综述：利用机器学习技术进行地下水潜力绘图：当前趋势与未来展望 作者：Mosaad Ali Hussein Ali、Elsayed Ahmed Elsadek、Clinton Williams、Kelly R. Thorp 和 Diaa Eldin M. Elshikha

《Water》：Groundwater Potential Mapping Using Machine Learning Techniques: Current Trends and Future Perspectives Mosaad Ali Hussein Ali, Elsayed Ahmed Elsadek, Clinton Williams, Kelly R. Thorp and Diaa Eldin M. Elshikha

　　摘要
地下水是一种重要的淡水资源，支持着世界各地许多地区的家庭、农业和工业活动。准确的地下水潜力测绘（GPM）对于可持续的水资源管理至关重要；然而，传统的经验和统计方法往往难以捕捉水文地质变量之间复杂的非线性关系。近年来，机器学习（ML）作为一种强大的数据驱动方法，的出现提高了GPM的准确性和效率。本综述综合了2015年至2025年间发表的83篇同行评审研究的发现，重点关注了随机森林（Random Forest）、支持向量机（Support Vector Machines）、人工神经网络（Artificial Neural Networks）和混合模型等广泛使用的ML算法。该综述评估了关键的方法学方面，包括输入参数选择、数据分割、与GIS和遥感的集成以及模型验证技术，并讨论了数据限制、区域变异性和模型可解释性等常见挑战。结果表明，在适当的数据和验证策略的支持下，基于ML的方法可以显著提高地下水预测的准确性。未来的研究方向包括可解释的人工智能、不确定性量化、多源数据集成以及改进的模型可迁移性。本综述为推进可靠的可持续地下水潜力测绘提供了全面的参考。

1. 引言
水是一种有限且至关重要的资源，对于维持生态平衡和支持人类活动至关重要[1]。随着人口快速增长、社会经济发展[2,3]以及气候变化影响的加剧[4,5,6,7,8]，地下水作为全球淡水供应的重要组成部分，对于确保农业、家庭和工业用水安全发挥着关键作用[9,10,11,12]。它支撑着全球超过40%的灌溉农业，同时也为近一半的世界人口提供饮用水[13]。与地表水不同，地下水通常对季节性变化和干旱条件具有更强的抵抗力，使其成为对抗环境压力和水资源短缺的重要缓冲剂，特别是在干旱和半干旱地区[14,15]。在许多发展中国家，地下水往往是唯一的清洁水源，支持着农村社区和快速发展的城市中心[9,16]。尽管如此，地下水资源正日益受到过度开发、污染和管理不善的威胁。因此，准确识别和绘制地下水潜力区对于保护这一无形资源并确保长期的水资源安全至关重要。
地下水潜力（GWP）指的是在特定水文地质环境下地下水出现、补给或产量的可能性，受地质、水文、地形和气候因素的综合控制[17]。基于这一概念，GPM作为一种空间方法被广泛开发出来，利用综合的地理空间和统计技术来划分具有不同地下水可用性的区域[18]。早期研究和后续综述（例如Díaz-Alcaide等人[19]及其引用文献）已经确定，GPM依赖于多个条件因素的系统性整合来估计地下水的存在和生产力。GPM通常通过一个系统的多阶段工作流程进行，该流程整合了水文地质知识、空间分析和预测建模。这个过程一般包括：(1) 获取相关的空间数据集，包括地质、水文、地形、气候和遥感衍生变量；(2) 在地理信息系统（GIS）环境中进行预处理和专题图层准备；(3) 使用统计技术选择和标准化地下水条件因素；(4) 使用统计方法开发模型；(5) 通过ROC-AUC、准确性、交叉验证和敏感性分析等指标进行模型验证和性能评估；(6) 生成地下水潜力指数图，并将其分类为适合不同的区域（例如，从非常低到非常高潜力）[19,20]。传统上，这些指标根据它们对地下水潜力的相对影响通过数学和统计方法进行组合，如频率比（Frequency Ratio，FR）、证据权重（Weights-of-Evidence，WoE）和多标准决策分析（MCDA）方法（如层次分析法（Analytical Hierarchy Process，AHP），这些方法被广泛用于划分高地下水可用性区域[21,22,23,24]。虽然这些方法简单且计算资源需求相对较低，但它们常常受到主观专家判断、固定权重方案以及影响因素之间线性关系假设的限制。这些局限性降低了它们对空间异质性和复杂非线性水文地质相互作用的适应能力。此外，传统方法可能无法充分利用来自遥感和GIS平台的大规模空间数据集。因此，传统技术可能产生不太准确或过于概括的结果，无法充分捕捉不同地质环境中地下水系统的动态和多因素特性。
最近，人工智能（AI）尤其是机器学习（ML）模型[25,26]表现出快速的发展，因为它们能够模拟多个相互作用变量之间的复杂非线性关系[27,28,29]。与传统的地下水评估方法不同，ML算法可以直接从数据中学习，而不依赖于预定义的方程或假设，这使它们特别适合处理地下系统的固有不确定性和空间变异性[17,30]。高分辨率地理空间、水文和遥感数据的日益增多进一步加速了ML技术在GPM、含水层特征描述、水质预测和补给估算中的应用[31,32]。诸如随机森林（RF）、支持向量机（SVMs）、人工神经网络（ANNs）和梯度提升机（例如XGBoost）等模型在预测准确性和鲁棒性方面表现出优于传统方法的性能[27,31,33]。此外，ML整合多样数据源的能力，如地形、地质、气候和土地利用数据，为基于数据的地下水管理提供了更全面和系统的框架。这一范式转变标志着向更加适应性强、可扩展和精确的水文地质建模迈出了重要一步。尽管取得了显著进展，基于ML的GPM仍存在一些挑战。数据异质性、空间自相关性、特征冗余和过拟合仍然是影响模型在不同水文地质环境中迁移性的关键问题。此外，复杂模型的可解释性、最佳条件参数的选择以及高质量训练数据的有限可用性继续阻碍着ML在地下水管理中的实际应用。解决这些挑战需要对现有方法进行系统分析，透明地报告方法学工作流程，并开发通用、可解释和可扩展的ML框架。因此，本综述旨在全面总结当前ML在GPM中的应用现状，突出其方法学演变、数据整合策略以及过去十年（2015-2025年）的性能趋势。具体来说，它(1) 总结了主要的ML技术及其在GPM中的相对性能；(2) 对常用的输入参数和数据源进行分类；(3) 审查包括特征选择、模型训练和验证在内的方法学工作流程；(4) 识别新兴趋势、挑战和未来的研究方向。通过整合现有知识，本研究为研究人员、实践者和政策制定者提供了更新的路线图，以推进机器学习在可持续地下水探索和管理中的应用。

在本研究中，训练（training）、验证（validation）和测试（testing）这些术语具有特定且一致的含义。训练数据集用于通过学习输入变量与目标输出之间的关系来开发模型。验证数据集在模型开发过程中用于超参数调整和模型选择，通常通过交叉验证技术进行。测试数据集用于最终评估模型性能，并提供对未见数据的预测能力无偏估计。需要注意的是，在地下水潜力测绘文献中，“验证”一词有时与“测试”互换使用。然而，在本综述中，这些术语被明确区分，以确保方法学的一致性和清晰性。

