数据驱动的地下水资源潜力洞察:广义加性模型在尼泊尔中部丘陵区流域的应用

《Environmental Challenges》:Data-Driven Insight into Groundwater Potential: A Generalized Additive Model Application for Hilly Region River Catchment, Central Nepal

【字体: 大 中 小 】 时间:2026年08月10日 来源:Environmental Challenges CS8.0

编辑推荐:

  地下水是世界上最关键的自然资源之一,需借助先进技术进行监测与管理。本研究展示了广义加性模型(Generalized Additive Model, GAM)在地下水资源潜力制图中的应用。研究人员利用尼泊尔昌德拉吉里市巴尔库河流域的11个影响因素(即坡向、高程、

  
地下水是世界上最关键的自然资源之一,需借助先进技术进行监测与管理。本研究展示了广义加性模型(Generalized Additive Model, GAM)在地下水资源潜力制图中的应用。研究人员利用尼泊尔昌德拉吉里市巴尔库河流域的11个影响因素(即坡向、高程、坡度、曲率、地形位置指数、谷深、水系密度、地形湿度指数(Topographic Wetness Index, TWI)、上坡贡献区、地质和线密度)以及141个天然泉点构建了地理空间数据库。其中70%的泉点存在与不存在像素作为训练数据集,其余作为测试数据集。最终地图基于预测概率(范围0至1)生成。模型性能通过5折随机交叉验证(Random Cross-Validation, RCV)和5折空间交叉验证(Spatial Cross-Validation, SCV)评估。GAM在RCV中平均接收者操作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)为0.842 ± 0.075,在SCV中为0.798 ± 0.026,表明具有良好预测性能与满意的空间泛化能力。实验结果显示,GAM能有效捕捉山区地下水资源潜力区域。本研究为地下水利用提供了有用的初步研究,其结果有助于水资源管理者在未来基础调查区就地下水资产利用做出适当决策。
**论文解读:基于广义加性模型的尼泊尔中部丘陵区流域地下水潜力制图**

**研究背景与问题**
地下水约占全球淡水使用量的三分之一,在农业生产、工业发展和居民生活等领域需求持续增长。然而,由于人口增长和过度开采,全球地下水资源面临日益严峻的压力,尤其在城市化地区,水位下降和地面沉降频发。尼泊尔山区约80%人口依赖天然泉水作为主要水源,但近年来气候变化、土地利用变化和不可持续的开采导致泉水流量下降甚至干涸,迫使社区搬迁。传统地下水潜力评估方法(如地质填图、钻探和地球物理调查)耗时且昂贵,而数值模型(如MODFLOW)在数据稀缺地区难以应用。尽管GIS和机器学习模型(如随机森林、支持向量机)已广泛用于地下水潜力制图,但它们在处理非线性关系时存在黑箱问题,缺乏可解释性。因此,亟需一种既能捕捉非线性效应又能保持模型可解释性的方法。广义加性模型(GAM)通过平滑函数拟合各变量与响应变量间的非线性关系,同时输出概率估计和置信区间,特别适用于地形复杂、数据稀缺的山区。本研究旨在利用GAM评估尼泊尔中部巴尔库河流域的地下水资源潜力,识别关键影响因素,并生成空间预测图,以支持可持续水资源管理。论文发表在《Environmental Challenges》。

**主要技术方法**
研究人员采用以下关键技术方法:(1)基于DEM(从尼泊尔测绘局获取,分辨率20×20 m)提取地形和 hydrological 协变量,包括坡向、高程、坡度、曲率、地形位置指数(TPI)、谷深、水系密度、地形湿度指数(TWI)、上坡贡献区(UCA);(2)从尼泊尔矿山与地质局获取地质图,并计算线密度;(3)于2025年3月进行野外调查,记录141个泉点位置(使用GPS),并随机生成相同数量的非泉点作为伪缺失点(距离最短100 m);(4)构建GAM(使用Python的pyGAM包),自动确定有效自由度(EDF),通过GridSearch选择最优平滑参数λ,采用5折随机交叉验证(RCV)和5折空间交叉验证(SCV)评估模型性能,评估指标包括AUC、准确率、精确率、召回率和F1分数。

