《Journal of Hydrology: Regional Studies》：Groundwater potential mapping using conventional and machine learning approaches with multi-indicator validation of Aflaj systems in Oman
编辑推荐：
在干旱和半干旱地区，地下水是主要可靠水源，尤其在降雨稀少、蒸散发强烈且地表径流有限的区域。在阿曼，地下水潜力评估的需求与水文的复杂性和长期用水体系紧密相关。本研究在阿曼东北部Alaqida盆地开发了一种混合层次分析法-极限梯度提升（AHP-XGBoost）框架
在干旱和半干旱地区，地下水是主要可靠水源，尤其在降雨稀少、蒸散发强烈且地表径流有限的区域。在阿曼，地下水潜力评估的需求与水文的复杂性和长期用水体系紧密相关。本研究在阿曼东北部Alaqida盆地开发了一种混合层次分析法-极限梯度提升（AHP-XGBoost）框架，用于地下水潜力分区。研究人员首先利用降雨、地质、坡度、排水密度、土地利用/土地覆盖（LULC）、线性体密度和土壤类型七个条件因子，通过AHP生成专家参考类别，随后将这些类别作为响应变量训练XGBoost模型。数据集包含40,083个像素样本，采用5 km × 5 km空间块交叉验证（CV）划分，以解决空间自相关问题。结果表明，XGBoost模型在测试集上的平均准确率为0.929，平均绝对误差（MAE）为0.071，二次加权卡帕系数（QWK）达0.941。地质、坡度和土壤等级是最强的预测因子。有利的地下水潜力区与干谷、冲积层和构造走廊一致。通过地下水井、回灌坝和传统法拉吉（Aflaj）路径进行的独立外部验证进一步证实了制图结果的可靠性，其中法拉吉系统的受试者工作特征曲线下面积（AUC）为0.718，地下水井为0.687。该研究将静态的专家制图成果扩展为一个可检验、可推广的混合预测框架，对阿曼北部干旱山区的地下水勘探、回灌规划和水资源管理具有重要意义。
一、研究背景与科学问题
在全球干旱和半干旱地区，地下水是维持居民生活、农业生产和生态系统服务的最可靠淡水来源。然而，这些区域普遍面临降雨量低且时空变异性大、蒸散发强烈、地表径流短暂且分布不均等严峻挑战。特别是在山区，陡峭的地形梯度、非均质的岩性以及断裂基岩共同造成了入渗、地下水流和地下水可获取性的强烈空间对比。因此，精准刻画地下水潜力区对于指导地下水勘探、规划人工回灌以及保护依赖补水的供水系统具有重要的实践意义。
在阿曼苏丹国，这一需求尤为迫切。该国北部的水文地质环境极为复杂，由碳酸盐岩、蛇绿岩单元、风化硬岩域和冲积含水层组成，其水力特性在短距离内变化显著。地下水补给呈现事件驱动型特征，通常与强风暴和干谷洪水事件相关，而非持续的弥散入渗。更为关键的是，阿曼拥有历史悠久的法拉吉（Aflaj）系统——一种建于1500至2000年前、依靠重力输水且无需外部能源的传统地下水截引工程，至今仍在运行。近年来的水化学和同位素证据表明，法拉吉系统与含水层系统紧密相连，反映了不同的补给源和流动路径。此外，阿曼还大量投资建设回灌坝及相关的人工含水层补给（Managed Aquifer Recharge, MAR）设施，以拦蓄洪水、增加含水层储量。因此，对阿曼山区盆地的地下水潜力评估，不仅关乎新的地下水开发，更直接影响到对这些古老而关键的供水基础设施的保护。
尽管基于地理信息系统（GIS）的层次分析法（Analytic Hierarchy Process, AHP）在多准则决策框架中被广泛用于地下水潜力制图，但其权重分配和分类结果高度依赖于特定流域的专家判断，导致成果难以直接跨流域推广。同时，现有研究的验证手段往往局限于因子权重逻辑或有限的井位吻合度检验，缺乏独立的、反映补给特征和地下水流路径的水文指标验证。因此，如何将专家经验转化为一个可测试、可比较、可外推的预测框架，成为当前研究的关键瓶颈。
二、研究目标与方法概述
为解决上述问题，本研究在阿曼东北部的Alaqida盆地（约1093 km2）开展了一项系统性研究。研究人员构建了一个创新的混合层次分析法-极限梯度提升（AHP-XGBoost）框架，旨在实现两个核心目标：一是评估机器学习模型能否有效学习并复现专家主导的AHP地下水潜力分区；二是通过多种独立水文证据对该分区进行严格的外部验证，从而将静态的专家地图升级为一个更具检验性和应用潜力的混合预测工具。
研究采用了七个标准化的地下水条件因子：降雨量、地质、坡度、排水密度、土地利用/土地覆盖（LULC）、线性体密度和土壤类型。数据来源包括日本宇宙航空研究开发机构（JAXA）的ALOS PALSAR数字高程模型（DEM，12.5 m分辨率重采样至30 m）、阿曼农业渔业和水资源部（MAFWR）提供的1:10万比例尺地质图、土壤数据库、1993-2022年雨量站数据、断层与裂隙图以及2022年土地利用分类图。所有数据统一投影至UTM Zone 40N坐标系，并以30 m空间分辨率进行处理。
关键技术流程如下：
- 1.