2. 方法论
2.1. 文献搜索和选择
为了系统地研究ML技术在GPM中的应用，采用了结构化的综述方法。选择Web of Science（WoS）数据库作为文献检索的主要来源，因为它涵盖了环境科学、水文学和地理信息学等多个跨学科科学领域的高质量同行评审期刊的全面索引。使用相关关键词和布尔运算符搜索了2000年1月至2025年6月期间发表的文章。这些搜索词包括“Groundwater Potential”、“Groundwater Zonation”、“machine learning”、“Artificial Intelligence”、“Random Forest”、“Support Vector Machine”等相关术语。仅考虑英文撰写的期刊文章。检索到初始的出版物集合后，通过手动审查标题和摘要进行了相关性筛选，排除那些超出GPM范围的研究（例如，仅关注地下水质量、补给估算或水化学的研究），未使用ML技术的研究，或重复条目。随后对剩余文章进行了全文审查，以确保它们提供了足够的方法学细节并符合纳入标准。共有140项研究被选中进行深入分析。从每篇论文中提取了关键信息，包括出版年份、研究区域、使用的ML模型、输入变量、数据来源、模型调整方法、评估指标以及GIS或遥感等地理空间工具的整合情况。这种结构化的方法确保了严谨且可重复的综述过程，有助于有意义地综合当前趋势、研究空白和未来发展方向。图1显示了使用ML的GPM研究的综述过程示意图，从数据库搜索到数据分析的各个阶段。

2.2. 文献计量分析
为了提高文献计量分析的清晰度和分析深度，在VOSviewer（版本1.6.20）中使用了词库文件，这是一种文献计量分析和可视化软件，将语义等效的关键词统一到一个代表术语下。例如，将各种指代地下水潜力概念的表达方式，如GPM、groundwater potentiality、groundwater potential zone和groundwater management，标准化为统一的术语GPM。这种整合不仅减少了冗余，还确保了研究焦点的更准确描述。此外，通过将每个术语的首字母大写来优化关键词格式，提高了共现图的视觉质量和可读性。保留了ML（Machine Learning）、RF（Random Forest）、ANN（Artificial Neural Network）、SVM（Support Vector Machine）和GIS（Geographic Information System）等缩写，以反映文献中的常用用法并增强网络可视化的可解释性。图2展示了地下水潜力研究中机器学习应用领域的关键词关系全景。使用VOSviewer的分析识别出四个不同的主题簇，每个簇用不同的颜色编码以便于区分。蓝色簇突出了与地下水潜力建模相关的关键词，强调了水文评估的核心方法和术语。绿色簇关注GIS，反映了空间数据处理和整合的重要性。红色簇集中介绍了经常用于预测建模的机器学习算法，如随机森林、支持向量机和神经网络。最后，黄色簇涵盖了空间预测方法，将地理统计技术与机器学习框架相结合。视觉表示还通过节点大小编码关键词频率，并通过边厚度编码关联强度，从而直观地展示了文献中的主导主题和关键词之间的联系。该图揭示了地下水建模研究的跨学科性质，显示了地理空间分析、数据科学和环境工程之间的明显融合。

3. 机器学习在GPM中的趋势
3.1...机器学习在地下水潜力（GPM）中的应用概述
机器学习（ML）是人工智能的一个子集，它使计算机系统能够在没有为特定任务明确编程的情况下学习模式并做出数据驱动的预测或决策[34,35]。在地下水潜力（GPM）的背景下，机器学习算法已成为建模各种物理、环境和人为因素之间复杂非线性关系的强大工具[36,37,38]。通过利用大型数据集和减少人为偏差，ML提高了GPM研究的客观性、可重复性和准确性[39]。在GPM中应用ML的过程通常遵循一系列结构化的步骤，如图4所示。这些步骤将在以下小节中详细讨论。

过去十年中，GPM中使用了多种多样的ML算法，从传统的基于决策树的模型到先进的神经网络和混合优化框架。这些模型的选择通常由输入数据的特征、水文地质特征的复杂性以及可解释性和预测准确性之间的平衡来指导。对83项研究的全面回顾表明，用于GPM的ML模型可以根据算法行为及其在水文地质分析中的适用性系统地分为六组（G1–G6）。表1展示了GPM中常用的ML模型分类，表2提供了这些模型组在文献中的分布情况。此外，图5展示了ML模型组的频率分布，突出了近期GPM研究中的主要趋势和偏好。

表1. 地下水潜力映射（GPM）中的机器学习模型分类
表2. 文献中机器学习模型组的交叉制表矩阵（83篇论文）
图5. 地下水潜力映射研究中使用的机器学习模型组的频率分布

表1、表2和图5的累积证据表明，GPM研究中存在强烈的方法学模式。基于树的算法和集成方法（G1），特别是随机森林和梯度提升模型，似乎是最受欢迎的方法，这表明它们能够有效地处理非线性关系、多重共线性以及异构空间数据。支持向量机（G4）和神经网络（G3）也被广泛使用，尤其是在寻求更高GPM准确性的研究中。回归模型（G2），尤其是逻辑回归，仍然很受欢迎，常被用作比较的基线模型。交叉制表分析还揭示了向混合模型发展的趋势，即整合两个或多个模型组以提高预测准确性和不确定性。因此，整体频率分布模式显示了从传统统计模型向更复杂的集成和混合模型的方法学转变。

3.2 基于ML的GPM中的问题构建
在GPM中应用ML需要明确定义问题，以确保与水文地质目标保持一致[102]。ML包括四种主要范式：监督学习、无监督学习、半监督学习和强化学习[103]。在监督学习中，模型在标记的数据集上进行训练，从而能够从已知的输入-输出关系中学习[104]。相比之下，无监督学习探索未标记的数据以揭示内在结构或模式。半监督学习结合了标记和未标记的数据来提高学习效果，而强化学习依赖于基于奖励的系统通过与环境的互动来逐步改进决策[90,105]。

在这些范式中，监督学习是基于ML的GPM中的主导方法，因为它能够根据已知例子（例如泉眼或井的位置，或定量产量数据）来预测地下水的存在或潜力。在监督GPM应用中，预测任务可以根据输出变量的性质被构建为分类问题或回归问题。分类涉及预测分类的地下水潜力区域（例如低、中、高）。例如，参考文献[40,106]使用二进制泉眼存在数据（存在/不存在）训练了随机森林（RF）和提升回归树（BRT）模型，并将结果概率分为四个地下水潜力区域。另一方面，回归估计连续输出，如地下水质量、水位、产量或补给率[107,108]。选择分类或回归主要取决于数据的可用性。当只有空间存在数据（例如泉眼或井的位置）时，分类模型更受欢迎；而回归模型需要定量产量测量数据。正如Hakim等人[109]所指出的，由于二进制泉眼数据的普遍可用性，基于分类的GPM仍然更为常见；然而，随着详细水文地质测量的日益可得，基于回归的方法也越来越受到重视。

