基于两阶段多重共线性与标准差加权MCDA框架的地下水补给潜力分区(Groundwater Recharge Potential Zonation, GWRPZ)制图方法

《Frontiers in Water》：A two-stage multicollinearity and standard deviation weighted MCDA framework for groundwater recharge potential zonation mapping

　　

地下水补给潜力分区(Groundwater Recharge Potential Zonation, GWRPZ)对可持续水资源管理至关重要，尤其在复杂水文地质条件下。本研究基于文献初选24个参数并制备专题图，通过多重共线性分析剔除4个高度相关参数(NDWI、TRI、NDBI、WRI)，将参数优化为20个。研究人员将20个参数分别纳入基于理想解相似度排序偏好法(Technique for Order Preference by Similarity to Ideal Solution, TOPSIS)、基于比率分析的多目标优化法(Multi-Objective Optimization on the basis of Ratio Analysis, MOORA)结合主观权重(Relative Weights)，以及标准差(Standard Deviation, SD)赋权的S-TOPSIS和S-MOORA模型中，生成GWRPZ图并划分为五个补给等级，研究区约79%面积属中至极高补给潜力区。利用地下水位数据通过受试者工作特征曲线下面积(Area Under the Curve–Receiver Operating Characteristic, AUC-ROC)验证模型精度，AUC值分别为S-MOORA 0.887、S-TOPSIS 0.844、MOORA 0.837、TOPSIS 0.804，表明标准差赋权模型优于主观权重法。该研究通过可靠的补给区划分直接推进联合国可持续发展目标(Sustainable Development Goal, SDG) 6：清洁饮水与卫生设施，助力可持续地下水管理。

论文解读：基于两阶段多重共线性与标准差加权MCDA框架的地下水补给潜力分区制图研究

研究背景与意义

地下水是全球重要的淡水资源，尤其在印度等干旱半干旱地区是灌溉与饮用水的主要来源，但不可持续开采导致含水层水位显著下降。地下水补给潜力分区(Groundwater Recharge Potential Zonation, GWRPZ)制图是科学识别人工补给(Managed Aquifer Recharge, MAR)选址、实现可持续地下水管理的关键手段。现有GWRPZ研究中存在两方面不足：一是参数选取随意且常忽略参数间多重共线性(Multicollinearity)，高相关参数会导致多准则决策分析(Multi-Criteria Decision Analysis, MCDA)与机器学习模型结果不稳定；二是常用主观赋权法（如专家打分层次分析法AHP）引入人为偏差，在异质水文地质环境中可靠性受限。为此，研究人员提出一种两阶段多重共线性筛选与主客观赋权对比的MCDA框架，以印度泰米尔纳德邦Cheyyar河流域为研究区开展GWRPZ制图，并通过AUC-ROC验证模型精度，旨在提高分区结果的可靠性与可重现性。该论文发表于《Frontiers in Water》。

主要技术方法概述

研究人员选取地形（高程、坡度、平面曲率、剖面曲率、地形起伏指数Terrain Ruggedness Index, TRI、地形湿度指数Topographical Wetness Index, TWI）、构造地质（岩性Lithology、地貌Geomorphology、土壤类型、线密度Lineament Density, LD、沟壑密度Drainage Density, DD）、气候水文（降雨量、冬/夏季及西南/东北季风期地下水位Groundwater Depth, GWD、距地表水体距离Proximity to Surface Water Bodies, PSWB）、植被与湿度指数（土壤湿度指数Soil Moisture Index, SMI、归一化差值植被指数Normalized Difference Vegetation Index, NDVI、归一化差值水体指数Normalized Difference Water Index, NDWI、改进归一化差值水体指数Modified NDWI, MNDWI、水体比指数Water Ratio Index, WRI、归一化差值建筑指数Normalized Difference Built-up Index, NDBI）及土地利用/覆被(Land Use Land Cover, LULC)共24个参数，在ArcGIS中生成专题图并以渔网点提取属性值矩阵。通过两阶段多重共线性分析（第一阶段方差膨胀因子Variance Inflation Factor, VIF＜10且容差Tolerance＞0.1；第二阶段特征值接近0、条件指数Condition Index＞15且方差比例Variance Proportion＞0.8的诊断）剔除高相关参数，保留20个优化参数。采用四种MCDA模型进行GWRPZ评价：TOPSIS与MOORA配专家主观相对权重，以及标准差赋权(Standard Deviation Weight, SDV)的S-TOPSIS与S-MOORA；MCDA输出指数经反距离加权(Inverse Distance Weighted, IDW)插值后按自然断点法(Jenks)分为极低、低、中、高、极高五级补给区。以66口监测井地下水位数据为基准，用AUC-ROC评估模型预测精度。

