《Water Resources Research》:A National Scale Hybrid Machine Learning Model for Enhanced Groundwater Depth Estimation
编辑推荐:
地下水是最有价值的自然资源之一,但日益受到气候变化和人类活动的压力。浅层地下水埋深(GWD)是评估地下水可利用性和洪水风险的关键指标,然而观测往往过于稀疏,难以捕捉其在时间和空间上的变化。本研究评估了混合数据驱动机器学习(ML)模型,该模型结合现有水文模拟的优
地下水是最有价值的自然资源之一,但日益受到气候变化和人类活动的压力。浅层地下水埋深(GWD)是评估地下水可利用性和洪水风险的关键指标,然而观测往往过于稀疏,难以捕捉其在时间和空间上的变化。本研究评估了混合数据驱动机器学习(ML)模型,该模型结合现有水文模拟的优势与ML方法的预测能力,以改进丹麦的GWD估算。混合模型将水文模拟的平均偏差从1.72 m降至0.22 m,并在全国尺度上将均方根误差(RMSE)降低约1.64 m。此外,研究人员证明,增加GWD观测在时间和空间上的可用性可提升模型性能。研究人员还展示了混合方法在跨尺度GWD估算中的灵活性和有效性,结果表明,以粗空间分辨率开发的混合模型可便捷用于高分辨率GWD估算,且精度无显著下降。本研究凸显了混合建模作为提高地下水定量精度实用解决方案的潜力,并展示了获得更高分辨率估算的途径。
该研究针对地下水埋深(GWD,地表至饱和带顶部的深度)估算中观测稀疏、物理基水文模型(PBM,基于物理过程的水文模型)输入要求高且绝对地下水位偏差大、纯机器学习(ML)空间建模常简化时间或仅限井位等问题开展。丹麦约100%饮用水来自地下水,GWD通常较浅且易致洪,已有丹麦国家水文模型(DK-model)为混合建模提供理想测试。研究构建并评估混合数据驱动ML模型:以DK-model模拟GWD等为输入,比较不依赖DK-model输出的ML-baseline、直接预测GWD的Hybrid1和预测DK-model残差的Hybrid2。结论为Hybrid2最优,全国尺度RMSE较DK-model降低约1.64 m,平均偏差由1.72 m降至0.22 m;增加观测时空覆盖可提升性能,粗分辨率训练的混合模型可用于高分辨率估算。意义在于为地下水定量和洪水风险评估提供更准确、可扩展的工具。
关键技术方法(不超过250字):研究使用丹麦Jupiter国家井数据库1990—2024年约45,673口浅层井观测;以MIKE SHE实现的DK-model 500 m和100 m模拟为物理基线;采用轻量梯度提升机(LightGBM)并借助Optuna调参,设置ML-baseline、Hybrid1和Hybrid2三种目标;输入含DK-model模拟GWD、根区含水量、地下水开采、温度、净降水、地形、土地利用、土壤和水文地质等动态/静态特征;用SHAP解释;开展50折按井空间交叉验证、k-means距离空间交叉验证、时空留出与时间留出实验;以RMSE、Spearman秩相关系数(CC)和平均误差(ME)评价。
3.1 混合模型性能(Hybrid Model Performance)
3.1.1 基于井的空间交叉验证(Well-Based Spatial CV):通过按井分组50折空间CV,DK-model平均RMSE为3.38 m,Hybrid1为1.84 m,ML-baseline为1.92 m,Hybrid2最低为1.74 m,较DK-model改善1.64 m;ME由1.72 m降至0.22 m;井级CC中Hybrid2最高0.55,Hybrid1为0.43,ML-baseline为0.31。结论:Hybrid2主要校正空间偏差并降低误差,但时间相关性提升有限。
3.1.2 基于距离的空间交叉验证(Distance-Based Spatial CV):通过k-means按坐标聚类并留一簇验证,聚类数n=4—300时训练测试井中位最短距离约85—3 km;随聚类数增加,ML模型相对DK-model的RMSE改善总体增强;小聚类时ML-baseline接近DK-model,而Hybrid2更稳健。结论:混合模型在稀疏监测和远离观测井处仍较可靠,但技能依赖局部监测密度;丹麦异质性有限,性能对距离敏感性不强。