3.3 输入参数和特征工程
3.3.1 GPM中使用的相关参数类型
在基于ML的GPM研究中，广泛使用了各种条件参数来表示影响地下水存在的物理、地质、水文和环境因素。其中，地质、地形、水文和土地利用/土地覆盖（LULC）变量是最常用的。条件因素的选择通常取决于研究区域的水文地质特征、数据集的空间分辨率和可用性，以及每个参数对地下水补给、储存和运动的相关性。在文献中，这些参数使用了不同的框架进行分类。例如，根据信息来源将变量分为五组：地图学、卫星图像、数字高程模型（DEMs）、钻孔数据和其他来源。另一方面，参考文献[110]根据区域特征提出了一个分类，将变量分为六类：地形、水文、森林类型、土壤、土地利用和地质因素。参考文献[32]根据水文地质作用引入了一个功能分类，包括地形、水文、水文地质、环境和气候参数。根据地下水补给，这些因素被分为五类：气候、土壤、LULC和水文因素[17,46]。类似地，参考文献[30]将输入变量组织成主题层，如岩性、地貌、土壤、线性特征、LULC和植被指数（如NDVI）。在这项研究中，我们采用了一个包括九个类别的全面主题分类方案：C1—地形、C2—土壤、C3—水文、C4—水文地质、C5—水化学、C6—地质、C7—环境、C8—气候和C9—人为。表3按主题组展示了GPM研究中使用最频繁的输入参数，表4提供了这些主题类别在83篇文献中的分布情况。此外，图6展示了这些主题类别在先前GPM研究中的频率分布，突出了它们在模型开发中的相对重要性。

表3. 地下水潜力映射（GPM）研究中最常用的输入参数，按主题组分类
表4. 文献中数据主题组的交叉制表矩阵（83篇论文）
图6. 地下水潜力映射研究中使用的数据类别频率

如图6所示，归类为C4—水文地质的参数比例相对较低。这种情况主要是由于文献中常见的做法是将水文地质参数（如含水层类型、渗透性和地下水位深度）与排水密度和水流积聚等水文因素合并为单一的“水文/水文地质”类别[111,112,113]。当数据集来源于多种来源时（包括来自RS的地表水数据和来自钻孔记录或抽水试验的地下信息），这种合并经常发生。在许多研究中，没有明确区分地表水文过程和地下地下水属性，导致分类模糊，水文地质参数作为独立类别的可见性降低。这种趋势进一步受到获取详细水文地质数据的方法学挑战的影响。与可以从广泛可用的地形和卫星数据集中提取的水文参数不同，水文地质变量通常需要现场测量、地球物理调查或长期监测，这使得它们更难获得且资源需求更高[30,114]。此外，水文地质制图要求高度的概念整合和制图推理，这在优先考虑计算效率而非地质深度的数据驱动ML基GPM研究中并不总是可行的[114,115]。

在使用RS和GIS技术的GPM中，距离河流的距离和接近水体（如湖泊）的距离是两个最重要的水文条件因素；然而，这两个参数在地下水补给机制上略有不同。众所周知，距离河流的距离是地下水潜力映射中最重要的参数之一，因为河流系统支持地表水积聚和渗透到地下水中[87]。因此，地下水潜力与距离河流的距离成反比。在距离河流0–500米的区域内，地下水潜力较高[116]。另一方面，湖泊、池塘和湿地等水体通过地表水和地下水之间的相互作用支持地下水位；然而，这一过程很复杂，因为如果地下水位高于湖面，则水体可能像排放区一样发挥作用[117]。从空间建模的角度来看，距离河流的距离在地下水潜力映射中表示为欧几里得距离；然而，接近水体的距离表示为缓冲距离或土地利用/土地覆盖分类。尽管由于动态补给潜力，河流邻近性在地下水潜力映射中更为重要，但接近湖泊等水体的距离也可能表明高地下水潜力区域。实际上，高地下水潜力区域通常与有利条件相关，如低坡度值、高线性特征密度值以及接近河流和水体[28]。

GPM模型的可靠性还取决于用于模型开发的输入数据的质量、类型和空间代表性。一般来说，GPM研究基于两个主要数据组件：（1）地下水库存数据和（2）条件因素。地下水库存数据可能包括高产量井点数据[23,30,91,118]、钻孔生产率数据[80,86,90]、泉眼位置[56,119]、地下水位测量数据[44,96]，有时还包括渗透率或特定容量值[120]。库存数据点的数量对GPM的发展至关重要，因为它显著影响模型的准确性、稳健性和预测能力。更大的数据集可以更好地表示空间变异性和水文地质条件，减少不确定性，并降低过拟合的风险。因此，充足的库存数据对于确保模型的可靠校准和验证至关重要（来自先前GPM研究的数据密度列在表A1中）。

尽管库存数据点的数量会影响模型稳定性，但代表性可能更为重要；一些研究表明，库存数据样本在排水盆地或水文地质单元上的分布（每个流域的像素数）可能比样本大小本身对可靠模型开发更为重要[87,91,96]。除了上述数据集外，用于模型开发的第二组数据还包括从地质地图、DEM产品、RS产品和气候数据集中提取的条件因素[56,80,86,90,119]。一些常用的条件因素包括岩性、坡度、高程、排水密度、线性特征密度、降雨量、土地利用/土地覆盖、地形湿度指数等[23,30,56,91,119,120]。此外，接近地表水体（如河流、湖泊或大型水体）的距离是GPM模型开发中重要的水文条件因素，因为这些区域是地下水位的可能补给区[28,87,116]。

3.3.2 数据来源和预处理
准确可靠的数据来源是使用ML开发稳健GPM的基础。每个条件参数通常来自特定的数据集，这些数据集通常是通过RS产品、专题地图和现场测量相结合获得的。表5总结了GPM研究中最常用的关键数据来源。地形和相关参数（如坡度或TWI）通常从SRTM、ASTER或ALOS提供的DEM中提取[31,37,76,81,100]。土地覆盖和植被指数来自多光谱卫星图像，如Landsat、Sentinel-2或MODIS[12,83,94,121]。地质和土壤信息来自国家地质调查和全球仓库，如FAO、ISRIC和OneGeology[32,88]。水文网络数据（包括河流和溪流层）通常来自基于GIS的数据集，如HydroSHEDS。水文地质参数（包括钻孔和含水层特征）通常从地下水主管部门或现场调查中收集。气候相关输入（如降水量和温度）来自全球气候数据库，如CHIRPS、WorldClim和TRMM。通过整合这些多样的数据集，全球地下水资源（GPM）研究确保了空间和主题变异性的充分捕捉，从而增强了机器学习（ML）模型的预测能力和泛化能力。表5中列出了GPM中常用的关键数据来源。GPM的分析阶段涉及将空间处理技术与地理信息系统（GIS）相结合，并实施机器学习模型。在大多数研究文章中，条件数据的主题层是使用ArcGIS、QGIS等GIS平台准备的。在大多数研究文章中，机器学习模型的建模是借助scikit-learn、XGBoost、TensorFlow、caret等开源库在Python或R环境中完成的。在一些研究中，也使用了专有的统计软件包。尽管对方法论有详细的讨论，但研究文章的源代码或脚本的共享非常有限。最近的研究文章中，明显倾向于使用开源平台，这无疑将提高研究文章的整体方法论严谨性。