研究结果

4.1 Parameter selection（参数选取）

基于文献与数据可得性初选24个参数并制作专题图，提取2898个有效渔网点各参数值构成决策矩阵，为后续多重共线性分析提供数据基础。

4.2 Parameter optimization—multicollinearity analysis（参数优化—多重共线性分析）

初拟24参数回归中SPSS自动剔除完全共线性的NDWI（功能由MNDWI和SMI替代）。剩余23参数VIF-TOL检验发现Slope与TRI、NDVI与NDBI存在严重多重共线性（条件指数＞15，方差比例＞0.8），分阶段剔除TRI与NDBI；二次检验发现NDVI与WRI高相关，剔除WRI。最终保留20个参数（去除NDWI、TRI、NDBI、WRI），所有参数VIF＜10且TOL＞0.1，满足独立性要求，消除冗余信息提高模型稳定性。

4.3 MCDA analysis（多准则决策分析）

对20参数归一化后分别赋予主观权重与标准差客观权重，运行TOPSIS（计算贴近度Closeness Coefficient, CC_i）、MOORA（计算评价值Y_i=Σ效益型?Σ成本型）、S-TOPSIS与S-MOORA。四种模型GWRPZ图中约79%区域属中—极高补给潜力。S-TOPSIS识别出最大比例的高(46.83%)与极高(23.13%)补给区；TOPSIS中等级别占比最高(38.23%)。极低补给区占比均较小(4%~7.86%)，空间分布与西北部陡坡基岩丘陵、黏质土壤限制入渗区吻合，中—高补给区对应东北部缓坡冲积平原与裂隙发育的花岗岩—片麻岩风化带，符合区域水文地质认知。

4.4 Validation（验证）

以66个观测井地下水位作ROC分析，S-MOORA的AUC=0.887最高，次为S-TOPSIS(AUC=0.844)、MOORA(AUC=0.837)、TOPSIS(AUC=0.804)。标准差赋权模型AUC均高于对应主观赋权模型，证明客观赋权能更好捕捉参数空间变异性，提升GWRPZ划分精度与可信度。

讨论与结论翻译

本研究通过两阶段多重共线性分析与主、客观赋权MCDA对比框架改善了GWRPZ制图的可靠性与可重现性。由20个优化参数构建的分区图与野外观测吻合，ROC验证确认其预测准确性。测试中S-MOORA表现最佳(AUC=0.887)，其次为S-TOPSIS(0.844)、MOORA(0.837)及TOPSIS(0.804)，证实标准差赋权优于专家主观赋权。所得GWRPZ图可辅助水务规划部门识别适宜人工补给(MAR)的具体区位，衔接灌溉用水需求评估，并为硬岩含水层区水资源规划提供依据，支持联合国SDG 6目标的实现。本研究受限于特定流域数据集及参数选取的数据可用性约束，推广至其他流域需依当地水文地质与社会环境条件调整。未来研究可将框架应用于不同水文地质背景、融合机器学习与人工智能进行参数优化，并纳入气候变化与社会经济参数以提升GWRPZ建模水平。