AHP加权叠加分析：基于Saaty九级标度法对七个因子进行成对比较，计算出一致性比率（CR）为0.041的权重向量（降雨38%、地质24%、坡度13%、排水密度9%、LULC 7%、线性体密度5%、土壤类型4%）。通过加权线性组合计算地下水潜力指数（Groundwater Potential Index, GPI），并采用自然间断点法将其划分为高、中、低、极低四个潜力等级，作为后续机器学习的参考标签。
- 2.
空间块交叉验证设计：为避免邻近像素间的空间自相关性导致模型性能被乐观估计，研究人员基于响应变量的经验变异函数（变程5.6 km），在流域上覆盖了一个5 km × 5 km的规则网格（共46个含数据块），并将这些块按规模平衡约束分配到五个折中，确保训练集和测试集在空间上完全分离。
- 3.
XGBoost模型开发：采用Python中的xgboost库（v3.2.0）实现分类器。模型设置包括：multi:softprob目标函数、200棵树、最大深度3、学习率0.05、子采样比例0.8、列采样比例1.0。模型输入为七个条件因子（x3-x9），输出为AHP定义的四个地下水潜力类别。模型性能通过准确率（ACC）、宏平均F1分数（Macro F1, MF1）、Cohen's Kappa、二次加权卡帕系数（Quadratic Weighted Kappa, QWK）、马修斯相关系数（Matthews Correlation Coefficient, MCC）和平均绝对误差（Mean Absolute Error, MAE）等多维度指标进行评估。
- 4.
多指标外部验证：除了常规的ROC曲线分析（基于地下水井和法拉吉系统），研究还引入了两种独特的定性验证手段：将两座回灌坝的位置叠加到最终潜力图上，以及将三条传统法拉吉系统的路径与潜力分区进行空间相交分析。
三、研究结果
4.1 土壤特征与地下水潜力
土壤类型是控制入渗能力的关键因素。Alaqida盆地土壤主要由砾石、沙子和岩石露头组成。砾石和粗冲积物（占盆地47.29%）因高孔隙度和渗透性被赋予高适宜性等级，主要分布在中央盆地和干谷廊道；而岩石露头和浅薄土壤（占52%）集中在山区上游，入渗能力有限。
4.2 坡度的影响
坡度是控制地表径流与入渗的重要地形因子。盆地内约52.14%的区域坡度极低（0-5°），主要位于中央盆地和谷底，有利于入渗和地下水补给。陡坡（>30°，占14.07%）则集中在蛇绿岩高地，促进了快速径流，限制了补给。
4.3 地质对地下水赋存的控制
地质条件是控制渗透性、储水能力和地下水流路径的最重要因素之一。冲积层（占盆地41.66%）因未固结和高水力传导度，分布于中央和下游谷地，具有最高潜力。哈德拉毛特群碳酸盐岩（占16.66%）因次生孔隙发育，具有中等潜力。而蛇绿岩单元（占37.17%）主导上游山区，原生孔隙度低，对应低潜力区。
4.4 降雨分布与补给潜力
虽然盆地整体气候干旱，但上游山区年均降雨量较高（可达187 mm）。降雨与有利的地形、渗透性冲积层及结构增强带相结合，沿主要干谷形成集中补给。
4.5 结构性影响：线性体密度
线性体（断裂、节理）增强了次生孔隙度和渗透性。高线性体密度区（>130，占7.69%）主要集中在西部和东北部的断裂带和构造增强干谷廊道，为地下水流动提供了优先通道。
4.6 排水密度