3.3.3 特征工程
机器学习在GPM中的有效性在很大程度上取决于严格的参数选择和特征工程，因为这些过程共同决定了模型的准确性和可解释性。设计良好的特征工程不仅提高了预测性能，还通过最小化数据集中的冗余和噪声降低了预测模型的复杂性[17,122]。本节系统地回顾了基于ML的GPM研究中常用的技术，同时强调了变量选择、空间数据预处理和特征优化的重要考虑因素。在大多数应用中，特征工程可以分为三个主要步骤：转换原始空间数据、选择相关特征和标准化输入。

转换原始空间数据
从不同来源获得的原始空间数据（例如数字高程模型（DEM）、卫星图像、钻孔记录和气候数据库）通常需要在用作ML模型的输入特征之前进行转换。DEM通常被处理以生成坡度、朝向、曲率、地形水指数（TWI）和土壤湿度指数（SPI）等 secondary topographic derivatives，这些指数可以作为地形驱动的水文过程的代理。卫星图像（例如Landsat、Sentinel-2、MODIS）通常被转换为NDVI、土壤调整植被指数（SAVI）和NDMI等光谱指数，这些指数代表了植被活力、土壤湿度和土地覆盖状况。地质和土壤地图被数字化、重新分类，并转换为分类层以表示岩性、地貌或土壤类型。通过基于GIS的空间水文分析生成河流网络、排水密度、流量积累和泉水密度等水文层。为了提高它们适用于ML建模的能力，这些原始数据集经常被转换为能够明确捕捉其与地下水出现关系的定量变量。统计技术如频率比（FR）和标准化频率比（NFR）被用来评估参数类别与地下水证据位置（例如井、泉水）之间的关联程度[121,123]。同样，概率和基于信息的方法，包括证据权重（WoE）[11,124]、信息价值（IV）[125]和证据信念函数（EBF）[87]方法，也被广泛用于量化条件因素的预测能力。这些方法为主题类别（例如岩性单元、土壤类别、土地覆盖类型）分配数值权重或概率值，从而将分类数据转换为可解释的连续预测因子。通过系统地应用这些转换，原始数据被转换为标准化的定量变量，这些变量捕获了其水文地质意义。这一步确保了输入特征更好地反映了控制地下水出现的空间和统计关系，从而提高了ML-GPM的稳健性和可解释性。

选择相关特征
并非所有提取的变量都对地下水潜力模型的预测准确性有同等贡献。因此，特征选择至关重要，以便消除可能增加模型复杂性并降低泛化能力的冗余或不相关参数。在GPM研究中，经常使用统计相关性分析（例如相关性矩阵（CM）结果、皮尔逊相关系数（r）、方差膨胀因子（VIF）、容忍度（Tol）、熵方法和使用互信息（MI）测试来检测预测因子之间的多重共线性[17,126,127]。高级特征选择方法包括信息增益、Relief-F、递归特征消除（RFE）以及与RF或SVM等ML算法结合的包装器技术[128,129,130]。最近的研究还采用了降维方法，如主成分分析（PCA），将高维数据集压缩为较少的不相关组分[70,131,132,133,134]。特征选择方法的选择取决于数据集的性质、ML算法的类型以及模型可解释性和准确性之间的期望平衡。选择最相关的参数不仅提高了计算效率，还确保了衍生的GPM反映了水文地质现实而非过拟合的伪影。表6总结了这些常见的特征选择方法及其在基于ML的GPM研究中的阈值和决策规则。

除了统计和包装器特征选择方法外，使用随机森林（RF）这种集成模型还提供了一种直接评估预测因子重要性的方法，即通过袋外（OOB）重要性分析。OOB方法依赖于自举抽样技术，在构建每棵树的过程中大约有三分之一的数据被排除在外，并用于评估模型的性能。预测因子的重要性通常通过准确性的平均降低或纯度的平均降低来衡量。使用OOB重要性的优势在于它是在模型训练期间计算的，无需外部验证数据集，因此是一种计算效率高且统计上可靠的方法，用于识别重要的地下水潜力条件因子。这种方法已被用于GPM中对变量进行排名并移除信息量较少的预测因子，使模型更易于解释且不易过拟合。

标准化输入
特征工程的最后阶段涉及标准化或归一化输入变量，以确保所有特征在模型训练过程中按比例贡献。由于GPM数据集通常结合了异构参数（例如米为单位的高程、毫米为单位的降雨量和无单位的NDVI），尺度差异可能会使对大小变化敏感的算法（如k-最近邻居（KNN）、SVM或神经网络）产生偏差。常见的标准化技术包括最小-最大缩放（将特征缩放到0-1范围内）、z分数标准化（以单位方差进行均值中心化）和对数转换（对于正偏态变量，如排水密度）[46,84]。标准化不仅加速了训练过程中的收敛，还提高了数值稳定性，并减少了高幅度预测因子的主导作用。一些集成方法（例如随机森林、梯度提升）对缩放不太敏感；然而，在基于ML的GPM中，对整个数据集应用一致的标准化被认为是最佳实践。

3.4 模型开发和验证技术
GPM的ML模型开发包括几个关键步骤，包括模型选择、训练、超参数优化和性能验证。这些阶段共同决定了模型的预测准确性、泛化能力和识别地下水潜力区域的可靠性。总体目标是确保最终模型不仅表现出强大的统计性能，而且与潜在的水文地质和环境过程一致。此外，它还必须能够很好地处理独立的数据集。表A2提供了2015年至2025年间进行的GPM中ML模型开发和验证的方法论方面的代表性研究的全面总结。该表突出显示了每项研究的关键要素，包括数据集特征、数据集划分策略、调优和学习方法、评估指标和模型可解释性技术。

3.4.1 模型选择和训练
ML模型的选择和训练构成了GPM的基础，并显著影响预测的可靠性和结果的迁移能力。根据回顾的文献（表A2），大多数GPM研究采用了监督学习算法，因为训练数据集通常包含已知的地下水存在位置（例如泉水、井）以及不存在或未产水的位置。这些数据集使算法能够学习水文环境因素与地下水出现之间的复杂关系。如第3节所述，并在表1中列出的各种ML模型已应用于GPM，包括基于树的集成方法、神经网络架构、支持向量机（SVMs）以及概率或统计学习器。其中，RF和提升模型（例如AdaBoost、梯度提升和XGBoost）由于其抗过拟合能力、处理非线性交互的能力以及排序特征重要性的能力而最常被采用[12,42,49]。LR和SVM仍然是常见的基准模型，提供了透明性和可解释性。最近的研究扩展到了深度学习框架，如CNN和DNN，以捕获异质地形中的复杂空间依赖性和非线性[31]。在大多数回顾的研究中，数据被划分为训练和测试子集，通常使用70:30或75:25的比例来训练模型并验证其预测能力[21,40,45]。一些研究采用了更严格的方法，如k折交叉验证或分层抽样，将数据反复划分为多个训练和测试部分以获得稳定的性能指标。例如，参考文献[49,94]采用了多折验证来减少地下水点空间分布不均匀的数据集中的采样偏差。

