。•随机森林模型在地下水预测和泛化性能上表现最佳。•降尺度处理后的地图揭示了利雅得地区的局部地下水枯竭热点。•大气需求对地下水动态的影响日益超过降水输入。•该框架支持基于气候信息的地下水分区及适应性水资源管
- •
机器学习方法可用于对数据稀缺地区的GRACE地下水异常数据进行降尺度处理。
- •
随机森林模型在地下水预测和泛化性能上表现最佳。
- •
降尺度处理后的地图揭示了利雅得地区的局部地下水枯竭热点。
- •
大气需求对地下水动态的影响日益超过降水输入。
- •
该框架支持基于气候信息的地下水分区及适应性水资源管理。
引言
水是地球上最重要的资源之一，用于农业、城市建设和自然生态。特别是在淡水资源有限的地区，如干旱和半干旱区域（Alao等人，2024年；Bouchaou等人，2024年；Karandish等人，2025年；Scanlon等人，2023年）。然而，由于天气模式的变化、人口的增长以及开发的加剧，全球许多地区的地下水资源已经枯竭，这成为一个重要的环境、社会和政治问题（Davamani等人，2024年；Sharma和Paswan，2025年）。地下水枯竭会影响粮食安全，加剧快速发展的城市地区的水资源压力，并使许多人难以获得清洁的水源。此外，地下水枯竭还会破坏生态平衡，导致受影响地区的土地退化（Cao和Roy，2025年；Elsaidy等人，2025年；Karandish等人，2025年）。随着水资源的减少，人们将不得不更加依赖昂贵的替代水源（例如淡化水）。同时，关于如何管理跨界含水层和分配水资源的问题也引发了越来越多的政治冲突（Moon等人，2026年；Shemer等人，2023年）。这些挑战与多个关键的全球可持续发展议程相吻合，包括清洁水和卫生设施（SDG 6）、可持续城市和社区（SDG 11）以及气候行动（SDG 13）。这些可持续发展议程的重点是可持续用水、应对气候变化的能力以及公平的资源分配。尽管地下水监测技术的进步提高了对地下水的测量和监测能力，但地下水系统的空间和时间维度复杂性限制了有效评估其健康状况的能力。因此，需要开发新的分析框架，以便在大规模和局部空间及时间尺度上对地下水进行测量和解释。
由于降水量低且不规律、蒸发蒸腾率高以及极端干旱的气候条件，中东地区的地下水供应面临严重压力（Al-Taani等人，2021年；Mahmoud和Gan，2019年；Mallick等人，2025年）。该地区的许多国家都将 groundwater 作为生活、农业和工业用水的重要来源；然而，目前地下水的抽取速度超过了可持续的限度（Aloui等人，2023年；Nouri等人，2023年；Wang等人，2024年）。由于城市化、人口密度过高以及极端的气候条件，利雅得地区（Najd高原）的地下水资源面临巨大压力，水资源管理也极具挑战性。此外，由于缺乏植被覆盖、大量蒸发以及降水模式的不稳定或变化，导致该地区的地下水几乎没有补给，这给沙特阿拉伯的水资源管理带来了严峻挑战（Altayyar等人，2024年；EL-Bana等人，2024年）。然而，由于卫星跟踪系统通常在大范围内运行并且采用周期性时间间隔进行观测，因此水资源规划和管理难以利用这些观测数据来制定针对局部地区的管理策略。现有研究主要集中在地下水使用趋势或大规模评估上，而对局部区域的评估能力不足，这导致在如何将卫星观测信息细化为更精确的数据方面存在研究空白，从而影响未来的水资源管理和规划。
在数据稀缺的地区，需要开发能够在不损害卫星观测数据质量的前提下提升空间表示能力的地下水监测方法。机器学习方法能够检测地下水储存量与环境预测因子之间的非线性关系，但如果将空间和时间依赖的观测数据随机划分为不同的训练集和测试集，可能会导致过高的性能估计。相邻单元之间的强空间依赖性和时间持续性是信息泄漏问题的主要原因，尤其是在使用GRACE数据进行地下水评估时。因此，应将通过GRACE观测到的大尺度储存信号与环境及地形预测因子估算的子网格空间变异分开。这可以通过使用受GRACE约束的残差框架来实现，该框架既能存储大尺度储存信号，又能通过机器学习捕捉单元内的空间变异。此外，还需要进行独立的时间测试，以评估学习到的关系在开发期后的适用性，并与基于持续性的基准进行比较。基于机器学习的GRACE储存量空间分解方法已在加利福尼亚中央谷地（Miro和Famiglietti，2018年）、印度南部的裂隙结晶含水层（Pascal等人，2022年）以及撒哈拉以南非洲数据稀缺流域（Shilengwe等人，2024年）得到验证；最近的一项系统评价表明，随机森林和其他基于树的集成方法是目前应用最广泛的算法（Al Nadabi等人，2026年）。鉴于此，本研究的目标是：（i）描述2003年至2024年间利雅得地区地下水异常的长期演变和空间变化；（ii）开发一种受GRACE约束的机器学习算法，用于1公里范围内的地下水数据空间分解；（iii）评估所获取数据的空间泛化能力、时间转移性以及与独立模型相比的准确性和可靠性。
章节摘录
研究区域
利雅得地区位于沙特阿拉伯的中部。地理上，其纬度范围大约在北纬19°至27°之间，经度范围在东经41°至48°之间（图1）。该地区位于Najd高原上，气候干旱，人口密度不均匀，最高人口密度约为每0.01平方公里0-80人；大量人口集中在利雅得市区。
地下水储存异常的时空变异性（GWSA）
从2003年2月到2024年12月，基于GRACE和GLDAS数据生成的GWSA在整个研究区域内显示出显著的时间变异性，GRACE TWSA和GLDAS组件之间共有263个匹配的月度观测数据。其中218个月的GWSA观测数据可用，占总观测数据的82.89%，有45个月的GRACE观测数据缺失。具有可用观测数据的月份的平均空间覆盖率为66%。
讨论
GWSA数据显示，在研究初期，地下水异常值 mostly 为正或负值；而到了后期，特别是在2019-2024年期间，异常值变为负值。这与高地表温度、高潜在蒸发蒸腾量和蒸汽压亏缺有关，同时降雨量不稳定，导致土壤湿度低，表明利雅得地区的水文气候压力持续存在。同样的地下水枯竭模式在该地区普遍存在。
结论
本研究分析了2003年至2024年间利雅得地区GRACE–GLDAS衍生的地下水储存异常的时空变化，并评估了一种用于空间分解这些异常的机器学习方法。GWSA记录显示，从研究初期开始，地下水异常值大多为正或负值，但到了2010年代中期以后，负值逐渐增多，且季节性特征明显。直接使用机器学习进行预测在时间上的准确性不够理想。
CRediT作者贡献声明
Javed Mallick：负责撰写原始稿件、可视化处理、验证、软件开发、资源管理、项目协调、方法论设计、调查研究、资金争取、正式数据分析、数据整理及概念构思。Saeed Alqadhi：负责撰写原始稿件、可视化处理、软件开发、项目协调、正式数据分析、数据整理及概念构思。Hoang Thi Hang：负责撰写原始稿件、软件开发、资源管理、正式数据分析及概念构思。Husnain Haider：
“本研究使用和/或分析的数据集可向相应作者提出合理请求后获取。”
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
“作者感谢沙特阿拉伯King Khalid大学科学研究系通过RGP.2/265/47号研究课题资助了本项工作。”
Javed Mallick|Saeed Alqadhi|Hoang Thi Hang|Husnain Haider