低排水密度区（<1.0 km/km2，占20.61%）主要与冲积平原和干谷底部相关，入渗能力强；高排水密度区（>4.0 km/km2，占24.57%）集中在山区和构造控制地形，反映了低渗透性和快速径流。
4.7 土地利用/土地覆盖
盆地97.7%的面积是裸地，这决定了径流驱动的补给机制占主导地位。农业用地和农田（合计不足1%）集中在高和中潜力区，进一步印证了地下水可用性与土地利用之间的关联。
4.8 地下水潜力区
AHP加权叠加生成的最终地下水潜力区（GWPZ）显示：高潜力区占14.28%，沿主要干谷、砾石冲积层和构造增强带分布；中潜力区占36.44%，主导整个盆地；低潜力区占45.16%；极低潜力区仅占4.12%，集中在陡峭的蛇绿岩高地。
4.9 基于水坝、法拉吉系统、水井和径流模式的定性验证
定性验证结果显示：两座回灌坝均位于高至中潜力区内；三条法拉吉系统的取水口位于高潜力区，其输水渠道主要穿越中潜力区；地下水井密集分布于高和中潜力区内的农业用地；高潜力区与基于DEM的径流累积模式高度吻合。这些独立证据有力地支撑了制图结果的可靠性。
4.10 基于ROC曲线的定量验证
受试者工作特征（ROC）曲线分析表明，基于法拉吉系统的曲线下面积（AUC）为0.718，基于地下水井的AUC为0.687，两者均显著高于随机水平（0.5），证明了模型具有良好的空间判别能力。
4.11 分类敏感性分析
通过比较三分类、四分类和五分类方案，发现四分类是最优选择。五分类无法产生统计上显著的第五类，而三分类会掩盖极低潜力区的管理重要性。不同方案下的总体空间格局保持高度一致，证明了模型的稳健性。
4.12 XGBoost对AHP派生地下水潜力类别的复现
这是本研究的核心创新点。XGBoost模型在空间块交叉验证下取得了卓越的性能：平均测试准确率为0.929（标准差0.017），MAE为0.071，QWK高达0.941。像素级对比显示，92.85%的像素分类完全一致。不一致的像素（7.15%）主要集中在类别过渡边界，且偏差均不超过一个类别，属于预期的方法学差异。特征重要性分析确认地质、坡度和土壤等级是最强的预测因子。模型输出的逐像素预测置信度图进一步揭示了5.5%的低置信度区域（最大概率<0.6），为后续野外验证指明了方向。
四、讨论与结论
讨论总结：本研究成功地将传统的AHP专家制图方法与机器学习算法相结合，构建了一个混合预测框架。XGBoost模型不仅以极高的准确率（约93%）复现了AHP的分类逻辑，更重要的是，它通过学习七个条件因子与专家分类之间的非线性关系，提供了一个可转移的、无需重新推导专家权重的预测模型。这种方法的优势在于，它将专家知识嵌入到一个可量化、可验证的框架中，克服了纯AHP方法的主观性和不可迁移性。研究还强调了多指标验证的重要性，特别是利用法拉吉系统这类具有悠久历史和明确水文意义的传统水利设施作为验证工具，为干旱区地下水潜力制图的验证提供了全新思路。分类敏感性分析和预测置信度图进一步增强了结果的科学严谨性和实用性。
研究结论：该研究开发的混合AHP-XGBoost框架能够有效学习并复现专家主导的地下水潜力分区，其分类结果与来自回灌坝、法拉吉系统、地下水井和径流模式的独立水文地质证据高度一致。该研究将Alaqida盆地的地下水潜力制图从一个静态的专家产品推进到了一个可测试、可应用的混合预测框架，为阿曼北部干旱山区的地下水勘探、回灌规划和可持续水资源管理提供了强有力的决策支持工具。