3.4.2 超参数优化
超参数优化在提高GPM的ML模型的预测性能和稳定性方面起着关键作用。超参数（如RF中的估计器数量、GB中的学习率、SVM中的核类型和正则化参数、ANN中的神经元数量和层数）决定了模型从数据中学习的效率。适当调整这些参数可以减少过拟合，提高对未见区域的泛化能力，并提高计算效率。在整个GPM文献中，优化技术已经显著发展。早期的研究[40,47]通常依赖于手动或试错调优，根据验证准确性或接收者操作特征曲线（AUC）下的面积迭代调整参数。虽然简单，但这种方法具有主观性和计算效率低下，尤其是在处理大型特征集和复杂模型时。后续研究采用了更系统的方法，如网格搜索（Grid Search）和随机搜索（Random Search），这些方法在预定义范围内自动测试多个参数组合。网格搜索提供了全面的探索，但计算量较大，而随机搜索提供了一个更快、概率较高的替代方法，具有可比的准确性。例如[21,32,101]使用这些方法优化了RF、GB和AutoMLP模型在地下水预测任务中的参数。最近的发展表明， metaheuristic和贝叶斯优化（BO）框架成为主流。这些自适应算法利用先前的性能知识迭代搜索超参数空间，减少了计算成本，同时保持了准确性。例如BO、遗传算法（GA）、粒子群优化（PSO）、随机搜索（Random Search）和基于教学-学习的优化（TLBO）等技术已被应用于集成和混合框架中以微调模型参数[66,70,75]。特别是贝叶斯优化在调整复杂非线性模型（如CatBoost、XGBoost和深度神经网络）方面表现优异，实现了更少的迭代次数下的高效收敛。AutoML管线的日益集成进一步改变了GPM研究中的超参数优化。例如[37,70,107]应用的AutoML框架自动化了超参数调整以及模型选择、特征预处理和验证，提供了可复制和客观的工作流程，最小化了人为偏差。尽管有这些进步，但仍存在挑战。优化结果可能对数据划分、区域变异性和地下水系统的空间异质性敏感。因此，研究人员越来越多地使用基于交叉验证的调优（例如k折或嵌套交叉验证）来确保稳健性并防止对局部异常的过拟合。多目标优化的使用，平衡准确性、计算成本和可解释性，代表了GPM建模中的一个新兴前沿。

总之，从手动调整到智能、自动化和metaheuristic优化方法的进步标志着基于ML的GPM的关键演变。这些方法提高了模型的稳健性，减少了计算负担，并增强了空间地下水评估中决策的透明度。

3.4.3 模型验证和性能评估
模型验证是评估基于ML的GPM模型的泛化能力和预测能力的重要阶段。它涉及将数据集划分为训练和测试子集，或应用k折交叉验证（通常是5折或10折）以减少由于随机数据分割引起的偏差，如前一节所讨论的。基于分类的GPM模型的性能通常使用阈值独立和阈值依赖的指标进行评估。阈值独立指标如接收者操作特征（ROC）曲线和曲线下面积（AUC）提供了模型辨别能力的整体衡量。阈值依赖指标包括准确性、精确度、召回率（敏感性）、特异性和F1分数，这些指标评估了正确分类实例和错误分类实例之间的平衡。对于基于回归的地下水潜在（GPM）模型，性能通常使用均方根误差（RMSE）、平均绝对误差（MAE）、均方误差（MSE）和决定系数（R2）来评估。ROC及其对应的AUC是最广泛采用的指标，在超过80%的研究中都有出现（例如，[42,61,95]）。AUC值大于0.9通常表示优异的区分能力，而0.7到0.9之间的值则反映了良好的到中等程度的模型性能。补充性指标，如准确率、精确度、召回率和F1分数，被用来同时捕捉对地下水存在的正确检测和错误预测[16,101]。基于误差的度量方法，包括RMSE、MAE和MSE，被应用于基于回归的模型中，以评估连续的地下水产量或补给预测（例如，[64,100]）。一些研究还加入了Kappa统计量、Matthews相关系数（MCC）和Nash-Sutcliffe效率（NSE），以评估预测的地下水区域与实际观测区域之间的一致性。比较验证技术，如成功率曲线（SRCs）、预测率曲线（PRCs）和种子细胞面积指数（SCAI），被用来评估预测的地下水潜力区域与已知井或泉水位置之间的空间一致性[49,69]。SCAI是一种广泛用于评估潜在性和可能性测绘结果空间一致性和可靠性的定量指标[47,49,99]。这一概念最初由[136]提出，用于评估观测事件的空间分布与预测的潜在性类别之间的关系。在GPM研究中，SCAI衡量的是某一特定地下水潜力类别所占据的总面积与位于该类别内的地下水库存点（例如，井或泉水）的百分比之间的比率[47,49,69,99,137]。一个可靠的模型预计会在高和非常高潜力区域产生较低的SCAI值，表明大多数地下水存在集中在相对较小的、被预测为适合地下水积累的区域[49,69]。相反，较高的SCAI值通常与低潜力区域相关，反映出相对于其空间范围而言，地下水存在的数量较少[49,69]。因此，SCAI值从低潜力类别到高潜力类别的系统性下降表明了一个逻辑上一致的空间预测模式。几项研究已经应用这一指标来评估使用机器学习模型和基于GIS的方法生成的地下水潜力地图[47,49,69,99,137]。然而，SCAI对库存数据的数量和空间分布很敏感，在样本量有限或分布不均匀时可能会不稳定。相比之下，不依赖于阈值的指标，如ROC-AUC，可以评估整体的区分能力，但不会明确考虑空间分配效率[137]。准确率、精确度、召回率和F1分数提供了基于分类的性能度量，但它们依赖于阈值的选择。因此，建议结合统计指标（例如AUC）和空间指标（例如SCAI），以确保GPM输出的综合验证[40,42,43,47,66]。此外，统计显著性测试，如Wilcoxon符号等级检验和Friedman检验，也被[32,41]用来确定多个机器学习算法之间的观测性能差异是否具有统计学意义。尽管ROC曲线被广泛用于评估GPM模型的预测性能，但单独使用时存在某些局限性[42,43]。ROC分析主要基于真正例率和假正例率之间的关系来评估模型区分地下水存在与否的能力。然而，这个指标并没有明确评估预测的地下水潜力类别在整个研究区域的空间一致性或分布模式[45,52]。因此，即使ROC值相似的模型也可能产生不同的空间预测模式。为了克服这一局限性，ROC分析通常会与SCAI结合起来使用，后者衡量地下水潜力类别的空间范围与地下水库存点的分布之间的关系[45,52]。ROC分析评估整体预测准确性，而SCAI则提供了对预测地下水潜力区域的空间可靠性和逻辑分布的额外见解。因此，结合使用ROC和SCAI可以更稳健和全面地解释GPM的结果[40,42,43,47,61,66,78]。除了统计验证之外，空间验证和实地验证对于评估模型的现实世界适用性也至关重要。这涉及到将预测的地下水潜力区域与新发现的井、泉水排放位置或在模型训练期间未使用的水文地质调查结果等独立数据集进行比较。GIS中的空间叠加分析可以量化各区域的预测准确性，从而了解GPM的空间一致性和实际相关性。最近的研究强调了空间交叉验证（SCV）的整合，它考虑了训练样本和测试样本之间的空间自相关性，从而减少了随机交叉验证中常见的过于乐观的准确性估计。

