地下水保护区划方法的新范式：专家驱动与机器学习的比较框架

《Frontiers in Earth Science》：Mapping of groundwater protection zones using expert-driven and machine learning methods: a case study of Yulin City, China

本文针对地下水保护区划中专家驱动模型的数据偏差与机器学习模型可解释性不足的挑战，以中国榆林市为研究区，构建了AHP-GIS与PCA-SOM双框架比较体系。研究发现两种方法在空间一致性上达81.10%，但AHP-GIS更侧重功能区与水质的专家赋权（20.06%），而PCA-SOM则更关注污染抗性与开采强度（12.89%）。该研究为地下水管理提供了透明性与客观性兼顾的决策协议，对干旱区水资源可持续管理具有重要实践意义。

　　

地下水，作为干旱半干旱地区农业、工业和日常生活用水的重要来源，其保护与管理一直是全球水资源可持续利用的核心议题。然而，随着城市化快速推进、农业活动加剧以及工业对地下水的高度依赖，地下水资源正面临水量减少与水质恶化的双重压力。在此背景下，如何科学划定地下水保护区，成为政策制定者实施保护措施、调控土地利用的关键前提。目前，主流的地下水区划方法主要分为两大阵营：一是基于专家经验的决策体系，如结合层次分析法（Analytic Hierarchy Process, AHP）与地理信息系统（Geographic Information System, GIS）的AHP-GIS方法，其优势在于结构清晰、操作简便，能够融入专家对区域条件的认知，但容易受到主观权重赋值偏差的影响；另一类是数据驱动的机器学习（Machine Learning, ML）方法，如随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）等，这类方法擅长处理非线性关系、自动挖掘数据隐藏模式，却常因“黑箱”特性而难以在政策应用中提供透明解释。尽管两类方法各有千秋，但以往研究多侧重于单一方法的应用或仅比较其在地下水潜力制图方面的表现，缺乏在同一数据集下系统比较专家驱动与数据驱动方法在地下水保护综合区划（兼顾水质、水位、水量）中的差异，更未深入揭示两类方法在透明度与客观性、规律一致性与模型灵敏性之间的根本权衡。

为了填补上述研究空白，并服务于中国西北干旱区典型城市——陕西省榆林市的地下水管理需求，本研究在《Frontiers in Earth Science》上发表论文，首次构建了一个包含16个水文数据集的统一分析框架，同步应用AHP-GIS与PCA-SOM（主成分分析-自组织映射）两种方法，开展了地下水保护区划的比较研究。研究不仅绘制了榆林市的关键、中等和一般三级保护区划图，更通过SHAP（SHapley Additive exPlanations）分析解释了机器学习结果的驱动因素，从而在方法论层面提供了一个“决策协议”：当管理场景需要透明、可辩护的法规依据时，可选用AHP-GIS；当需要发现数据中复杂、非线性的空间模式以应对新兴风险时，则可选用PCA-SOM。这一双框架比较思路，为克服现有区划方法的局限提供了切实可行的选择指南。

本研究主要采用了以下几种关键技术方法：

1. 1.
   数据收集与空间网格化：从当地水务和自然资源部门获取了16类水文地质空间数据（包括水质分区、污染源区、生态湿地、地下水富水性、开采强度、功能区等），统一生成500 m × 500 m的规则网格，覆盖整个研究区，共计175,333个网格单元。
2. 2.
   AHP-GIS方法：基于专家判断构建包含8个主要准则（如地下水功能区、水资源与水源保护、污染抗性等）的层次结构，通过两两比较矩阵确定权重，进而对水质、水位、水量三个专项保护区划进行加权叠加，最终综合生成三级保护分区图。
3. 3.
   PCA-SOM方法：首先对16个特征进行标准化，接着通过主成分分析（PCA）降维（累积方差贡献率达90%），然后利用自组织映射（SOM）神经网络对主成分进行聚类，最后依据各簇中关键因子（如水质量、富水性、生态敏感性等）的平均值，将聚类结果标注为三级保护分区。
4. 4.
   SHAP可解释性分析：针对PCA-SOM聚类结果，使用SHAP方法量化各特征对保护区划分类的贡献度，从全局和局部两个层面揭示数据驱动决策的主要影响因素。

3 研究结果

3.1 基于AHP-GIS方法的保护区划

AHP-GIS方法生成的综合保护区划图显示，关键保护区占20.06%（8,792.75 km²），中等保护区占10.60%（4,645.75 km²），一般保护区占69.34%（30,394.75 km²）。空间上，关键与中等保护区集中分布在研究区西北部的榆阳区、神木市、定边县和靖边县，这与该区域地下水富水性高、开采强度大、污染抗性差等特征相符。而东南部因黄土覆盖、富水性较低，主要被划为一般保护区。