**研究结果**
**5.1 协变量筛选**:通过方差膨胀因子(VIF)和容忍度(TOL)检验多重共线性。所有连续协变量的VIF值介于1.375(谷深)至4.545(曲率),均低于阈值5;TOL值介于0.220至0.727,均高于0.20,表明无严重多重共线性,所有协变量均可纳入模型。

**5.2 建模性能**:GAM在5折RCV中平均AUC为0.842 ± 0.075,在5折SCV中为0.798 ± 0.026,显示良好的预测能力与空间泛化能力。在独立测试集(70/30分划)上,GAM的准确率为0.7368,召回率0.8214,精确率0.6970,F1分数0.7541,均优于逻辑回归模型(LR)。这表明GAM能更有效地识别泉点位置,主要得益于其对非线性关系的建模能力。

**5.3 影响因素效应**:通过偏依赖图(PDP)分析非线性关系。地形位置指数(TPI)是最重要的连续预测因子,低至中等TPI值(谷地或凹地)对泉点发生有强正效应,而高TPI值(山脊)呈负效应。线密度呈现双峰响应:低密度(孤立断裂)和高密度(高渗透性)均有利于泉点形成。坡向北向坡面因太阳辐射少、蒸发弱,泉点概率更高。地质单元的影响较弱且置信区间大,表明在断裂发育的硬岩地层中,次生孔隙比原生岩性更重要。高程、坡度、TWI等变量均呈现非线性效应,验证了GAM的适用性。

**5.4 地下水潜力分区**:基于预测概率,采用自然断点法将研究区划分为五个等级:极低、低、中、高、极高。极高潜力区仅占面积14.91%,却包含60.14%的泉点;高潜力区占22.55%,包含31.88%的泉点;极低和低潜力区共占29.89%,但无泉点分布。中潜力区面积最大(32.64%),仅含7.97%的泉点。这与泉水主要分布在谷地和凹地(负TPI值)的地下水文原理一致,验证了模型的有效性。

**讨论与结论**
**讨论**:机制解释方面,TPI和线密度是最关键的连续预测因子,控制着地下水排泄的景观形态与结构渗透性;坡向(北向)作为分类变量影响显著,而地质影响较弱。模型生成的潜力图可直接用于指导泉水保护、人工补给和选址。局限性包括:(1)模型依赖地表代理数据,缺乏实测地下水水位、水力传导度等直接参数,仅反映潜在而非实际含水层特征;(2)泉点调查可能存在偏差,遗漏季节性泉点,且未考虑流量差异;(3)20 m DEM分辨率可能不足以捕捉细尺度地形特征,也未纳入降雨、土壤厚度、土地利用变化等变量;(4)GAM识别相关性但不建立物理因果关系,预测值存在较大不确定性(尤其是分类变量),因此潜力图应作为进一步野外调查的指导工具而非最终水文地质图。未来研究建议整合高分辨率地球物理数据、季节性水文监测和气候协变量,安装小型测压管网络,测量泉流量和水化学,并结合伽马测试理论(GTT)设计高效监测网络。

**结论**:本研究证明了GAM在尼泊尔巴尔库河流域复杂地形中划分地下水潜力区的有效性。通过整合11个地理空间协变量与141个泉点,模型实现了稳健的预测性能(RCV AUC = 0.842 ± 0.075,SCV AUC = 0.798 ± 0.026)。偏依赖分析显示,泉点发生受地形、水文和结构因素的非线性交互控制,其中TPI和线密度是最重要的连续预测因子,坡向(北向)是比地质更重要的分类变量。生成的地下水潜力图(分五级)为识别高潜力区(主要位于谷地和凹地)提供了空间显式工具,泉水空间分布与高潜力区的高度吻合验证了该模型在初步水文地质评估中的实用性。然而,模型依赖地表代理数据且缺乏直接含水层参数(如水力传导度、水位埋深),表明其作为勘查工具而非替代详细野外调查的角色。未来研究应整合高分辨率地球物理数据、季节性水文监测和气候协变量以提升精度。该GAM框架为全球山区地下水潜力制图提供了一种可迁移、可扩展的方法,支持脆弱水文地质环境下的可持续水资源管理。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号