3.4.4 模型解释和可解释性
解释机器学习模型的内部机制以及理解每个输入变量如何影响地下水潜力结果是确保结果地图在科学上有效且在实际应用中有用的关键步骤。模型解释和可解释性不仅提高了透明度，还有助于弥合数据驱动的预测与水文地质推理之间的差距，将黑箱算法转化为可用于决策的可解释工具。特征重要性分析是最广泛采用的用于解释基于ML的GPM模型的方法。它量化了每个条件因素对模型预测的相对影响，从而识别出地下水存在最关键的驱动因素。传统方法，如排列特征重要性（PFI）和杂质减少量平均值（MDI），被嵌入到基于树的算法中，如RF、GBM和XGB。这些技术评估当某个特征的值被随机排列时模型的准确性如何下降。例如，[47,106]使用这些度量对水文地质参数进行排名，一致地识别出坡度、排水密度、岩性和线性特征密度是影响最大的因素。最近，Shapley Additive Explanations（SHAP）和Local Interpretable Model-agnostic Explanations（LIME）因能够提供全局和局部可解释性而受到重视。SHAP基于合作博弈论，为每个单独的预测分配一个贡献值，特别有助于理解地下水潜力的空间异质性。例如，参考文献[69,132]将SHAP应用于解释CatBoost和XGBoost模型，展示了在不同地形上坡度和土地利用的不同贡献。另一方面，LIME在特定区域内近似模型，揭示最具影响力的参数，提供细尺度的解释性见解。作为特征重要性度量的补充，部分依赖图（PDPs）和个别条件期望（ICE）图可视化了在保持其他因素不变的情况下，一个或两个预测因子变化如何影响预测的地下水潜力。这些方法有助于识别变量之间的非线性关系和相互作用，例如，适中的坡度与高线性特征密度相结合会增加地下水存在的概率[32]。一些研究还使用了累积局部效应（ALE）图来克服PDPs中常见的外推问题，在高维特征空间中提供更可靠的解释[70]。空间解释工具，如Geodetector、Geographical Detector Models和Geographically Weighted Regression（GWR），已被用来量化地下水存在与影响因素之间的空间关联。例如，参考文献[37]使用Geodetector方法测量岩性和线性特征密度之间的交互效应（q统计量），揭示它们的综合影响超过了单独效应。这种空间上明确的解释使机器学习发现与地质理解相一致，确保模型输出符合水文地质逻辑。可解释人工智能（XAI）在GPM中的日益整合标志着从纯预测建模向透明、基于知识的学习的转变。XAI框架通过为预测提供可解释的理由来增强利益相关者的信任，这是地下水管理中的一个重要方面，因为政策和规划决策依赖于模型的可信度。未来的研究预计将结合基于SHAP的可解释性与不确定性量化、敏感性分析和空间验证，建立将数据科学与水文地质推理联系起来的可解释工作流程。总之，模型解释和可解释性在GPM研究中具有双重目的：它们验证了机器学习预测的内部一致性，并促进了水文地质学家和决策者对其的接受度。SHAP、PDPs和Geodetector模型的日益采用标志着向可解释AI的转变，促进了人们对环境、地质和气候参数如何相互作用以塑造地下水潜力的更深入理解。

3.4.5 地下水分区分类方案的敏感性
将连续的地下水潜力指数分类为离散类别（例如，非常低、低、中等、高和非常高）是GPM中的一个重要步骤，因为它直接影响到结果地图的解释和可用性[17,18,41,138]。在基于GIS的研究中，常用的分类方法包括自然断点（Jenks）、分位数、等间隔和标准差[27,31,33]。然而，先前的研究表明，即使从相同的模型输出中得出，不同的分类方案也可能产生显著不同的地下水潜力区域的空间模式和范围[27,28,29]。这种敏感性是因为每种分类方法根据数据集的统计特性以不同的方式分配数据值。因此，选择适当的分类方法对于确保地下水潜力区域的真实表示和避免对模型结果的误解至关重要。多项研究强调，应根据模型输出的分布和地下水资源管理的目标谨慎选择分类策略，并且在地下水潜力映射研究中应清楚地说明所选方法[19,20,25]。表A3展示了在GPM中使用的主要机器学习模型组的比较总结。比较分析表明，基于树的集成模型（G1）由于它们的鲁棒性、强大的预测准确性和处理非线性和多共线性数据集的能力而在最近的GPM研究中占主导地位。混合和堆叠框架（G6）越来越多地被视为表现最佳的方法，反映了向集成优化方法的转变。基于回归的模型（G2）在可解释性方面仍然重要，而神经网络（G3）在数据丰富的环境中显示出强大潜力。支持向量机（G4）在中等数据集规模下提供稳定的性能，但需要仔细调整超参数[40,64]。贝叶斯方法（G5）虽然使用较少，但在不确定性表示方面具有优势。值得注意的是，在过去的十年中，GPM研究中出现了一种明确的方法学演变趋势。最初，实施了许多机器学习模型，如逻辑回归、支持向量机和决策树。然而，近年来，使用混合和集成机器学习模型的趋势变得明显，例如随机森林、梯度提升和XGBoost，以及机器学习与元启发式模型的结合。已经注意到，使用集成机器学习模型往往可以提高地下水潜力建模的稳健性和准确性[40,64]。近年来，还出现了在地下水潜力建模中使用基于遥感的条件因素的主要趋势。这些条件因素包括使用卫星RS图像得出的土地利用/土地覆盖、植被指数（如NDVI）、线性特征密度、地形湿度指数和气候再分析数据集。此外，还出现了使用特征选择和模型可解释性的主要趋势。已经实施了多种机器学习模型，如随机森林中的递归特征消除和排列特征选择，以及集成机器学习模型中的袋外特征选择。近年来，还出现了在地下水潜力建模中使用可解释AI工具的主要趋势[40,64]。

4. 当前研究中的关键挑战和差距
尽管在应用机器学习（ML）于地下水潜力（GPM）方面取得了显著进展，但仍存在一些方法和实际挑战。这些限制源于数据质量问题、模型选择的不确定性、计算限制以及复杂算法的可解释性有限。理解这些挑战对于提高基于ML的地下水评估的稳健性、可转移性和现实世界适用性至关重要。