3.2 基于PCA-SOM方法的保护区划

PCA-SOM方法的结果显示，关键保护区占12.89%（5,650.25 km²），中等保护区占19.58%（8,581.25 km²），一般保护区占67.53%（29,605.25 km²）。空间格局与AHP-GIS相似，关键和中等保护区同样集中在西北部，尤其是榆阳区，且沿主要河道呈现线性或斑块状分布，表明河流入渗影响被识别为独特的保护特征。

3.3 SHAP解释结果

SHAP分析揭示了PCA-SOM方法决策的驱动机制。全局来看，污染抗性（SHAP均值0.110）是最重要的影响因素，其次是功能区（0.067）和开采强度（0.067）。分区来看，关键保护区的决策主要受开采强度（0.100）和富水性（0.082）驱动；中等保护区则主要受污染抗性（0.134）和功能区（0.090）影响。特征均值热图进一步显示，关键保护区在污染抗性、生态敏感性和水位等方面均值最高，印证了其作为富水且生态敏感区域的特质。

3.4 AHP-GIS与PCA-SOM方法保护区划的比较

两种方法的区划结果在81.10%的研究区面积上表现出空间一致性，但存在18.90%的差异。主要差异体现在：AHP-GIS划定了更多关键保护区（20.06%对12.89%），而PCA-SOM划定了更多中等保护区（19.58%对10.60%）。最常见的差异类型是AHP-GIS划为关键保护区、而PCA-SOM划为中等保护区的区域（占8.13%），这反映了AHP-GIS因对功能区和水源保护等因素的显式加权而倾向于赋予更高保护等级。特征重要性对比热图清晰显示，AHP-GIS中权重最高的功能区和水源富集区，在PCA-SOM中的重要性相对较低；反之，污染抗性则在PCA-SOM中占据主导。

4 讨论与结论

本研究的核心在于构建并验证了一个用于地下水保护区划的双框架比较体系，而非提出一种新的混合模型。通过系统比较，研究揭示了专家驱动与数据驱动方法之间的根本权衡：AHP-GIS在透明性、可辩护性和监管一致性方面具有优势，其线性聚合特征符合行政管理对清晰边界的需求；而PCA-SOM则在客观性、对复杂空间关系的适应性以及发现数据隐藏模式方面表现突出，其降维步骤能有效处理特征间的多重共线性，SOM聚类能直观揭示数据结构和过渡带。

两种方法在识别一般保护区上高度一致，但在中、高保护级别的判定上存在差异，这恰恰反映了它们不同的决策逻辑。AHP-GIS更依赖专家预设的权重（如功能区、水质），这使得其结果与现有法规指定的水源保护区（99.64%被划为中-关键保护区）高度吻合，适用于需要明确法规依据的即时管控。而PCA-SOM通过数据驱动识别出开采强度和污染抗性等关键因子，能揭示那些在传统框架中可能被低估的、由包气带介质和河湖入渗等局部水文过程控制的潜在脆弱区，适用于风险预警和针对性监测。SHAP分析为理解机器学习“黑箱”提供了关键工具，使其决策过程变得可解释。

对于榆林市及类似干旱区的地下水管理，本研究结果具有直接指导意义。空间一致性高的区域（如榆阳区、神木市西北部）应作为优先干预区，实施严格的保护措施。存在差异的区域则需要结合本地知识进行深入研判。在实际管理中，可根据具体目标选择方法：当管理场景强**调法规合规与公众沟通时，AHP-GIS是更佳选择；当需要识别新兴威胁、进行精细化管理时，PCA-SOM能提供补充洞见。在条件允许时，甚至可以交替或结合使用两种方法，实现适应性的动态区划与管理。

当然，本研究也存在局限性，如依赖静态数据、因子量化基于本地技术文件、以及缺乏绝对的“地面真值”进行验证等。未来研究可融入时序数据、结合过程模型（如SWAT），并探索不依赖预设标签的聚类表征方法，以提升区划的时空动态性和普适性。

总而言之，这项研究通过创新的双框架比较，不仅为榆林市的地下水保护提供了科学的区划方案，更重要的是为全球地下水管理领域贡献了一个方法论“决策协议”。它推动地下水管理从“一刀切”的标准，走向基于透明性与客观性权衡的、情景敏感的可持续实践，为应对日益复杂的水资源挑战提供了新的思路与工具。