3.1.3 时空留出测试(Spatio-(Temporal) Holdout Test):通过50口空间分离长记录井,实验3完全排除这些井进行时空留出、实验4保留其历史观测进行时间留出,均预测2024年;训练样本从2000目标年58,933增至2023年384,423;实验3 RMSE由2.0 m降至1.7 m,实验4持续优于实验3,2020年后提升明显。结论:扩大并共享观测数据可提升估算,但训练数据增加不必然自动提升,2010年前后变差可能因新增信息有限或固定超参数限制。
3.2 混合模型的可扩展性(Scalability of Hybrid Model):通过比较500 m、100 m及将500/100 m模型用于10 m预测,DK-model 100 m的RMSE由500 m的3.38 m降至3.16 m;Hybrid2由500 m的1.74 m降至100 m的1.37 m;留一50簇下500→100与100→100约2.30 m,优于DK-model的3.26 m;10 m探索中500→500为2.44 m、500→10为2.31 m,100→100为2.29 m、100→10为2.25 m。结论:混合框架具跨尺度可迁移性,但10 m精度提升小,仍需高密度观测验证。
3.3 丹麦GWD增强(Enhanced GWD in Denmark):通过以2024年前数据训练并在2024年50口井评估,全国500 m Hybrid2在2024年RMSE约0.8 m;DK-model多数低估,北部和中部部分区域略高估;残差冬季约1.50 m、夏秋约1.20 m;Hybrid2初冬GWD约3.0 m,比DK-model深约1.0 m,总体深约1.32 m,与观测平均深1.62 m的方向一致。结论:混合模型可生成更接近观测的全国GWD,并揭示残差时空格局。
3.4 特征重要性(Feature Importance):通过SHAP分析Hybrid2,DK-model模拟GWD(DKM_gwd)最重要,其次为距水体距离和数字高程模型(DEM);前15个特征占86.8%解释力;动态气候变量贡献小,气候影响更多包含在DK-model模拟GWD中;ML-baseline加入累积净降水后性能提升;空间SHAP格局地理连贯,DKM_gwd的SHAP值冬春高、夏秋低。结论:混合模型利用物理过程信息并进行区域性偏差校正,且对不同季节动态加权。
讨论部分总结:讨论指出该研究采用串行混合,将PBM输出作为ML输入,类似后处理,效率高;地下水混合应用仍少,本研究以多年数据展示大尺度高分辨率GWD估算。适用性取决于监测网络代表性和PBM质量;训练数据分布偏移可解释低性能区,基于SHAP加权差异指数(DI)阈值0.55显示丹麦大部分适用,中北部深层GWD区可靠性较低。局限包括观测筛选与井结构不确定性、DK-model跳变填补、点到网格匹配、25.8%观测与校准数据重叠、混合主要降低偏差和RMSE而对时间相关性提升有限、连续观测井仅约300口、LightGBM非时间序列感知、10 m结果为探索性。
研究结论(Conclusions)翻译:GWD是评估地下水资源和洪水风险的关键参数。鉴于准确估算绝对GWD的挑战,本研究开发并评估了一种混合模型,将现有PBM模型即DK-model的信息与ML方法的预测能力相结合。结果表明,混合方法在RMSE和ME方面显著提高估算精度。评估了两种混合方案,以GWD PBM残差为ML训练目标的Hybrid2优于直接以GWD为目标的Hybrid1。Hybrid2将DK-model的RMSE降低1.64 m。此外,500 m DK-model的ME为1.72 m,使用Hybrid2模型降至0.22 m。在更高分辨率DK-model版本中也观察到类似改进。结果还表明,在测量数据有限的地区,GWD估算仍更不确定,强调增强监测网络的重要性。混合模型在不同空间分辨率上具有可扩展性和灵活性:RMSE从500 m分辨率的2.44 m降至100 m的2.29 m,并进一步降至10 m的2.25 m。在全国尺度上,混合模型估计2024年平均GWD较原始500 m模型结果增加1.32 m。Hybrid2预测的2024年残差呈现明显时空模式,表明局部条件和时间变异性均影响预测精度。SHAP分析确定DK-model模拟GWD为最有影响的预测因子,证实混合模型有效利用物理过程信息,同时通过数据驱动学习校正系统偏差。总体而言,本研究强调了结合PBM和ML方法改进GWD估算的效率、灵活性和实用性。混合建模框架为地下水资源量化和洪水风险评估等实际应用提供了有前景的工具,特别是在常规水文模型存在但难以重新校准或优化的地区。