4.1 数据的可用性和质量
基于ML的GPM的可靠性在很大程度上取决于输入数据集的质量、空间分辨率和代表性。在许多地区，特别是在发展中国家，一致且高分辨率的水文地质、土壤和气候数据的可用性仍然有限[9]。缺失或不完整的钻孔记录、卫星影像的时间不一致性以及地质或水文地图的不准确性会给建模过程带来不确定性。此外，整合多源数据（如DEM、RS指数和实地数据）通常需要严格的预处理来纠正空间错位、比例尺差异和投影误差。标记数据的稀缺，如地下水井产量或补给测量数据，进一步限制了可靠监督学习模型的发展[11]。

4.2 特征选择和参数敏感性
条件因素的选择对模型准确性和可解释性有重要影响。然而，在实践中，包含不相关或冗余变量可能导致过拟合和不稳定，而排除关键的水文地质参数可能导致地下水过程的低估。此外，条件参数（如坡度、岩性、排水密度）与地下水存在之间的关系往往是非线性的，并且取决于具体地点，这使得模型难以在不同地貌或气候区域之间进行推广。在不同研究中，特征选择技术（如相关性分析、VIF或互信息）的使用不一致，导致结果多变且有时相互矛盾[16,96]。4.3. 模型不确定性和过拟合ML模型，特别是集成学习和深度学习方法，在训练时如果使用的小数据集不平衡或样本数量不足，容易发生过拟合现象。过拟合的模型在训练数据上表现优异，但在未见样本上表现不佳，从而限制了其泛化能力。缺乏标准化的模型验证程序（如k折交叉验证、空间交叉验证）也导致了研究中报告的准确率存在不确定性。此外，模型训练中的随机因素（如随机初始化、采样偏差）可能导致输出结果的变化，尤其是在随机森林（RF）、梯度提升（GB）或神经网络（NN）等模型中。这种变异性强调了在地面水潜力（GPM）研究中进行不确定性 quantification 和敏感性分析的必要性[139,140]。4.4. 计算成本和复杂性高级ML算法，如深度神经网络（DNN）、卷积神经网络（CNN）和混合集成模型，在处理高维空间数据集时需要大量的计算资源。超参数优化方法（如网格搜索、贝叶斯优化或遗传算法）会显著增加计算时间，并要求高性能硬件。此外，随着大规模卫星和气候数据（如MODIS、CHIRPS）的使用增加，高效的数据处理、预处理和存储能力也变得必要，但这可能不是所有研究团队都能具备的[80]。4.5. 模型可转移性和泛化能力基于ML的GPM的一个持续挑战是模型在不同地理区域之间的可转移性。在一个流域或含水层系统中训练的模型可能在另一个环境中表现不佳，因为那里的水文地质、气候和土地利用条件有所不同。模型性能的这种地点特异性降低了ML模型在区域 groundwater 评估中的可扩展性和适用性。虽然提出了领域适应技术和迁移学习作为潜在解决方案，但在GPM中的应用仍然有限。因此，确保模型泛化需要使用来自多种地貌类型的多样化数据集进行仔细校准和验证[11,81]。4.6. 可解释性和可解释性的缺乏尽管像随机森林和XGBoost这样的ML模型提供了高预测准确性，但它们通常作为“黑箱”运行，对预测的物理或水文地质意义提供的洞察有限。这种不可解释性降低了水文地质学家和水资源管理人员对ML模型的信任度。最近，引入了可解释人工智能（XAI）方法，如SHAP、LIME和部分依赖图（PDP），通过量化变量重要性并可视化每个参数对模型输出的影响来弥合这一差距。然而，这些技术在GPM研究中的标准化程度还不够高，有时在没有足够的水文地质依据的情况下会被错误解释[97]。4.7. 验证和真实值限制作业基于ML的GPM的输出验证通常依赖于有限的真实值数据，通常是泉水或井的位置，这些数据可能无法全面反映地下水的可用性或生产力。此外，验证数据集有时与训练样本空间自相关，导致对模型性能的高估。基于现场的验证方法，如抽水测试、水头测量或示踪剂研究，在基于ML的GPM研究中由于后勤和财务限制而较为罕见。因此，迫切需要更全面的验证框架，整合统计、空间和基于现场的评估方法。总之，尽管ML技术在提高GPM的精度和自动化方面取得了显著进展，但其更广泛的采用仍受到数据质量、计算效率、模型可解释性和跨区域泛化能力等方面的限制。未来的研究应重点建立标准化的数据预处理、特征选择和验证协议，并整合基于物理的和可解释的ML方法，以确保GPM输出的科学研究意义和操作可靠性[40,64,92,93]。5. 未来方向ML在提高预测准确性和整合多源地理空间数据方面展现了巨大潜力。然而，要从实验研究转向地下水管理的操作工具和决策支持工具，还需探索几个未来方向。这些方向旨在解决当前的方法论空白和新兴技术，以提高基于ML的地下水模型的鲁棒性、可解释性和可转移性。5.1. 可解释人工智能（XAI）的整合未来的GPM研究应通过整合可解释人工智能（XAI）技术来强调模型的透明度和可解释性。SHAP（Shapley Additive exPlanations）、LIME（Local Interpretable Model-agnostic Explanations）、部分依赖图（PDP）和累积局部效应（ALE）等方法可以提供关于输入变量如何影响模型预测的定量见解。这些工具不仅增强了人们对地下水系统的科学理解，还通过将ML结果与水文地质原理联系起来，提高了政策制定者和水文地质学家的信心。在GPM研究中标准化XAI框架将有助于提高模型可解释性，并支持地下水管理中的决策过程。5.2. 混合模型和基于物理的模型的发展一个有前景的未来方向是将ML与基于物理的水文模型整合，形成混合或基于物理的学习框架。虽然传统的ML模型在模式识别方面表现出色，但它们缺乏对地下水流动和补给动态的明确表示。将ML与数值模型（如MODFLOW、SWAT）结合，或在学习过程中嵌入物理约束，可以提高模型的可靠性和外推能力。例如，将随机森林或XGBoost与基于达西定律的模拟结果结合，可以提供符合质量平衡和含水层特性的物理意义预测。这样的混合模型是朝着科学可解释和与政策相关的GPM框架迈出的关键一步。最近在地下水潜力绘制研究方面的进展突出了几个可能显著提高预测可靠性和实际应用性的新方向。一个有前景的发展是将基于物理的信息纳入机器学习，即将水文或水文地质约束纳入数据驱动的模型中，以提高其物理一致性和可解释性。另一个重要的研究方向是不确定性量化，旨在通过分析数据质量、模型参数和算法假设的影响来评估模型预测的可靠性和鲁棒性。此外，地下水潜力模型在不同水文地质区域之间的可转移性仍然是一个重要挑战，因为为特定地质环境开发的模型可能在其他环境中的表现不佳，这是由于岩性、气候和地下水补给过程的变化。此外，多源遥感数据（包括光学图像、雷达观测和数字高程模型（DEM）参数）的日益丰富为改进地下水条件因素的空间表示创造了新的机会。这些新兴方向预计将在提高未来地下水潜力绘制研究的准确性、鲁棒性和适用性方面发挥重要作用[141]。5.3. 迁移学习和领域适应当前的基于ML的GPM模型由于水文地质环境、气候和数据可用性的差异，通常在不同区域之间缺乏可转移性。采用迁移学习和领域适应技术可以利用有限的本地数据对新区域进行微调。这种方法减少了对外部大型标记数据集的依赖，并促进了在具有相似水文地质特征的流域之间重新使用训练好的模型。这些进步对于将ML应用扩展到数据稀缺的地区至关重要，特别是在现场信息有限的发展中国家。5.4. 时间动态的整合大多数现有的GPM研究采用静态方法，将地下水潜力视为时间不变的属性。然而，地下水系统本质上是动态的，受到季节性降雨、土地利用变化和人为抽取的影响。因此，未来的研究应通过整合多时相卫星数据集（如MODIS、Sentinel、GRACE）和时序ML模型（如长短期记忆（LSTM）或时间卷积网络（TCNs）来考虑时间变化。这些模型可以捕捉地下水系统的时间演变，从而在变化的气候和人为条件下实现近乎实时的补给或枯竭区预测。5.5. 数据融合和大数据分析的进步随着地球观测和基于物联网的监测系统的快速增长，未来的GPM研究可以利用数据融合和大数据分析来提高模型精度和可扩展性。整合多分辨率数据集，如LiDAR衍生的地形、高光谱图像、基于GRACE的地下水储存异常和实地水化学测量，可以改善与地下水相关的过程的空间表示。自动编码器、深度特征提取和基于图的learning等方法为处理大规模异构数据集提供了有希望的途径。使用像Google Earth Engine (GEE)和HydroDataCube这样的基于云的地理空间平台将进一步简化大规模模型的实现和数据处理。5.6. 不确定性量化和敏感性分析未来的GPM框架应系统地解决模型不确定性问题，以增强基于ML的预测的可信度。贝叶斯推断、蒙特卡洛模拟和集成学习可以用来量化由于数据噪声、模型偏差或参数变化引起的预测不确定性。Sobol指数或Morris筛选等敏感性分析方法可以识别影响地下水潜力的最重要参数。这些方法通过量化每个预测的信心，增强了科学理解和实际决策能力。5.7. 空间交叉验证和基于现场的评估传统的随机交叉验证方法往往忽略了空间自相关性，导致对模型性能的过高估计。因此，应采用空间交叉验证（SCV）作为一种空间明确的统计验证策略，为空间数据集提供更现实和无偏的准确性评估。除了这些统计验证方法（包括随机和空间交叉验证）之外，还应更加重视独立的基于现场的评估，即比较模型预测与模型开发期间未使用的外部水文地质观测结果。这样的评估可能包括水头测量、抽水测试数据和同位素追踪，提供地下水条件的直接证据。重要的是要区分这些独立评估与用于模型训练、验证和测试的数据集。因此，一个全面的评估框架应结合统计验证方法（随机和空间交叉验证）和独立的基于现场的评估。这种组合策略提高了基于机器学习的地下水潜力绘制的可靠性和实际适用性。5.8. 开源框架和可重复性为了促进更广泛的科学合作，未来的GPM研究应优先考虑开放数据、开放模型和可重复的工作流程。建立共享的数据集（如钻孔记录、DEM、LULC层）和模型代码（如通过GitHub或HydroShare）的存储库将促进透明度并加速方法论创新。与开源ML库（如Scikit-learn、TensorFlow、CatBoost、LightGBM）和可重复的流水线（如MLflow、DVC）的整合也将提高研究之间的可比性，并减少模型开发中的重复性。5.9. 朝着决策支持系统和可持续地下水管理迈进最终，基于ML的GPM的最终目标应超越学术模型开发，发展为实用的决策支持系统（DSSs），以协助政策制定者和水资源管理者。未来的框架应整合社会经济和气候变化因素，预测不同管理情景下的地下水可持续性。将基于ML的GPM与基于GIS的多标准决策分析（MCDA）或地下水脆弱性映射相结合，可以为含水层保护、井位选择和水资源分配策略提供可行的见解。总之，基于ML的GPM的未来在于可解释AI、混合物理-数据驱动建模、时间分析和可重复的开源实践的融合。通过引入不确定性量化、领域适应和多源数据融合，下一代模型可以从预测工具转变为可靠的、可解释的系统，支持全球范围内的可持续水资源管理。6. 结论这篇全面的回顾批判性地评估了通过机器学习（ML）方法进行的地下水潜力（GPM）的现状，整合了方法论的发展、模型性能趋势、特征选择方法、验证程序和未来研究趋势。基于对83项选定研究的分析，目前的方法论趋势正从传统的统计模型转向更复杂的基于ML的集成模型。趋势是越来越多地使用基于树的模型和集成模型，特别是随机森林（RF）、梯度提升和集成模型，因为它们能够处理多重共线性、非线性模型关系并做出准确的预测。尽管像频率比（FR）和逻辑回归（LR）这样的传统统计模型在其可解释性和基线比较方面仍然有用，但基于ML的集成模型在准确性和泛化能力方面始终优于其他模型。此外，趋势是使用混合模型来结合不同模型的互补优势。回顾确认了一些条件变量在不同气候和地质区域中始终被确定为最重要的地下水潜力预测因素。坡度、岩性、排水密度、线性构造密度、海拔、地形湿度指数（TWI）、土地利用/土地覆盖（LULC）和降雨量是一些对地下水潜力预测贡献最大的重要变量。高分辨率遥感（RS）数据集及其派生变量的日益应用极大地提高了水文地质变量的空间表现能力。特征选择和验证方法也有了显著进展。为了增强预测因子的相关性，人们越来越多地使用多重共线性检验（VIF、Tol）、熵加权、互信息、递归特征消除以及基于集成的外袋（OUT-of-Bag，OOB）重要性评估方法。验证方法也转向了更稳健的方式，如k折交叉验证、空间验证、ROC-AUC分析和多指标验证。然而，空间自相关偏差和缺乏外部验证等问题仍然是挑战。尽管有这些发展，但仍有一些限制影响着地下水质量（GPM）研究，例如干旱和半干旱地区的数据获取困难、超参数优化方法的文档记录不足、不确定性估计不准确以及对于模型可解释性的关注不够。虽然预测精度已经提高，但机器学习模型的可解释性和水文地质一致性仍需要加强，以确保其可靠性。未来的研究应关注以下方面：

- 应用可解释的人工智能方法（如SHAP和置换重要性）来提高模型可解释性。
- 将不确定性分析和概率映射纳入模型中。
- 开发适用于复杂地形的混合深度学习-集成模型。
- 利用高分辨率多源遥感和气候再分析数据。
- 建立标准化的基准数据集，以便进行公平的模型间比较。

总之，基于机器学习的地下水质量研究已经从探索性建模发展成为一种更加结构化、以优化为导向且重视验证的研究领域。创新算法、可解释性工具和水文地质知识的进一步融合对于开发出强大、可迁移且以决策支持为核心的地下水质量模型至关重要，以满足气候变化和人为压力下日益增长的水资源需求。